Jurnal Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence)

Sistem Pemantauan Keluaran Generator Set Berbasis IoT

audy — 2025-12-19

This research is motivated by the ineffective maintenance of generator sets in hospitals. Gensets are crucial components that serve as backup power sources, especially during power outages from the main grid (PLN). However, in practice, genset maintenance is typically carried out only once every six months. During this time, there are no regular inspections, which means any potential damage or malfunction that occurs before the scheduled maintenance may go unnoticed. This can lead to operational disruptions in hospital areas that heavily rely on a stable power supply, like ICUs, operating rooms, and laboratories. A more effective and real-time genset monitoring system is required. This research aims to develop an Internet of Things (IoT) based genset condition monitoring system that can monitor key output parameters of the genset in real time. The monitored parameters include voltage (phases R, phases S, and phases T), current (phases R, phases S, and phases T), frequency, power (phases R, phases S, and phases T), total power, and generated energy. The data will be automatically transmitted to the Ubidots platform via the internet, allowing users to monitor the genset's condition anytime and anywhere through the website. This system is expected to improve maintenance effectiveness and minimize the risk of equipment failure.

Sistem Pakar Hibrida Deteksi Keterlambatan Bicara pada Anak Menggunakan Forward Chaining dan Naïve Bayes

vivin mahat putri — 2025-12-19

Penelitian ini bertujuan untuk mengembangkan dan memvalidasi sebuah metode inferensi hibrida yang mengintegrasikan penalaran berbasis aturan (rule-based reasoning) dari Forward Chaining dengan klasifikasi probabilistik dari Naïve Bayes. Sistem ini dirancang sebagai alat skrining (penapisan) dini terhadap risiko keterlambatan bicara dan bahasa pada anak. Sistem dikembangkan dengan pendekatan hibrida. Metode Forward Chaining diimplementasikan untuk merepresentasikan pengetahuan klinis yang pasti. Sementara itu, metode klasifikasi Naïve Bayes digunakan sebagai sistem probabilistik yang dilatih menggunakan dataset yang telah divalidasi. Proses optimasi model Naïve Bayes melibatkan serangkaian teknik, termasuk penyederhanaan masalah menjadi klasifikasi biner, penyeimbangan data latih menggunakan Synthetic Minority Over-sampling Technique (SMOTE), dan hyperparameter tuning. Pengujian model Naïve Bayes menunjukkan bahwa proses optimasi yang komprehensif berhasil meningkatkan performa secara signifikan. Dengan menggunakan model Bernoulli Naïve Bayes pada data biner yang telah diseimbangkan, performa model berhasil mencapai akurasi sebesar 72.22%. Secara khusus, model menunjukkan nilai recall yang tinggi sebesar 84% untuk kelas 'Terindikasi', yang sangat krusial untuk alat skrining. Sistem pakar hibrida yang diusulkan menunjukkan validitasnya sebagai instrumen skrining yang fungsional. Sinergi antara penalaran logis dari Forward Chaining dan inferensi probabilistik dari Naïve Bayes yang telah dioptimalkan menghasilkan sistem dengan keandalan yang tinggi. Implementasi metode ini telah berhasil divalidasi melalui sebuah prototipe aplikasi web yang fungsional.

Median Filtering dan K-Means Clustering untuk Identifikasi Jenis Kurma

Fathonah Ghaniyyah — 2025-12-19

Meningkatnya konsumsi kurma di Indonesia mendorong perlunya sistem otomatis yang mampu membedakan varietas dengan kemiripan visual tinggi, seperti Ajwa dan Sukari. Penelitian ini mengembangkan sistem identifikasi otomatis dengan menggabungkan metode Median Filtering dan K-Means Clustering dalam ruang warna L*a*b. Median Filtering diterapkan pada tahap pra-pemrosesan untuk mengurangi noise tanpa menghilangkan detail penting pada tepi objek, sementara K-Means Clustering digunakan untuk segmentasi berdasarkan kesamaan warna dan tekstur. Dataset terdiri atas 14 citra kurma yang diambil dengan pencahayaan seragam. Hasil eksperimen menunjukkan bahwa pendekatan ini berhasil mencapai tingkat akurasi identifikasi sebesar 100%. Tahapan pra-pemrosesan terbukti meningkatkan kualitas citra, sedangkan penggunaan ruang warna L*a*b memberikan segmentasi yang lebih stabil terhadap perubahan pencahayaan. Pendekatan ini menunjukkan potensi tinggi dalam pengembangan sistem klasifikasi buah berbasis pengolahan citra digital guna mendukung otomatisasi dalam industri pangan.

Analisis Penentuan Penerima Hibah Penelitian Menggunakan Metode AHP di Perguruan Tinggi

Wahyu Prima — 2025-12-19

Penelitian ini bertujuan untuk menganalisis dan mengembangkan sistem pendukung keputusan dalam proses seleksi penerima hibah penelitian internal di Universitas Adzkia dengan menggunakan metode Analytic Hierarchy Process (AHP). Permasalahan utama yang diidentifikasi adalah ketidaksesuaian antara topik penelitian dengan kompetensi dosen, serta lemahnya keterkaitan dengan roadmap penelitian institusi. Penelitian ini bersifat deskriptif kuantitatif dengan tahapan: analisis kebutuhan, penyusunan hierarki, perbandingan berpasangan, pengujian konsistensi, dan sintesis hasil. Empat kriteria utama yang digunakan adalah urgensi penelitian, metode, referensi, dan rekam jejak dosen, yang selanjutnya dijabarkan ke dalam sejumlah subkriteria. Hasil pengolahan data menunjukkan bahwa metode AHP mampu menyusun prioritas alternatif secara objektif dan konsisten. Alternatif dengan skor tertinggi adalah MU, diikuti oleh MH dan YN. Temuan ini menunjukkan bahwa AHP merupakan metode yang efektif untuk meningkatkan akurasi, transparansi, dan kesesuaian dalam proses seleksi hibah penelitian.

Pengembangan Sistem Pendukung Keputusan Diagnosis Kanker Payudara Menggunakan Regresi Logistik

Rayendra — 2025-12-19

Kanker payudara merupakan salah satu penyebab kematian tertinggi pada wanita di Indonesia. Diagnosis yang akurat dan cepat sangat penting untuk meningkatkan tingkat kesembuhan pasien. Penelitian ini bertujuan mengembangkan sistem pendukung keputusan untuk diagnosis kanker payudara menggunakan model regresi logistik yang dioptimasi. Metode penelitian menggunakan dataset Wisconsin Diagnostic Breast Cancer yang terdiri dari 569 sampel dengan 30 fitur morfologis sel. Data dibagi menjadi 75% data latih dan 25% data uji. Model regresi logistik diimplementasikan dengan regularisasi L2 dan dievaluasi menggunakan analisis ROC, optimasi ambang batas dengan Indeks Youden, serta kalibrasi probabilitas menggunakan Expected Calibration Error (ECE). Hasil penelitian menunjukkan model mencapai akurasi 95,8%, sensitivitas 96,2%, dan spesifisitas 95,6% dengan nilai AUC-ROC 0,993. Optimasi ambang batas menghasilkan nilai optimal 0,560 yang menyeimbangkan sensitivitas dan spesifisitas. Kalibrasi probabilitas menunjukkan ECE sebesar 0,0390 yang dapat ditingkatkan menjadi 0,0328 menggunakan regresi isotonik.

Kata kunci: kanker payudara, sistem pendukung keputusan, regresi logistik, kalibrasi probabilitas, optimasi ambang batas

Keputusan Supplier Terbaik Menggunakan Metode SMART: Studi Kasus pada CV LutfanTechnology

Rizky Abdillah — 2025-12-31

Abstract

CV Lutfan Technology is one of the companies engaged in general trading to meet the needs of its customers in the industrial sector, where in the process CV Lutfan Technology is currently only focused based on relationship relationships but has not been accompanied by the right method and criteria approach, of course in terms of effectiveness it still requires several approaches.This study aims to provide the expected decision to determine the best supplier for CV Lutfan Technology using the SMART (Simple Multi-Attribute Rating Technique) method. This method was chosen because of its ability to accommodate various evaluation criteria systematically and objectively. The criteria used in the assessment include quality, price, time and quantity. Data was obtained through interviews, observations, and documentation of activities carried out by the company. The evaluation results show that the SMART method is able to provide a comprehensive supplier rating, which can then be used as a basis for strategic decision making, such as supplier selection, monitoring and development. Recommendations are given to the company to implement periodic evaluations to improve partnership relationships and supply chain performance in a sustainable manner..

Keywords: Decision, Supplier, Best, Method, SMART

Abstrak

CV Lutfan Technology merupakan salah satu perusahaan yang bergerak di bidang general trading untuk memenuhi kebutuhan pelanggannya di sektor industri, dimana dalam prosesnya CV Lutfan Technology saat ini hanya terfokus berdasarkan hubungan relasi saja tetapi belum disertain dengan pendekatan metode dan kriteria yang tepat, tentu dari segi efektivitas masih memerlukan beberapa pendekatan.Penelitian ini bertujuan untuk memberikan keputusan yang diharapkan untuk menentukan supplier terbaik bagi CV Lutfan Technology dengan menggunakan metode SMART (Simple Multi-Attribute Rating Technique). Metode ini dipilih karena kemampuannya dalam mengakomodasi berbagai kriteria evaluasi secara sistematis dan objektif. Kriteria yang digunakan dalam penilaian meliputi kualitas, harga, waktu dan kuantitas. Data diperoleh melalui wawancara, observasi, dan dokumentasi dari aktivitas yang dilakukan perusahaan. Hasil evaluasi menunjukkan bahwa metode SMART mampu memberikan peringkat supplier secara komprehensif, yang kemudian dapat digunakan sebagai dasar dalam pengambilan keputusan strategis, seperti pemilihan, pemantauan, dan pengembangan supplier. Rekomendasi diberikan kepada perusahaan untuk menerapkan evaluasi berkala guna meningkatkan hubungan kemitraan dan kinerja rantai pasok secara berkelanjutan.

Kata Kunci: Keputusan, Supplier, Terbaik, Metode, SMART

Implementasi Edge IoT dan ThingsBoard untuk Monitoring Kandang Sapi Real-Time

Buqhori Zuna — 2025-12-31

Pemantauan kondisi lingkungan kandang sapi merupakan aspek penting dalam mendukung kenyamanan dan kesehatan ternak. Perubahan suhu, kelembapan, dan kualitas udara yang tidak terkontrol dapat berdampak negatif terhadap produktivitas dan kesejahteraan hewan. Penelitian ini bertujuan untuk mengembangkan prototipe sistem monitoring kandang sapi berbasis Edge Internet of Things (IoT) yang mampu melakukan pemantauan kondisi lingkungan secara real-time serta memberikan peringatan dini kepada pengguna. Sistem dibangun menggunakan mikrokontroler ESP8266 sebagai perangkat edge, sensor DHT22 untuk pengukuran suhu dan kelembapan, serta sensor MQ135 sebagai indikator kualitas udara. Data sensor dikirimkan menggunakan protokol MQTT dan divisualisasikan melalui platform ThingsBoard, sementara notifikasi peringatan dikirimkan melalui Telegram bot berdasarkan mekanisme rule-based. Hasil implementasi menunjukkan bahwa sistem berhasil menampilkan informasi kondisi lingkungan kandang secara lokal melalui LCD, memvisualisasikan data pada dashboard ThingsBoard, serta mengirimkan notifikasi Telegram ketika kondisi lingkungan terdeteksi berada pada kategori bahaya. Penelitian ini menunjukkan bahwa integrasi edge IoT, dashboard monitoring, dan notifikasi berbasis aturan dapat menjadi solusi praktis untuk mendukung pemantauan kandang sapi secara jarak jauh.

Analisis Sentimen Publik Berbasis KNN Terhadap Kinerja Purbaya dan Sri Mulyani Selama Sebulan

ari anshari — 2025-12-31

Masyarakat selalu khawatir tentang perubahan staf Menteri Keuangan karena mereka memainkan peran penting dalam menjaga stabilitas ekonomi negara. Purbaya Yudhi Sadewa menggantikan Sri Mulyani sebagai Menteri Keuangan dalam Kabinet Merah Putih. Karena mungkin mengungkapkan tingkat penerimaan publik dan kepercayaan terhadap kebijakan yang akan diterapkan, persepsi publik selama bulan pertama menjabat sangat penting. Studi ini menggunakan algoritma K-Nearest Neighbor (KNN) untuk menguji sentimen publik terhadap pemikiran di platform media sosial X selama bulan pertama masa jabatan kedua kedua tokoh tersebut. Dataset ini mencakup 2.071 cuitan dari Sri Mulyani (21 Oktober–20 November 2024) dan 2.960 cuitan dari Purbaya Yudhi Sadewa (8 September–7 Oktober 2025). Setelah praproses dan pelabelan data dengan IndoBERT, distribusi sentimen untuk Purbaya adalah 57,80% positif dan 42,20% negatif, sedangkan untuk Sri Mulyani adalah 46,74% positif dan 53,26% negatif. TF-IDF kemudian akan digunakan untuk ekstraksi fitur, sementara KNN dengan K=5 dan metrik jarak kesamaan kosinus akan digunakan untuk klasifikasi. Menurut hasil evaluasi, model KNN Sri Mulyani memiliki akurasi 77% dengan presisi 78%, recall 77%, dan skor F1 77%, sedangkan model KNN Purbaya memiliki akurasi 80% dengan presisi 80%, recall 78%, dan skor F1 79%.

Aplikasi Cerdas Prediksi Keberlanjutan UMKM dengan Extreme Learning Machine dan Power BI

Yofhanda Eirlangga — 2025-12-31

Penelitian ini mengembangkan model berbasis data untuk memprediksi keberlanjutan usaha mikro, kecil, dan menengah (UMKM) menggunakan algoritma Extreme Learning Machine (ELM) dan menyajikan hasilnya melalui dashboard interaktif di Power BI. Data diperoleh dari 500 pelaku UMKM melalui kuesioner yang memuat 46 indikator pada dimensi keuangan, inovasi dan digitalisasi, sumber daya manusia, dukungan eksternal, lingkungan usaha, serta karakteristik pelaku, beserta satu label keberlanjutan (aktif/tidak aktif). Tahapan pra-pemrosesan meliputi pembersihan data, pengkodean variabel kategorikal, dan normalisasi Min–Max, kemudian data dibagi menjadi 80% data latih dan 20% data uji. Model ELM disetel menggunakan grid search terhadap jumlah neuron hidden, fungsi aktivasi, dan koefisien regularisasi L2. Konfigurasi terbaik menggunakan 46 fitur input, 800 neuron hidden, fungsi aktivasi ReLU, dan L2 = 0,1. Pada data uji, model menghasilkan akurasi 0,890, precision 0,820, recall 1,000, dan F1-score 0,901. Evaluasi 5-fold cross validation memberikan rata-rata akurasi 0,820, precision 0,736, recall 1,000, dan F1-score 0,847, yang menunjukkan performa model relatif stabil. Hasil prediksi diintegrasikan ke dalam dashboard Power BI untuk menampilkan skor probabilitas keberlanjutan, kategori risiko, dan profil UMKM secara interaktif guna mendukung pengambilan keputusan berbasis data.

Optimalisasi Akreditasi Perguruan Tinggi dengan Orkestrasi Business Intelligence Berbasis K-Means dan OLAP

Putri Sakinah — 2025-12-31

University accreditation is a key indicator in assessing the quality and competitiveness of higher education institutions. A high accreditation score reflects strong academic standards, institutional competitiveness, and trust from students, industry, and government. However, the accreditation process is highly complex as it involves multiple aspects, such as curriculum, student performance, faculty competence, as well as the quality of research and community service. Universities often face challenges in managing, analyzing, and presenting academic data systematically, which results in suboptimal strategic decision-making for improving accreditation. The limited use of Business Intelligence (BI) in academic data analysis reduces the effectiveness of identifying the main factors influencing institutional performance. This study aims to develop an academic analysis model based on BI by integrating K-Means Clustering to group academic performance according to specific patterns, Silhouette Score to evaluate clustering quality, and Online Analytical Processing (OLAP) to present academic data in an interactive multidimensional form. The research data were obtained from the Institute for Quality Assurance and Educational Development (LPPPM), covering faculty, student, research, and community service data, as well as other accreditation indicators. The research method includes data collection and preprocessing, application of K-Means for clustering, evaluation using Silhouette Score, and the development of an OLAP dashboard for exploring academic data across relevant accreditation dimensions. The results of the study show that the K-Means method with k = 2 produces the most optimal grouping of study program academic performance based on the highest Silhouette Score value, which is then successfully visualized multidimensionally through OLAP to clarify the distribution, patterns, and differences in characteristics between clusters in an interactive dashboard.

Keywords: Business Intelligence; Higher Education Accreditation; K-Means Clustering; Silhouette Score; OLAP.

Pengembangan Sistem Prediksi Risiko Diabetes Menggunakan Algoritma Support Vector Machine (SVM)

Alfon Setiawan — 2025-12-31

Diabetes melitus merupakan gangguan metabolik kronis yang ditandai dengan meningkatnya kadar glukosa darah akibat gangguan pada produksi atau fungsi insulin. Deteksi dini penyakit ini sangat penting untuk mencegah komplikasi jangka panjang. Penelitian ini berfokus pada pengembangan sistem prediksi risiko diabetes berbasis web menggunakan algoritma Support Vector Machine (SVM). Dataset yang digunakan adalah Pima Indians Diabetes yang diperoleh dari Kaggle, terdiri dari 768 data dengan delapan parameter medis seperti kadar glukosa, tekanan darah, indeks massa tubuh (BMI), insulin, dan usia. Sistem dikembangkan menggunakan bahasa pemrograman Python dan framework Flask tanpa penerapan StandardScaler maupun SMOTE untuk menjaga keaslian distribusi data. Pengujian dilakukan dengan memisahkan data latih dan data uji untuk validasi performa model. Hasil penelitian menunjukkan bahwa algoritma SVM mampu mencapai tingkat akurasi tinggi dalam klasifikasi risiko diabetes serta memberikan hasil prediksi secara interaktif melalui antarmuka web. Penelitian ini menyimpulkan bahwa sistem yang dikembangkan dapat menjadi alat bantu pengambilan keputusan yang efektif bagi tenaga medis dan berkontribusi pada penerapan machine learning dalam diagnosis kesehatan digital.

Analisis Sensitivitas Parameter Rangkaian RLC Menggunakan Runge-Kutta Adaptif untuk Akurasi Numerik Optimal

David Eka Putra — 2025-12-31

This study investigates the numerical performance and parameter sensitivity of a RLC circuit solved using the adaptive Runge-Kutta-Fehlberg (RKF45) method. The mathematical model is formulated as a second-order ordinary differential equation and numerically integrated using RKF45 with local error control, then compared with the classical fourth-order Runge-Kutta (RK4) method using a fixed time step. Validation against the analytical steady-state solution shows that RKF45 achieves high accuracy with a lower Root Mean Square Error (RMSE ? 1.39×10??) while requiring 40% fewer integration steps than RK4. A sensitivity analysis based on normalized sensitivity coefficients is performed for ±10% variations of the R, L, and C parameters. The results reveal that inductance is the most dominant parameter influencing oscillatory dynamics, followed by capacitance, while resistance contributes mainly to damping. The sensitivity ranking is found to |. Overall, the findings display that RKF45 offers an efficient and accurate approach for RLC transient simulation and parameter sensitivity evaluation, making it suitable for applications that require high-precision dynamic analysis.

Prediksi Harga GPU Menggunakan ARIMA Model

Dimas Sakha Fauzi — 2025-12-31

Graphics Processing Unit (GPU) semakin berperan penting dalam pengembangan kecerdasan buatan, industri game, dan kebutuhan profesional. Namun, harga GPU mengalami volatilitas tinggi dalam beberapa tahun terakhir akibat gangguan rantai pasokan global, aktivitas penambangan kripto, serta meningkatnya permintaan dari pusat data. Peramalan harga GPU yang akurat dapat membantu konsumen dan pelaku bisnis menentukan waktu pembelian yang optimal serta membantu produsen dalam perencanaan produksi dan strategi penetapan harga. Penelitian ini bertujuan untuk meramalkan harga GPU menggunakan pendekatan deret waktu statistik Autoregressive Integrated Moving Average (ARIMA). Dataset yang digunakan berupa harga historis GPU bekas NVIDIA RTX 4090 pada periode Oktober 2022 hingga Juli 2024. Data dibagi secara berurutan menjadi 80% untuk pelatihan dan 20% untuk pengujian. Parameter model diidentifikasi menggunakan uji Augmented Dickey–Fuller (ADF) dan kriteria Akaike Information Criterion (AIC), dengan konfigurasi optimal ARIMA (3,1,3). Hasil evaluasi menunjukkan MAPE = 8,53%, RMSE = 159,75 USD, dan R² = –1,96, yang menunjukkan bahwa ARIMA mampu menangkap tren umum, namun kurang efektif dalam menghadapi pergerakan harga GPU yang sangat fluktuatif. Temuan ini menunjukkan bahwa ARIMA dapat digunakan sebagai model dasar yang andal untuk peramalan jangka pendek, dan dapat ditingkatkan lebih lanjut melalui pendekatan hibrida atau metode berbasis machine learning.

Penerapan Face Recogniton untuk Presensi Berbasis WEB dan Mobile di MAN 3 Kulon Progo

Eko Fajrul Falah — 2025-12-31

Penelitian ini mengembangkan sistem presensi siswa berbasis face recognition yang terintegrasi dengan dashboard web untuk admin dan aplikasi mobile bagi guru. Sistem dibangun menggunakan Next.js untuk platform web, Flutter untuk platform mobile, serta MongoDB Atlas sebagai basis data berbasis cloud. Tujuan penelitian ini adalah memodernisasi proses pencatatan kehadiran agar lebih akurat, mengurangi kesalahan manusia, dan meningkatkan efisiensi administrasi sekolah. Sistem diimplementasikan di MAN 3 Kulon Progo dan menghasilkan waktu respon rata-rata 2 detik serta tingkat akurasi pengenalan wajah sebesar 95%. Hasil penelitian menunjukkan bahwa sistem yang dikembangkan dapat diterapkan secara efektif untuk mendukung transformasi digital dan penerapan konsep smart school.

Perbandingan Naïve Bayes dan Random Forest pada Seleksi KIP di Universitas Adzkia

Muhammad Thoriq — 2025-12-31

Penelitian ini bertujuan untuk membandingkan kinerja algoritma Naïve Bayes dan Random Forest dalam memprediksi hasil kelulusan seleksi pendaftar beasiswa Kartu Indonesia Pintar (KIP) di Universitas Adzkia. Menggunakan dataset berjumlah 829 data pendaftar tahun 2024, penelitian ini menerapkan pendekatan eksperimen kuantitatif berbasis proses Knowledge Discovery in Database (KDD) yang meliputi tahap preprocessing, pembangunan model, dan evaluasi performa. Kedua algoritma diuji menggunakan metode 5-Fold Cross Validation dan pembagian data hold-out 80:20, dengan metrik evaluasi Accuracy, Precision, Recall, F1-Score, dan Precision-Recall AUC (PR-AUC) untuk menangani ketidakseimbangan kelas. Hasil penelitian menunjukkan bahwa algoritma Random Forest memberikan performa terbaik dengan nilai Accuracy 83,9%, Recall 61,5%, F1-Score 66,6%, dan PR-AUC 0,78. Analisis feature importance mengungkapkan bahwa faktor penghasilan ayah, status P3KE, dan jumlah tanggungan keluarga merupakan variabel paling berpengaruh terhadap hasil seleksi. Temuan ini menunjukkan bahwa Random Forest lebih unggul dan adaptif dalam menangani dataset tidak seimbang pada kasus pengambilan keputusan di bidang pendidikan. Secara praktis, penelitian ini menawarkan kerangka kerja berbasis data untuk meningkatkan keadilan dan transparansi proses seleksi beasiswa di perguruan tinggi.

Penerapan Algoritma Metaheuristik untuk Optimasi Nilai K Pada K-NN dalam Pengelompokan Faktor Penyebab Stunting

Mhd Adi Setiawan Aritonang — 2025-12-31

Stunting is a health issue that has a negative impact on people's quality of life and the development of a bangsa. Finding the cause of stunting accurately is a crucial step in developing effective mitigation strategies. K-Nearest Neighbor (K-NN) is one machine learning algorithm that is frequently used for classification and data analysis, but its performance is greatly impacted by the choice of an ideal K parameter. This study highlights the use of metaheuristic algorithms, such as genetic algorithms (GA) and particle swarm optimization (PSO), to optimize K in K-NN in order to identify the stunting factor. This method uses the kekuatan eksplorasi and eksploitasi algoritma metaheuristik to determine parameter K that yields optimal accuracy. Based on the results of the metaheuristic algorithm, it is concluded that without optimization, K-NN only achieves an accuracy of roughly 63%, highlighting the importance of choosing a suitable K value. When GA is used in K-NN optimization, the accuracy increases significantly, reaching 73%, indicating its ability to effectively explore the solution space. On the other hand, PSO also increases accuracy to 74%. It is hoped that the results of this study will provide significant contributions to the development of a more reliable model for analyzing the factors that contribute to stunting, thereby enhancing the use of data-based decision-making in attempts to address the stunting problem holistically.

Eksplorasi Persepsi Mahasiswa terhadap Integrasi Artificial Intelligence dalam Pembelajaran di Era Digital

Niska Ramadani — 2025-12-31

Penelitian ini bertujuan untuk menelaah persepsi mahasiswa terhadap penerapan Artificial Intelligence (AI) dalam proses pembelajaran serta menganalisis keterkaitan antar berbagai dimensi persepsi yang diambil dari teori Technology Acceptance Model (TAM), seperti Perceived Usefulness (PU), Perceived Ease of Use (PEOU), Attitude Toward Using AI (ATU), Behavioral Intention to Use (BI), Perceived Impact (PI), dan Ketertarikan terhadap AI. Kajian ini menjadi relevan mengingat peran AI yang semakin signifikan dalam mendukung transformasi pendidikan tinggi di era digital. Penelitian ini menggunakan pendekatan kuantitatif dengan metode survei yang melibatkan 100 mahasiswa aktif dari Universitas XY sebagai responden. Teknik pengambilan sampel dilakukan secara acak (random sampling), sedangkan analisis data menggunakan uji korelasi Pearson untuk menilai kekuatan dan arah hubungan antar variabel yang diteliti. Hasil analisis menunjukkan adanya hubungan yang signifikan antara Perceived Usefulness (PU) dengan Attitude Toward Using AI (ATU), Behavioral Intention to Use (BI), dan Perceived Impact (PI). Selain itu, ditemukan pula korelasi positif antara Perceived Ease of Use (PEOU) dan ketertarikan dengan AI. Temuan ini memperkuat validitas teori Technology Acceptance Model (TAM) yang menegaskan bahwa persepsi mahasiswa mengenai kegunaan dan kemudahan penggunaan AI berperan penting dalam membentuk sikap serta niat mereka untuk mengadopsi teknologi tersebut dalam kegiatan pembelajaran. Hasil penelitian ini memberikan masukan untuk memperkuat integrasi AI dalam pembelajaran, hal ini dapat dilakukan melalui pelatihan dan sosialisasi untuk meningkatkan pemahaman mahasiswa tentang manfaat dan kemudahan penggunaan teknologi. Sementara itu, secara teoritis, penelitian ini berkontribusi dalam memperluas pemahaman mengenai faktor-faktor yang memengaruhi penerimaan dan adopsi teknologi berbasis AI di lingkungan pendidikan tinggi.

Analisis Penggunaan Kecerdasan Buatan Dalam Mengerjakan Tugas Coding Mahasiswa Wilayah Depok Dengan Menggunakan Metode Analytical Hierarchy Process

Muhammad Lutfie Alga — 2025-12-31

Penelitian ini menganalisis penggunaan kecerdasan buatan (AI) oleh mahasiswa di Kota Depok dalam menyelesaikan tugas coding. Tiga platform AI yang dievaluasi adalah ChatGPT, GitHub Copilot, dan Blackbox AI. Metode Analytical Hierarchy Process (AHP) dipakai untuk menetapkan bobot kriteria dan peringkat alternatif. Penilaian ini didasarkan pada masukan dari 100 mahasiswa sebagai responden. Hasil penelitian menunjukkan bahwa kualitas hasil coding merupakan kriteria terpenting dengan bobot 0,2377, diikuti pemahaman konsep pemrograman (0,1865), kemudahan penggunaan (0,1799), waktu penyelesaian tugas (0,1720), motivasi belajar (0,1158), dan etika penggunaan AI (0,1081). Pada tingkat alternatif, ChatGPT memperoleh bobot tertinggi sebesar 0,432, disusul GitHub Copilot (0,287) dan Blackbox AI (0,280). Temuan ini menegaskan bahwa ChatGPT lebih unggul dalam membantu mahasiswa meningkatkan pemahaman konsep sekaligus efisiensi penyelesaian tugas. Hasil penelitian diharapkan dapat menjadi masukan bagi lembaga pendidikan untuk mengoptimalkan pemanfaatan AI secara efektif dan etis dalam proses pembelajaran.

Penerapan Jaringan Syaraf Konvolusional Untuk Deteksi Penyakit Tanaman Kopi Berdasarkan Citra Daun

Yusran Panca Putra — 2025-12-31

Produktivitas tanaman kopi di Indonesia sangat dipengaruhi oleh serangan penyakit daun yang sering kali tidak terdeteksi secara dini akibat keterbatasan pengetahuan petani dalam mengenali gejala penyakit. Deteksi penyakit secara manual membutuhkan keahlian khusus dan waktu yang tidak efisien, sehingga dibutuhkan pendekatan berbasis teknologi untuk memberikan solusi yang lebih cepat dan akurat. Penelitian ini mengusulkan pemanfaatan metode Convolutional Neural Network (CNN) dengan arsitektur ResNet-50 untuk mendeteksi penyakit tanaman kopi berdasarkan citra daun. Data citra daun diperoleh dari dataset publik Kaggle, yang mencakup total 1664 citra daun kopi dengan klasifikasi sehat maupun terinfeksi penyakit. Proses pelatihan dilakukan pada platform Google Colaboratory menggunakan algoritma optimisasi Adam dan teknik augmentasi untuk meningkatkan kemampuan generalisasi model. Hasil pelatihan menunjukkan bahwa model ResNet-50 mampu mencapai akurasi pelatihan sebesar 96,33% dan akurasi validasi sebesar 95,31% setelah 40 epoch. Evaluasi model terhadap data uji menghasilkan nilai macro average precision sebesar 95,83%, recall 96,05%, dan F1-score 95,58%. Model terbukti efektif dalam mendeteksi berbagai jenis penyakit seperti miner, phoma, dan rust, meskipun masih terdapat kesalahan klasifikasi minor. Penelitian ini menunjukkan potensi besar dari penerapan CNN dalam bidang pertanian cerdas, khususnya dalam deteksi otomatis penyakit tanaman kopi, serta dapat menjadi dasar pengembangan sistem deteksi berbasis aplikasi yang mudah digunakan oleh petani. Temuan ini berkontribusi pada pengembangan teknologi tepat guna dalam mendukung peningkatan hasil dan kualitas produksi pertanian.

Perancangan Aplikasi WEB Smartmom untuk Pemantauan Nutrisi Ibu Hamil

Daffa Akmal Nafi — 2025-12-31

Tingginya prevalensi Kekurangan Energi Kronis (KEK) pada ibu hamil dan anemia di Indonesia mengindikasikan suatu masalah gizi serius yang dapat menimbulkan potensi pada peningkatan risiko kematian ibu dan masalah stunting pada anak. Kesulitan utama yang dihadapi ibu hamil adalah minimnya pengetahuan akan keberadaan informasi mengenai gizi kehamilan yang akurat dan dapat dipercaya. Untuk mengatasi hambatan ini, dirancanglah aplikasi web SmartMom sebagai solusi digital berbasis Artificial Intelligence (AI) yang digunakan untuk memantau asupan nutrisi secara otomatis dan real-time. Adapun metode penelitian yang digunakan yaitu Design Thinking, meliputi tahapan Emptatize hingga Prototype. Survei dilakukan melalui kuesioner kepada 66 responden yang menunjukan bahwa 100% ibu hamil mengalami kesulitan mengatur pola makan dan 50% merasa tidak yakin akan kandungan gizi yang terdapat pada makanan yang dikonsumsi. Berdasarkan data ini, fitur utama SmartMom difokuskan pada Scan AI Nutrisi, Rekomendasi Menu Makanan, dan Jurnal Kesehatan. Perancangan ini menghasilkan prototype yang menunjukkan antarmuka dan fungsionalitas dasar sistem, yang diharapkan menjadi dasar yangkuta utk pengembagdan dan pengujian lebih lanjut

Kata kunci : Nutrisi Ibu Hamil, Aplikasi Web, Artificial Intelligence.

Analisa Tingkat Kepuasan Pasien Terhadap Pelayanan Puskesmas Menggunakan Algoritma C4.5

Dian Permata Sari — 2025-12-31

Penilaian kepuasan pasien merupakan aspek penting dalam meningkatkan kualitas pelayanan kesehatan di Puskesmas. Namun penilaian kepuasan yang bersifat subjektif seringkali menyulitkan pengambilan keputusan yang tepat untuk perbaikan layanan. Peneltian ini bertujuan untuk menerapkan algoritma C4.5 dalam menganalisis faktor-faktor yang mempengaruhi kepuasan pasien terhadaap pelayanan yang diberikan di Puskesmas. Algoritma C4.5, yang merupakan metode decision tree, digunakan untuk mengklasifikasikan data kepuasaan pasien berdasarkan kualitas layanan dan kompetensi staf, komunikasi dan interaksi, lingkungan dan fasilitas, proses dan prosedur. Data yang digunakan adalah jenis metode samling menggunakan kuesioner dengan skala linker yang terdiri dari sangat puas, puas, cukup puas dan tidak puas.. Hasil analisis menggunakan algoritma C4.5. Dengan demikian, algoritma C4.5 dapat memberikan wawasan

yang berguna bagi manajemen Puskesmas dalam mengidentifkasi area yang diperbaiki untuk meningkatkan kepuasan pasien. Penelitian ini diharapkan dapat menjadi referensi bagi pengembangan strategi peningkatan mutu pelayanan berbasis data yang lebih akurat dan objektif.

Smart Medical Tourism dalam Peningkatan Pelayanan Rumah Sakit Berkelanjutan

Aldo Eko Syaputra — 2025-12-31

Industri smart medical tourism terus berkembang seiring meningkatnya kebutuhan akan layanan kesehatan yang lebih canggih dan berbasis teknologi. Pasien kini mengharapkan akses layanan medis yang lebih cepat, personal, serta terintegrasi dengan sistem digital, termasuk kemudahan pendaftaran, konsultasi, dan pemantauan kesehatan. Namun, rumah sakit masih menghadapi berbagai tantangan dalam mengoptimalkan pelayanan, seperti efisiensi yang belum maksimal, keterbatasan otomatisasi interaksi digital, serta ketiadaan pemetaan aksesibilitas fasilitas medis yang akurat. Tanpa inovasi, rumah sakit sulit menjawab kebutuhan pasien yang semakin dinamis sekaligus bersaing di sektor kesehatan digital. Penelitian ini bertujuan mengembangkan prototipe sistem Smart Medical Tourism dengan mengintegrasikan Artificial Intelligence (AI), Dynamic Customer Relationship Management (CRM), dan Geographic Information System (GIS). AI digunakan untuk analisis preskriptif kebutuhan pasien dan rekomendasi layanan, CRM dinamis untuk otomatisasi interaksi real-time, sedangkan GIS berfungsi memetakan fasilitas pendukung seperti penginapan, rute, dan tempat makan terdekat. Metode pengembangan menggunakan pendekatan Agile dengan iterasi prototipe agar sistem adaptif terhadap kebutuhan pengguna. Data yang dianalisis meliputi catatan interaksi pasien serta lapisan geospasial terkait penginapan, rute transportasi, dan lokasi kuliner. Secara keseluruhan, penelitian ini dapat menjadi rekomendasi bagi rumah sakit untuk meningkatkan kualitas layanan di era digital melalui pemanfaatan sistem berbasis GIS yang lebih efisien, responsif, dan berorientasi pada kebutuhan pasien.

Integrasi Business Intelligence dan Decision Support System Berbasis SAW untuk Kepuasan Mahasiswa

Firdaus Firdaus — 2025-12-31

Kepuasan mahasiswa merupakan indikator kinerja utama yang vital dalam penjaminan mutu perguruan tinggi nasional. Universitas Islam Sumatera Barat (UISB) saat ini menghadapi tantangan signifikan dalam pengelolaan data evaluasi kepuasan yang masih bersifat manual, terfragmentasi antar unit kerja (data silo), dan belum mencakup dimensi evaluasi yang komprehensif. Kondisi ini menyebabkan analisis data terbatas pada laporan deskriptif parsial dan menghambat pimpinan dalam mengambil keputusan strategis terkait prioritas perbaikan layanan secara cepat. Penelitian ini bertujuan untuk merancang dan mengimplementasikan solusi teknologi terintegrasi berupa sistem Business Intelligence (BI) berbasis dashboard yang dikombinasikan dengan Decision Support System (DSS) menggunakan metode Simple Additive Weighting (SAW). Metodologi penelitian mengikuti kerangka kerja pengembangan BI yang komprehensif, meliputi analisis kebutuhan bisnis, perancangan arsitektur Data Warehouse dengan skema bintang untuk integrasi data, dan penerapan algoritma SAW untuk pembobotan tujuh dimensi kualitas layanan yang diperluas (termasuk transparansi dan aksesibilitas). Hasil penelitian ini adalah sebuah ekosistem sistem informasi yang memvisualisasikan tren kepuasan mahasiswa secara real-time. Sistem ini dilengkapi fitur DSS yang secara otomatis merekomendasikan peringkat unit layanan prioritas untuk diperbaiki berdasarkan bobot kepentingan yang dinamis terhadap tujuh dimensi tersebut. Implementasi sistem ini membantu manajemen UISB bertransformasi menuju pemantauan mutu yang proaktif dan berbasis data.

Penerapan Long Short-Term Memory dalam Prediksi Harga Mingguan Bitcoin Berbasis Data Historis

Andi muhammad Bintang — 2025-12-31

Bitcoin merupakan salah satu aset kripto yang memiliki tingkat volatilitas harga yang tinggi, sehingga prediksi pergerakan harganya menjadi tantangan tersendiri. Penelitian ini bertujuan untuk menerapkan metode Long Short-Term Memory (LSTM) dalam memprediksi harga mingguan Bitcoin berdasarkan data historis. Data yang digunakan berupa data historis harga Bitcoin dengan frekuensi mingguan yang telah melalui tahapan pra-pemrosesan, normalisasi, dan pembentukan data deret waktu. Model LSTM dilatih menggunakan data pelatihan dan dievaluasi menggunakan data pengujian. Kinerja model dievaluasi menggunakan metrik Mean Absolute Error (MAE), Mean Squared Error (MSE), dan Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa model LSTM mampu menghasilkan prediksi harga yang mengikuti pola dan arah tren pergerakan harga Bitcoin aktual pada sebagian besar periode pengujian. Meskipun demikian, tingkat kesalahan prediksi cenderung meningkat pada periode dengan volatilitas harga yang tinggi. Hasil penelitian ini menunjukkan bahwa metode LSTM dapat digunakan sebagai pendekatan untuk memodelkan pergerakan harga Bitcoin berbasis data historis mingguan.

Perancangan Smart Home Berbasis Iot Menggunakan Esp32, Telegram dan Spreadsheet

Ririn Gustia — 2025-12-31

Implementasi sistem smart home berbasis Internet of Things (IoT) yang berfungsi untuk mengontrol lampu, memantau suhu dan kelembapan, serta meningkatkan keamanan rumah. Sistem dibangun menggunakan mikrokontroler ESP32 dan ESP32-CAM yang terintegrasi dengan sensor DHT11, sensor PIR, relay, dan buzzer. Aplikasi Bot Telegram digunakan sebagai antarmuka pengendalian jarak jauh dan media notifikasi, sedangkan Google Spreadsheet dimanfaatkan untuk pencatatan data secara otomatis. Metode penelitian yang digunakan adalah eksperimen dan rekayasa sistem melalui tahap perancangan perangkat keras, pemrograman perangkat lunak, integrasi sistem, serta pengujian performa. Hasil pengujian menunjukkan bahwa sistem mampu menyalakan lampu secara otomatis, mengaktifkan kipas ketika suhu melebihi 30C, mendeteksi pergerakan hingga jarak 2 meter, serta mengirimkan notifikasi real-time berupa teks dan gambar. Penelitian ini membuktikan bahwa penerapan IoT pada smart home mampu memberikan solusi efektif untuk kebutuhan otomasi dan monitoring jarak jauh.

Pengembangan E-Commerce Konveksi Toko Sukses Berbasis Rule-Based Decision Support System

Rahman Arief Putra — 2025-12-31

Perkembangan teknologi informasi mendorong pelaku usaha mikro, kecil, dan menengah (UMKM) untuk mengadopsi sistem e-commerce dalam meningkatkan efektivitas pengelolaan penjualan dan layanan kepada pelanggan. Namun, sistem e-commerce yang diterapkan pada UMKM umumnya masih berfokus pada fungsi transaksi dan belum dilengkapi dengan mekanisme pengambilan keputusan yang terstruktur. Penelitian ini bertujuan untuk mengembangkan sistem e-commerce pada Konveksi Toko Sukses dengan mengintegrasikan Rule-Based Decision Support System (RB-DSS) sebagai modul pendukung pengambilan keputusan. Metode penelitian menggunakan pendekatan pengembangan sistem yang meliputi tahapan analisis, perancangan, implementasi, dan pengujian. RB-DSS diterapkan untuk menghasilkan rekomendasi produk berdasarkan kriteria harga, ketersediaan stok, tingkat permintaan, dan kategori produk. Hasil penelitian menunjukkan bahwa integrasi RB-DSS mampu mendukung proses pengambilan keputusan secara lebih objektif, konsisten, dan relevan dengan kondisi bisnis. Sistem yang dikembangkan diharapkan dapat meningkatkan efektivitas pengelolaan penjualan serta kualitas pengambilan keputusan berbasis data pada usaha konveksi skala kecil dan menengah.

Peningkatan Loyalitas Pelanggan melalui Customer Relationship Management berbasis Pendekatan Multi-Kriteria Decision Making

Sepsa Nur Rahman — 2025-12-31

Loyalitas konsumen adalah elemen penting untuk memastikan kelangsungan hidup bisnis dalam pasar ritel yang sangat kompetitif. Penelitian ini bertujuan untuk meningkatkan loyalitas konsumen dengan menerapkan sistem Customer Relationship Management (CRM) berbasis web yang terintegrasi dengan metode pengambilan keputusan multi-kriteria, yaitu Technique for Order of Preference by Similarity to Ideal Solution (TOPSIS). Penelitian dilakukan di Friiday Store, sebuah toko yang menjual aneka aksesoris, dengan pendekatan campuran yang mencakup pengembangan sistem, analisis kuantitatif, dan uji pengguna. Metode TOPSIS digunakan untuk menilai alternatif produk berdasarkan kriteria utama seperti harga, desain, dan ulasan pelanggan, sehingga dapat menghasilkan peringkat dan rekomendasi produk berdasarkan data. Sistem CRM mempermudah interaksi dengan pelanggan, pengelolaan transaksi, serta menawarkan layanan yang disesuaikan melalui fitur katalog daring, riwayat pembelian, dan obrolan langsung. Temuan penelitian mengindikasikan bahwa penggabungan TOPSIS dalam CRM secara signifikan meningkatkan kepuasan serta loyalitas pelanggan berkat rekomendasi produk yang lebih relevan dan peningkatan dalam layanan responsif. Sistem ini juga membantu dalam pengambilan keputusan bisnis melalui wawasan yang dapat diterapkan dari analisis preferensi pelanggan. Penelitian ini menyimpulkan bahwa gabungan antara CRM dan alat pengambilan keputusan multi-kriteria seperti TOPSIS memberikan pendekatan strategis untuk menjalin hubungan yang tahan lama dengan pelanggan serta meningkatkan tingkat retensi dalam usaha ritel kecil dan menengah.

Kata kunci: CRM, TOPSIS, Loyalitas, Kepuasan

Analisis Kinerja Algoritma Naive Bayes dalam Memprediksi Kelulusan Mahasiswa Menggunakan Python

Maulana Fansyuri — 2025-12-31

Prediksi kelulusan mahasiswa menjadi kebutuhan penting dalam lingkungan perguruan tinggi untuk mendukung peningkatan kualitas akademik, efektivitas pembimbingan, dan strategi pencegahan ketidaklulusan. Penelitian ini bertujuan untuk menganalisis kinerja algoritma Naive Bayes dalam memprediksi kelulusan mahasiswa berbasis data akademik dan non-akademik dengan memanfaatkan bahasa pemrograman Python. Algoritma Naive Bayes dipilih karena memiliki karakteristik komputasi sederhana, efisien, serta mampu menangani data berukuran besar dengan performa klasifikasi yang kompetitif. Penelitian dilakukan menggunakan dataset mahasiswa yang mencakup variabel seperti indeks prestasi, jumlah SKS, tingkat kehadiran, dan status kelulusan. Proses pengolahan data terdiri atas pembersihan data, penyandian data kategorikal, pembagian dataset menjadi data latih dan data uji, serta pelatihan model Naive Bayes. Evaluasi model dilakukan menggunakan Confusion Matrix, Accuracy, Precision, Recall, dan F1-Score untuk memberikan gambaran performa klasifikasi secara komprehensif. Hasil penelitian menunjukkan bahwa algoritma Naive Bayes mampu melakukan prediksi kelulusan mahasiswa dengan akurasi tinggi, yaitu 85%, serta nilai Precision, Recall, dan F1-Score yang konsisten, sehingga menegaskan keandalan model dalam mengidentifikasi mahasiswa yang lulus maupun tidak lulus. Temuan ini memperkuat potensi algoritma Naive Bayes sebagai sistem pendukung keputusan di perguruan tinggi untuk memetakan risiko ketidaklulusan sejak dini..

Kata kunci: