Abstract:Abstract: The rapid development of information technology has increased the demand for high-quality software, necessitating a structured development process. ISO/IEC/IEEE 12207:2017 serves as an international standard encompassing…
compassing organizational, technical, and project support processes, differing from ISO 9001, which focuses more generally on quality management. This study employs a Multi-Criteria Decision Making (MCDM) approach by integrating the Analytic Hierarchy Process (AHP) and the Technique for Order of Preference by Similarity to Ideal Solution (TOPSIS). AHP determines the weight of ISO 12207:2017 criteria through pairwise comparisons, while TOPSIS ranks software development activities based on these weights. To validate the results, Analysis of Variance (ANOVA) is applied. The findings indicate that the Software Requirements Definition Process has the highest priority weight (0.169), followed by Implementation (0.101) and Operation (0.095). Software Configuration Management is identified as the most critical activity with the highest TOPSIS score (0.221). ANOVA confirms the reliability of expert evaluations, showing no significant differences. This study provides a structured decision-making framework based on ISO 12207:2017, helping optimize software project management while ensuring alignment with international standards and industry best practices.
Keywords: AHP; TOPSIS; ANOVA; ISO 12207:2017
Abstrak: Perkembangan teknologi informasi meningkatkan permintaan perangkat lunak berkualitas tinggi, sehingga diperlukan proses terstruktur dalam pengembangannya. ISO/IEC/IEEE 12207:2017 menjadi standar internasional yang mencakup proses organisasi, teknis, dan pendukung proyek, berbeda dengan ISO 9001 yang lebih umum pada manajemen kualitas. Penelitian ini menggunakan Multi-Criteria Decision Making (MCDM) dengan mengintegrasikan Analytic Hierarchy Process (AHP) dan Technique for Order of Preference by Similarity to Ideal Solution (TOPSIS). AHP menentukan bobot kriteria ISO 12207:2017 melalui perbandingan berpasangan, sementara TOPSIS memeringkat aktivitas pengembangan berdasarkan bobot tersebut. Untuk validasi, Analysis of Variance (ANOVA) diterapkan. Hasil penelitian menunjukkan bahwa Proses Definisi Kebutuhan Perangkat Lunak memiliki bobot tertinggi (0,169), diikuti Implementasi (0,101), dan Operasi (0,095). Manajemen Konfigurasi Perangkat Lunak menjadi aktivitas paling kritis dengan skor TOPSIS tertinggi (0,221). ANOVA mengonfirmasi keandalan penilaian para ahli tanpa perbedaan signifikan. Penelitian ini memberikan kerangka kerja pengambilan keputusan berbasis ISO 12207:2017, membantu optimalisasi manajemen proyek perangkat lunak, serta memastikan keselarasan dengan standar internasional dan praktek terbaik industri.
Kata kunci: AHP; TOPSIS; ANOVA; ISO 12207:2017
Abstract:Abstract: Breast cancer is the leading cause of death for women globally, exacerbated by late detection. This study proposes a breast cancer risk prediction framework using XGBoost with SelectKBest feature selection. It…
aims to improve the accuracy and efficiency of early detection through exploratory data analysis, coding, SMOTE to address class imbalance, and feature selection (k=29). As a result, the XGBoost model achieved 98.1% accuracy, 98.1% recall, 98.1% f1-score, and 98.2% precision on test data, highlighting the importance of feature selection. These results are promising in patient prioritization (triage) for further examination, helping medical personnel identify high-risk patients, thus improving resource allocation efficiency. These findings validate SelectKBest and pave the way for the development of a machine learning-based clinical decision support system for breast cancer early detection workflows. This research contributes significantly to the application of machine learning to support early breast cancer detection.
Keywords: breast cancer; feature selection; machine learning; risk prediction; XGBOOST.
Abstrak: Kanker payudara menjadi penyebab utama kematian wanita global, diperparah deteksi yang terlambat. Penelitian ini mengusulkan kerangka prediksi risiko kanker payudara menggunakan XGBoost dengan seleksi fitur SelectKBest. Tujuannya meningkatkan akurasi dan efisiensi deteksi dini melalui analisis data eksploratif, pengkodean, SMOTE untuk mengatasi ketidakseimbangan kelas, dan seleksi fitur (k=29). Hasilnya, model XGBoost mencapai akurasi 98.1%, recall 98.1%, f1-score 98.1%, dan presisi 98.2% pada data uji, menyoroti pentingnya seleksi fitur. Hasil ini menjanjikan dalam penentuan prioritas pasien (triage) untuk pemeriksaan lebih lanjut, membantu tenaga medis mengidentifikasi pasien berisiko tinggi, sehingga meningkatkan efisiensi alokasi sumber daya. Temuan ini memvalidasi SelectKBest dan membuka jalan bagi pengembangan sistem pendukung keputusan klinis berbasis machine learning untuk alur kerja deteksi dini kanker payudara. Penelitian ini berkontribusi signifikan dalam penerapan machine learning untuk mendukung deteksi dini kanker payudara.
Kata kunci: kanker payudara; pembelajaran mesin; prediksi risiko ; seleksi fitur; XGBOOST.
Abstract:Analisis sentimen adalah proses mengidentifikasi dan mengklasifikasikan opini dalam teks menjadi kategori tertentu seperti positif, negatif, atau netral. Penelitian ini bertujuan untuk menganalisis sentimen ulasan produk…
pada platform e-commerce menggunakan algoritma Naive Bayes. Dataset ulasan produk diambil dari Kaggle, terdiri dari ribuan ulasan dengan label sentimen. Metodologi mencakup tahap preprocessing teks, ekstraksi fitur menggunakan teknik TF-IDF, dan penerapan algoritma Naive Bayes untuk klasifikasi sentimen. Hasil penelitian menunjukkan bahwa algoritma Naive Bayes memberikan akurasi sebesar 94%, membuktikan kemampuannya dalam analisis sentimen dengan dataset teks pendek
Abstract:Abstract: This research focuses on technology and integration tools for IoT environments, with an emphasis on three main aspects: the integration of Building Information Modeling (BIM) and IoT, the utilization of real-time…
me data, and the urban IoT framework. The integration of BIM and IoT enables a smarter and more efficient building management system by utilizing IoT data to monitor real-time building conditions and improve maintenance and operational processes. This research seeks to identify challenges and solutions for technology integration in increasingly complex IoT environments, while also offering guidance for practical implementation in the urban and building sectors. In this research, we use a literature analysis approach, the main process is to identify relevant sources, including articles, journals, conferences, books, and industry reports published in the last five years. The results of this study are an implication that the application of IoT device integration with BIM can help improve operational and maintenance efficiency, optimize construction management, improve safety and mitigate risks in a company.
Keywords: building informations modelling(BIM); environment; internet of things(IoT)
Abstrak: Penelitian ini berfokus pada teknologi dan alat integrasi untuk lingkungan IoT, dengan penekanan pada tiga aspek utama: integrasi Building Information Modeling (BIM) dan IoT, pemanfaatan data real-time, dan kerangka kerja IoT perkotaan. Integrasi antara BIM dan IoT memungkinkan sistem manajemen bangunan yang lebih cerdas dan efisien dengan memanfaatkan data IoT untuk memantau kondisi real-time bangunan serta memperbaiki proses pemeliharaan dan operasional. Penelitian ini berupaya mengidentifikasi tantangan dan solusi integrasi teknologi dalam lingkungan IoT yang semakin kompleks, sekaligus menawarkan panduan untuk penerapan praktis di sektor perkotaan dan bangunan. Pada penelitian ini kami menggunakan metode pendekatan analisis literatur, proses utamanya adalah dengan mengidentifikasi sumber sumber relevan, meliputi artikel, jurnal, konferensi, buku, dan laporan industri yang dipublikasikan dalam lima tahun terakhir. Hasil dari penelitian ini yaitu didapatkan sebuah implikasi bahwa penerapan pengintegrasian perangkat IoT denan BIM dapat membantu meningkatkan efisiensi operasional dan pemeliharaan, optimasi manajemen kontruksi, peningkatan keselamatan dan mitigasi resiko pada sebuah perusahaan.
Kata kunci: building informations modelling(BIM); environment; internet of things(IoT)
Abstract:Abstract: Welfare is one of the things that determines the progress of a region, to achieve the welfare of its people, especially in the economic sector, a technique is needed to measure welfare that continues to change.…
This study aims to analyze the differences in the level of community welfare in Central Java Province by grouping regions based on several indicators. Grouping is done using data from various sources that include the main indicators of welfare. The method used in this study uses the K-Means data mining algorithm to group regional data according to their level of welfare. The results of the analysis divide the regions into three categories: Medium Welfare Level, which includes Banyumas, Purworejo, Boyolali, Klaten, Sukoharjo, Karanganyar, Sragen, Kudus, Jepara, Demak, Semarang, Kendal, and Pekalongan City and Tegal City, High Welfare Level, consisting of Magelang City, Surakarta City, Salatiga City, and Semarang City; and Low Welfare Level, covering Cilacap, Purbalingga, Banjarnegara, Kebumen, Wonosobo, Magelang, Wonogiri, Grobogan, Blora, Rembang, Pati, Temanggung, Batang, Pekalongan, Pemalang, Tegal, and Brebes Regencies. The findings show that the C2 region has a longer average length of schooling, higher per capita expenditure, and better HDI, reflecting a higher quality of life. This study provides an overview of welfare inequality in Central Java Province and suggests the need for more focused policies to improve the quality of life in each category of region.
Keywords: clustering; k-means; welfare
Abstrak: Kesejahreraan merupakan salah satu hal yang menentukan kemajuan suatu wilayah, untuk mencapai kesejahteraan masyarakatnya terutama di bidang ekonomi di perlukan teknik untuk mengukur kesejahteraan yang terus berubah, Penelitian ini bertujuan untuk menganalisis perbedaan tingkat kesejahteraan masyarakat di Provinsi Jawa Tengah dengan mengelompokkan wilayah berdasarkan beberapa indikator. Pengelompokan dilakukan menggunakan data dari berbagai sumber yang mencakup indikator-indikator utama kesejahteraan. Metode yang di gunakan dalam penelitian ini menggunakan algoritma data mining K-Means untuk mengelompokkan data wilayah menurut tingkat kesejahteraannya. Hasil analisis membagi wilayah menjadi tiga kategori: Tingkat Kesejahteraan Sedang, yang mencakup Kabupaten Banyumas, Purworejo, Boyolali, Klaten, Sukoharjo, Karanganyar, Sragen, Kudus, Jepara, Demak, Semarang, Kendal, serta Kota Pekalongan dan Kota Tegal, Tingkat Kesejahteraan Tinggi, terdiri dari Kota Magelang, Kota Surakarta, Kota Salatiga, dan Kota Semarang; dan Tingkat Kesejahteraan Rendah, mencakup Kabupaten Cilacap, Purbalingga, Banjarnegara, Kebumen, Wonosobo, Magelang, Wonogiri, Grobogan, Blora, Rembang, Pati, Temanggung, Temuan menunjukkan bahwa wilayah C2 memiliki rata-rata lama sekolah yang lebih panjang, pengeluaran per kapita yang lebih tinggi, dan IPM yang lebih baik, mencerminkan kualitas hidup yang lebih tinggi. Penelitian ini memberikan gambaran tentang ketidakmerataan kesejahteraan di Provinsi Jawa Tengah dan menyarankan perlunya kebijakan yang lebih terfokus untuk meningkatkan kualitas hidup di setiap kategori wilayah.
Kata Kunci: clustering; k-means; kesejahteraan
Abstract:Abstract: This study maps the vulnerability of landslides in Jayapura Regency, Indonesia, using a parameter weighting method within the framework of the Geographic Information System (GIS). The study identified key factors…
rs that contribute to landslide risk, including slope, soil type, rainfall, geology, and land use. The analysis revealed significant areas prone to landslides, with substantial portions classified as moderate to high risk. Comparison with the BNPB Inarisk method shows variations in the percentage of risk areas, highlighting the importance of the double assessment technique. The study underscores the need for an integrated, multidisciplinary approach to landslide risk management, emphasizing accurate data collection, land-use planning, and targeted mitigation strategies. These findings provide valuable insights for policymakers and disaster management agencies to minimize the impact of future landslides and promote sustainable development, especially in light of the 2019 landslide disaster in Sentani.
.
Keywords: landslide; jayapura regency; parameter weighting method; inarisk BNPB methods; disaster mitigation.
Abstrak: Penelitian ini memetakan kerentanan tanah longsor di Kabupaten Jayapura, Indonesia, menggunakan metode pembobotan parameter dalam kerangka Sistem Informasi Geografis (GIS). Studi ini mengidentifikasi faktor-faktor kunci yang berkontribusi terhadap risiko tanah longsor, termasuk kemiringan, jenis tanah, curah hujan, geologi, dan penggunaan lahan. Analisis mengungkapkan area signifikan yang rentan terhadap tanah longsor, dengan porsi substansial diklasifikasikan sebagai risiko sedang hingga tinggi. Perbandingan dengan metode BNPB Inarisk menunjukkan variasi persentase area risiko, menyoroti pentingnya teknik penilaian ganda. Studi ini menggarisbawahi perlunya pendekatan multidisiplin yang terintegrasi untuk manajemen risiko tanah longsor, menekankan pengumpulan data yang akurat, perencanaan penggunaan lahan, dan strategi mitigasi yang ditargetkan. Temuan ini memberikan wawasan berharga bagi pembuat kebijakan dan lembaga penanggulangan bencana untuk meminimalkan dampak tanah longsor di masa depan dan mempromosikan pembangunan berkelanjutan, terutama mengingat bencana tanah longsor tahun 2019 di Sentani.
.
Kata kunci: tanah longsor; kabupaten jayapura; metode pembobotan parameter; metode BNPB Inarisk; mitigasi bencana.
Abstract:Abstract: Bekasi Regency, being one of the key cities in Indonesia, offers a suitable setting to study the intricacies of marriage decision-making during a quarter-life crisis. This study focuses on the application of clustering…
ustering algorithms to categorize individuals based on their marriage choices. Data was collected from a questionnaire completed by 110 respondents from Bekasi Regency, specifically individuals aged 18 to 30 who are single, including 80 women and 30 men. Data analysis was conducted using the RapidMiner software to evaluate the effectiveness of three clustering algorithms K-Means, X-Means, and K-Medoids in categorizing marriage decision patterns among young people experiencing a Quarter Life Crisis in Bekasi Regency. Results indicate that each algorithm has its own strengths and limitations in handling Quarter Life Crisis data.The results of the analysis show that the K-medoids algorithm provides the best clustering results with the lowest DBI value of 0.195, followed by the X-Means algorithm with a value of 0.199 and K-Means with a value of 0.207. These results can help understand the pattern of marriage decisions in the Quarter Life Crisis phase and help provide insights for policymakers in Bekasi Regency to make more effective intervention programs.
Keywords: K-Means; K-Medoids; X-Means
Abstrak: Sebagai salah satu kota besar di Indonesia, Kabupaten Bekasi memberikan konteks yang tepat untuk mempelajari kompleksitas pengambilan keputusan pernikahan di tengah krisis seperempat usia. Penelitian ini berfokus pada pemanfaatan algoritma clustering untuk mengelompokkan individu berdasarkan pilihan pernikahan mereka. Data diambil dari kuesioner yang diisi oleh 110 responden di Kabupaten Bekasi, yang terdiri dari individu lajang berusia 18 hingga 30 tahun, yaitu 80 perempuan dan 30 laki-laki. Analisis data dilakukan dengan perangkat lunak RapidMiner untuk mengevaluasi efektivitas tiga algoritma pengelompokan—K-Means, X-Means, dan K-Medoids—dalam mengelompokkan pola keputusan pernikahan di kalangan pemuda yang menghadapi Quarter Life Crisis di Kabupaten Bekasi. Hasilnya menunjukkan bahwa setiap algoritma memiliki keunggulan dan kelemahannya masing-masing dalam memproses data Quarter Life Crisis. Hasil analisis menunjukkan bahwa algoritma K-medoids memberikan hasil clustering terbaik dengan nilai DBI terendah yaitu 0.195, diikuti oleh algoritma X-Means dengan nilai 0.199 dan K-Means dengan nilai 0.207. Hasil ini dapat membantu memahami pola keputusan menikah pada fase Quarter Life Crisis dan membantu memberikan wawasan bagi pembuat kebijakan di Kabupaten Bekasi membuat program intervensi yang lebih efektif.
Kata kunci: K-Means; K-Medoids; X-Means
Abstract:Abstract: Clustering methods such as K-Means and K-Medoids are often used to analyze data, including student data, due to their efficiency. However, this method has weaknesses, such as sensitivity to selecting cluster centers…
nters (centroids) and cluster results that depend on medoid data. Clustering, an essential technique in data analysis, aims to reveal the natural structure of the data, even in the absence of labeled information. The study, conducted with complete objectivity, compared the performance of two popular clustering methods, K-Means, and K-Medoids, on student data. Three evaluation metrics, namely the Davies-Bouldin Index (DBI), silhouette score, and elbow method, were used to compare clustering and determine the ideal number of clusters for the two algorithms. The data taken in this study are in the form of names, attendance, assignments, formative, midterm exams, final exams, and quality numbers. Based on the existing optimization results, it can be concluded that the K-Means method excels in grouping Student Data. The best results were obtained from the K-Means Algorithm with the Silhouette Coefficient Method with a value of 0.7509 in cluster 2, and the Elbow Method with a value of 1428076.08 in cluster 2, DBI K-Medoids with a value of 0.7413 in cluster 3. So, the best cluster lies in 3 clusters.
Keywords: clustering; davies-bouldin indek; elbow method; k-means; k-medoids; silhouette score;
Abstrak : Metode clustering seperti K-Means dan K-Medoids sering digunakan untuk menganalisis data, termasuk data siswa, karena efisiensinya. Namun, metode ini memiliki kelemahan, seperti sensitivitas terhadap pemilihan pusat klaster (centroids) dan hasil klaster yang bergantung pada data medoid. Clustering, sebuah teknik penting dalam analisis data, bertujuan untuk mengungkapkan struktur alami dari data, bahkan tanpa adanya informasi berlabel. Penelitian ini, yang dilakukan dengan objektivitas penuh, membandingkan kinerja dua metode clustering populer, yaitu K-Means dan K-Medoids, pada data mahasiswa. Tiga metrik evaluasi, yaitu Davies-Bouldin Index (D.B.I.), silhouette score, dan metode elbow, digunakan untuk membandingkan clustering dan menentukan jumlah cluster yang ideal untuk kedua algoritma tersebut. data yang diambil dalam penelitian ini berupa nama, kehadiran, tugas, formatif, ujian tengah semester, ujian akhir semester, angka mutu. Berdasarkan hasil optimasi yang ada, dapat disimpulkan bahwasannya metode K-Means unggul dalam pengelompokkan Data Mahasiswa. Sehingga di peroleh hasil terbaik dari Algoritma K-Means dengan Metode Silhouette Coefficient dengan nilai 0,7509 di cluster 2, dan Elbow Method dengan nilai 1428076,08 di cluster 2, DBI K-Medoids dengan nilai 0,7413 di cluster 3. Sehingga cluster terbaik terletak pada 3 cluster.
Kata kunci: klasterisasi; davies-bouldin indek; elbow method; k-means; k-medoids; silhouette score;
Abstract:Abstract: CV. Ria Kencana Ungu (RKU), as a research partner in the field of computer service, needs to improve the quality of customer service and efficiency in the process of troubleshooting computer damage. To meet these…
se needs, an expert system based on the forward chaining method was developed that is able to diagnose damage automatically. This system was developed using the waterfall method, with systematic stages from analysis to implementation. The implementation results show that the system can identify the type of damage with an accuracy rate of 89% based on validation tests on 100 real troubleshooting cases. The evaluation metric uses a comparison between the results of the system diagnosis and the results of the technician's analysis. Although the system is able to increase service efficiency by up to 40% compared to conventional methods, several obstacles were found, such as the limited initial knowledge base that impacts the accuracy of the diagnosis and the difficulty of users in understanding the system interface. Therefore, further development is needed to expand the knowledge base and improve the user experience. This study aims to develop a forward chaining-based expert system to improve efficiency, accuracy, and speed of problem solving at CV. Ria Kencana Ungu (RKU) and to increase customer satisfaction through more responsive and precise services..
Keywords: expert system; computer troubleshooting; forward chaining method
Abstrak: CV. Ria Kencana Ungu (RKU), sebagai mitra penelitian di bidang layanan servis komputer, membutuhkan peningkatan kualitas layanan pelanggan dan efisiensi dalam proses troubleshooting kerusakan komputer. Untuk memenuhi kebutuhan tersebut, dikembangkan sistem pakar berbasis metode forward chaining yang mampu mendiagnosis kerusakan secara otomatis. Sistem ini dikembangkan menggunakan metode waterfall, dengan tahapan yang sistematis dari analisis hingga implementasi. Hasil implementasi menunjukkan bahwa sistem dapat mengidentifikasi jenis kerusakan dengan tingkat akurasi sebesar 89% berdasarkan uji validasi terhadap 100 kasus troubleshooting nyata. Metrik evaluasi menggunakan perbandingan antara hasil diagnosis sistem dan hasil analisis teknisi. Meskipun sistem mampu meningkatkan efisiensi layanan hingga 40% dibandingkan metode konvensional, beberapa kendala ditemukan, seperti keterbatasan basis pengetahuan awal yang berdampak pada akurasi diagnosis dan kesulitan pengguna dalam memahami antarmuka sistem. Oleh karena itu, pengembangan lebih lanjut diperlukan untuk memperluas basis pengetahuan dan meningkatkan pengalaman pengguna. Penelitian ini bertujuan mengembangkan sistem pakar berbasis forward chaining untuk meningkatkan efisiensi, akurasi, dan kecepatan troubleshooting di CV. Ria Kencana Ungu (RKU) serta meningkatkan kepuasan pelanggan melalui layanan yang lebih responsif dan presisi.
Kata kunci: sistem pakar; troubleshooting komputer; metode forward chaining
Abstract:Abstract: Heart disease is one of the leading causes of death worldwide, making early detection and accurate diagnosis crucial for reducing mortality rates and improving patient outcomes. This study aims to evaluate the…
effectiveness of four machine learning algorithms—Logistic Regression, Random Forest, Support Vector Machine (SVM), and K-Nearest Neighbors (KNN)—in predicting heart disease, with a focus on enhancing model performance using Linear Discriminant Analysis (LDA) for feature reduction. Among the models, SVM achieved the highest accuracy at 84.24%, followed by Logistic Regression at 83.70%. Although Random Forest and KNN showed lower accuracies, all models benefited from LDA's dimensionality reduction. This study suggests that SVM, combined with LDA, offers an optimal solution for early and accurate heart disease prediction in the healthcare industry.
Keywords: feature reduction; heart disease; linear discriminant analysis (LDA); machine learning; SVM
Abstrak: Penyakit jantung merupakan salah satu penyebab utama kematian di seluruh dunia, sehingga deteksi dini dan diagnosis yang akurat sangat penting untuk menurunkan angka kematian dan meningkatkan hasil pengobatan pasien. Penelitian ini bertujuan untuk mengevaluasi efektivitas empat algoritma pembelajaran mesin—Regresi Logistik, Random Forest, Support Vector Machine (SVM), dan K-Nearest Neighbors (KNN)—dalam memprediksi penyakit jantung, dengan fokus pada peningkatan kinerja model menggunakan Analisis Diskriminan Linear (LDA) untuk reduksi fitur. Di antara model yang diuji, SVM mencapai akurasi tertinggi sebesar 84,24%, diikuti oleh Regresi Logistik dengan 83,70%. Meskipun Random Forest dan KNN menunjukkan akurasi yang lebih rendah, semua model memperoleh manfaat dari reduksi dimensi yang diberikan oleh LDA. Studi ini menunjukkan bahwa SVM yang dikombinasikan dengan LDA merupakan solusi optimal untuk prediksi penyakit jantung secara dini dan akurat dalam industri kesehatan.
Kata kunci: linear discriminant analysis (LDA); machine learning; penyakit jantung; reduksi fitur; SVM.