Abstract:Abstract: Mental health is an essential aspect of overall well-being, particularly for university students vulnerable to emotional strain. This study aims to identify clusters of student mental health trends using the K-Means…
Means clustering technique. The research involved 60 students from four academic programs at the Faculty of Science and Technology, selected using stratified and cluster sampling techniques. Data were collected using a modified Mental Health Inventory (MHI). The results revealed distinct commonalities among majors: the Statistics program was predominantly defined by the depressed cluster at 53.3%, while Mathematics followed at 40% within the same cluster. In contrast, Biology students predominantly fell under the neu-tral/stable cluster (66.7%), whilst Information Systems students exhibited an even distribution (33.3% per cluster) without a dominant trend. The clustering quality was evaluated using the Silhouette Coefficient, yielding a range of 0.39 to 0.60. Biology (0.60) and Statistics (0.54) exhibited a reasonable structure, but Information Systems (0.39) and Mathematics (0.34) demonstrated a deficient structure. In conclusion, K-Means effectively discerns mental health patterns, providing a data-driven basis for targeted psychological interventions in educational settings.
Keywords: biology; information systems; k-means; mathematics; mental health; silhouette coefficient; statistics
Abstrak: Kesehatan mental merupakan komponen vital dari kesejahteraan total, terutama bagi maha-siswa yang rentan terhadap stres emosional. Penelitian ini bertujuan untuk mengidentifikasi kelompok tren kesehatan mental mahasiswa melalui penerapan metode pengelompokan K-Means. Studi ini mencakup 60 mahasiswa dari empat program studi di Fakultas Sains dan Teknologi, yang dipilih melalui metode pengambilan sampel bertingkat dan kelompok. Data dikumpulkan dengan menggunakan Inventaris Kesehatan Mental (MHI) yang dimodifikasi. Temuan menunjukkan kesamaan yang jelas di antara jurusan: program studi Statistika terutama ditandai oleh kelompok depresi (53,3%), diikuti oleh Matematika dengan 40% dalam kelompok depresi. Sebaliknya, mahasiswa Biologi terutama termasuk dalam kelompok netral/stabil (66,7%), sedangkan mahasiswa Sistem Informasi memiliki distribusi yang merata (33,3% per kelompok) tanpa pola yang dominan. Kualitas pengelompokan dinilai dengan Koefisien Sil-houette, menghasilkan rentang 0,39 hingga 0,60. Biologi (0,60) dan Statistika (0,54) memiliki struktur sedang, sedangkan Sistem Informasi (0,39) dan Matematika (0,34) menunjukkan struktur yang buruk. Kesimpulannya, K-Means secara akurat mengidentifikasi tren kesehatan mental, menawarkan landasan berbasis data untuk terapi psikologis yang ditargetkan di ling-kungan pendidikan.
Kata kunci: biologi; kesehatan mental; K-Means; matematika; silhouette coefficient; sistem in-formasi; statistika
Abstract:Abstract: Understanding students’ emotional conditions is important for evaluating engagement and learning atmosphere in classroom environments. However, conventional evaluation methods are often subjective and difficult…
lt to apply in real time. Therefore, this study proposes a real-time multi-face emotion detection system designed for classroom learning environments. The system integrates a CNN-based Tiny Face Detector for multi-scale face localization with a convolutional neural network to classify seven facial emotions: angry, disgust, fear, happy, sad, surprise, and neutral. Experimental evaluation was conducted using classroom video data under varying lighting conditions, face orientations, partial occlusions, and different numbers of detected faces per frame. The proposed system achieves stable real-time performance with processing speeds ranging from 10–20 FPS, depending on face density. The results show higher recognition performance for expressive emotions, while subtle emotions remain more challenging. Overall classification accuracy reaches above 80% when emotion predictions are aggregated across multiple faces and time windows. These results indicate that the proposed system is suitable for objective analysis of emotional dynamics in classroom environments and supports the deployment of lightweight emotion-aware monitoring systems for educational applications.
Keywords: classroom monitoring; convolutional neural network; facial emotion recognition; multi-face detection; tiny face detector.
Abstrak: Pemahaman terhadap kondisi emosional mahasiswa penting untuk mengevaluasi keterlibatan dan suasana pembelajaran di kelas. Namun, metode evaluasi konvensional umumnya bersifat subjektif dan sulit diterapkan secara real-time. Oleh karena itu, penelitian ini mengusulkan sistem deteksi emosi multi-wajah secara real-time yang dirancang untuk lingkungan pembelajaran di kelas. Sistem mengintegrasikan Tiny Face Detector berbasis CNN untuk pelokalan wajah multi-skala dengan jaringan saraf konvolusional untuk mengklasifikasikan tujuh emosi wajah, yaitu marah, jijik, takut, senang, sedih, terkejut, dan netral. Evaluasi eksperimen dilakukan menggunakan data video kelas dengan variasi kondisi pencahayaan, orientasi wajah, oklusi parsial, serta jumlah wajah yang berbeda dalam satu frame. Sistem menunjukkan kinerja real-time yang stabil dengan kecepatan pemrosesan antara 10–20 FPS, bergantung pada kepadatan wajah. Hasil pengujian menunjukkan kinerja yang lebih baik pada emosi ekspresif, sementara emosi dengan ciri halus lebih menantang untuk dikenali. Akurasi klasifikasi keseluruhan mencapai di atas 80% ketika hasil emosi diagregasi berdasarkan banyak wajah dan interval waktu. Hasil ini menunjukkan bahwa sistem yang diusulkan berpotensi digunakan untuk analisis objektif dinamika emosi di kelas serta mendukung pemantauan lingkungan pembelajaran berbasis kecerdasan buatan.
Kata kunci: pengenalan emosi wajah; deteksi multi-wajah; Tiny Face Detector; jaringan saraf konvolusional; pemantauan kelas.
Abstract:Abstract: Hospitals play an important role in examining the scan results of patient data infected with the Covid 19 virus. However, there are problems when processing the scan results, namely that sometimes errors occur…
in the scan data, causing many failures and delays in sending data to the Health Office. The purpose of this study is to build a Desktop-based decision support system application that can facilitate hospitals in selecting the eligibility of the scan results of Covid 19 patient data. The urgency in examining the scan results of Corona patient data is a very pressing public health issue, because the long-term impact is very significant for patients. Thus, a scientific discipline is needed that can support the decision-making process, namely the Decision Support System using the Preference Selection Index (PSI) method. PSI is a simple and easy calculation method, based on statistical concepts without having to determine attribute weights. The results of this method are clear and firm values based on the level of strength of the rules applied. The results of the research conducted on the PSI process can be concluded that valid Covid 19 patient data is Recap File I with a value of 0.2042 which is declared valid and accepted.
Keywords: covid-19; decision support system; PSI
Abstract:Abstract: Due to the successful conversion from LPG stoves to electric stoves, which are unsupported by the village’s electricity supply—averaging 450 watts—while government-provided stoves have a power rating of 900…
wer rating of 900 watts, making them unsuitable for use in Tomuanhollbung Village. To address this issue, the research team designed a stove that uses waste oil (35,000 kJ/kg) and incorporated embedded system technology, utilizing the French design research method. The research results indicated that by using a DC motor with specifications of 12VDC/3A, 3800 rpm, and a valve diameter of 9.7 x 9.5 x 3.3 cm, a power output of 36W was achieved, with a pressure of 288.7 Pa or 0.00289 bar and an angular velocity of 398.1 rad/s. When the burner stove was first ignited, the flame appeared yellow. With a voltage of 3.7VDC/3A, it produced a rotation of 3795 rpm, a yellow flame, a flame height of 8 cm from the stove, and a flame width diameter of approximately 18 cm. At a voltage of 3.7VDC, the pressure measured 0.000964 bar, with a flame temperature of 275°C (as measured by an infrared sensor). A voltage of 7.4VDC resulted in a pressure of 0.0192 bar and a flame temperature of 350°C, while a voltage of 11.8VDC produced a pressure of 0.0289 bar with a maximum flame temperature of 420°C. For fuel consumption over 10 minutes at 3.7VDC/3A, the flame height reached 7-10 cm, with a wind pressure of 0.000964 bar and a fuel consumption of 0.237 grams.
Keywords : embedded system burner stove; microcontroller; snail dc motor.
Abstrak: Dilatar belakangi masalah kelangkaan elpiji didesa tomuanhollbung, serta tidak berhasilnya konversi kompor elpiji menuju kompor listrik karena daya listrik rumah masyarakat berdaya 450wat, daya kompor pemerintah 900watt, sehingga tidak bisa digunakan. Dari masalah tersebut, tujuan utama penelitian ini merancang kompor berbahan bakar oli bekas, yang mampu mengatasi masalah kelangkaan gas elpiji dan tidak terpakainya kompor dari pemerintah psat. Metode penelitian ini menggnakan metode prototype sehingga menghasilkan satu produk kompor burner dengan mengatur kecepatan motor DC. Hasil penelitian mendapati data pengujian mendapati bahwa dengan menggunakan motor DC Keong spesifikasi tegangan 12VDC/3A, 3800 rpm, dengan diameter katup 9,7 x 9.5 x 3.3cm menghasilkan daya 36W, dengan tekanan 288.7Pa atau 0.00289bar kecepatan sudut 398.1 rad/s. Ketika kompor burner pertama kali dinyalakan, warna api berwarna kunig. Jika tegangan 3.7VDC/3A akan menghasilkan putaran 3795rpm nyala api kuning, tinggi api 8cm dari tunggku kompor, dan diameter lebar keluarnya api dari tungku berkisar 18cm. Tegangan 3,7VDC maka menghasilkan tekanan 0.000964bar, nyala api 275 0C (pembacaan sensor infrared). Tegangan 7.4VDC menghasilkan tekanan 0.0192 bar, nyala api 350 0C, dan Tegangan 11.8 VDC tekanan 0.0289 bar, nyala api maksimal 420 0C. Untuk konsumsi bahan bakar selama 10 menit, dengan tegangan 3.7VDC/3A mendapati nyala api setinggi 7-10 cm, tekanan angin senilai 000964 bar dan konsumsi bahan bakar 0.237 gram. Kesimpulan penelitian ini mendapati bahwa nyala api kompor burner bisa di atur seperti nyala api kompor elpiji pada umum nya.
Kata kunci: kompor burner embedded system, microcontroller, motor dc keong.
Abstract:Abstract: Technology is a tool for processing, storing and modifying data to obtain informatio. Decision Support System (DSS) a based model-based with data processing procedures and considerations to assist manager in decision…
ecision making. In the context of UD.Wendy Jaya which still uses manual methods for selecting superior cement, this is considered less effective and ineffcient, resulting in cement selection that does not meet the criteria and lacks accuracy. This research employs a quantitative method with the aim of determining decisions for selecting superior cemen and designing a decision support system using the Simple Additive Weighting (SAW) method based on predetermined criteria. The implementation result show that the decision support system for determining superior cement provides convenience and speed in selecting superior cement at UD Wendy Jaya according to the expected criteria. The results of calculations using the simple additive weighting (SAW) method rank each alternative, with the most superior alternative being three-wheel cement, considering several criteria such as price, compressive, strength, fineness, water capacity and setting time.
Keywords: simple additive weighting (SAW); decision support system; UD.wendy jaya
Abstrak: Teknologi adalah alat untuk mengolah, menyimpan, dan memodifikasi data guna mendapatkan informasi. Sistem Pendukung Keputusan (Decision Support System/DSS) merupakan sistem berbasis model dengan prosedur pemrosesan data dan pertimbangan untuk membantu manajer dalam pengambilan keputusan. Dalam konteks Toko UD. Wendy Jaya, yang masih menggunakan cara manual untuk pemilihan semen unggul, hal ini dianggap kurang efektif dan tidak efisien, mengakibatkan pemilihan semen tidak sesuai kriteria dan tidak akurat. Penelitian ini menggunakan metode kuantitatif, dengan tujuan untuk mengetahui keputusan pemilihan semen unggul dan merancang sistem pendukung keputusan menggunakan metode Simple Additive Weighting (SAW) berdasarkan kriteria yang ditentukan. Hasil implementasi menunjukkan bahwa sistem pendukung keputusan Menentukan Semen Unggul memberikan kemudahan dan kecepatan dalam pemilihan semen unggul pada Toko UD. Wendy Jaya sesuai dengan kriteria yang diharapkan. Hasil dari perhitungan dengan menggunakan metode Simple Additive Weighting (SAW) adalah perangkingan setiap alternatif yaitu diperoleh alternatif yang paling unggul adalah semen tiga roda ditinjau dari beberapa kriteria harga, kuat tekanan, kehalusan, kapasitas air dan waktu mengeras.
Kata kunci: simple additive weighting (SAW); sistem pendukung keputusan; UD.wendy jaya
Abstract:Abstract: Recognizing one's interests and talents early on is crucial in guiding an individual toward a prosperous future. While distinct, interests and talents share a close relationship. Interest denotes a genuine attraction…
action to something without external pressure, and when consistently nurtured, it evolves into a skill or talent. Machine learning, specifically utilizing the SVM algorithm with the RBF kernel, can be applied to categorize interests and talents. Prior to SVM modeling, conducting Exploratory Data Analysis (EDA) is imperative for scrutinizing interests and talents. This analysis facilitates the identification of variables, enabling the elimination of missing values and ensuring the selection of appropriate interest and talent variables. The primary objective is to achieve optimal accuracy in modeling the classification of interests and talents. The insights gained from this research contribute to the creation of an application designed for categorizing interests and talents within SDN XYZ school. This application is designed for student use, assisting them in making informed decisions about their future education and career paths
Keywords: exploratory data analysis; interests and talents; machine learning; SVM Algorithm
Abstrak: Mengenali minat dan bakat seseorang sejak dini sangat penting dalam membimbing individu menuju masa depan yang sukses. Meskipun berbeda, minat dan bakat memiliki hubungan yang erat. Minat mengindikasikan ketertarikan yang tulus terhadap sesuatu tanpa tekanan eksternal, dan ketika terus-menerus dibina, berkembang menjadi keterampilan atau bakat. Pembelajaran mesin, khususnya dengan menggunakan algoritma SVM dan kernel RBF, dapat digunakan untuk mengelompokkan minat dan bakat. Sebelum pemodelan SVM, melakukan Analisis Data Eksploratif (EDA) sangat penting untuk mengkaji minat dan bakat. Analisis ini memfasilitasi identifikasi variabel, memungkinkan penghilangan nilai yang hilang, dan memastikan pemilihan variabel minat dan bakat yang tepat. Tujuan utamanya adalah mencapai akurasi optimal dalam pemodelan klasifikasi minat dan bakat. Temuan dari penelitian ini berkontribusi pada pengembangan aplikasi yang ditujukan untuk mengkategorikan minat dan bakat di sekolah SDN XYZ. Aplikasi ini dirancang untuk digunakan oleh siswa, membantu mereka membuat keputusan yang terinformasi mengenai pendidikan dan karier masa depan mereka.
Kata kunci: Algoritma SVM; exploratory data analysis; machine learning; minat dan bakat
Abstract:Abstract: There are a great number of academics that are now conducting research on sentiment analysis by employing supervised and machine learning techniques. The research can be carried out with the assistance of a variety…
iety of sources, including reviews of movies, reviews of Twitter, reviews of online products, blogs, discussion forums, and other social networks. With the progress of technology, individuals may now effortlessly utilize social media platforms to access and share information, as well as express their viewpoints to the general public, without any constraints of distance or time. Twitter is a social media network that serves as a repository for opinions. Diverse techniques are employed to provide optimal and realistically precise pressure detection. The analysis and discussion affirm that the Support Vector Machine (SVM) was effectively employed in this study, utilizing public opinion data on television program reviews in Indonesia. An SVM classifier is employed to examine the Twitter data set by utilizing various parameters. The study successfully completed the preprocessing process by collecting a total of 400 data points, consisting of 320 reviews from 4 television shows for training data and 80 reviews for testing. The data was filtered and classified using SVM, with 200 positive and 200 negative data points for comparison. The experiment utilized the SVM method using TF-IDF to achieve the most accurate test results. The test accuracy was 80%, while the training data accuracy reached 100%.
Keywords: Sentiment Analysis; Support Vector Machine; Television Shows Review, TF-IDF,
Abstrak: Saat ini, banyak akademisi sedang menyelidiki analisis sentimen melalui pemanfaatan teknik yang diawasi dan pembelajaran mesin. Kajian dapat dilakukan dengan menggunakan beberapa sumber seperti review film, review Twitter, review produk online, blog, forum diskusi, atau jejaring sosial lainnya. Dengan kemajuan teknologi, masyarakat kini dapat dengan mudah memanfaatkan platform media sosial untuk mengakses dan berbagi informasi, serta menyampaikan pandangan mereka kepada masyarakat umum, tanpa batasan jarak dan waktu. Twitter adalah jaringan media sosial yang berfungsi sebagai gudang opini. Beragam teknik digunakan untuk menghasilkan deteksi tekanan yang optimal dan presisi secara realistis. Analisis dan pembahasan menegaskan bahwa Support Vector Machine (SVM) efektif digunakan dalam penelitian ini, memanfaatkan data opini publik tentang review program televisi di Indonesia. Pengklasifikasi SVM digunakan untuk memeriksa kumpulan data Twitter dengan memanfaatkan berbagai parameter. Penelitian berhasil menyelesaikan proses preprocessing dengan mengumpulkan total 400 titik data yang terdiri dari 320 review dari 4 acara televisi untuk data pelatihan dan 80 review untuk pengujian. Data disaring dan diklasifikasikan menggunakan SVM, dengan 200 titik data positif dan 200 titik data negatif sebagai perbandingan. Percobaan ini menggunakan metode SVM dengan menggunakan TF-IDF untuk mencapai hasil pengujian yang paling akurat. Akurasi pengujiannya mencapai 80%, sedangkan akurasi data pelatihan mencapai 100%.
Kata kunci: Analisis Sentimen, Review Tayangan Televisi, TF-IDF, Support Vector Machine
Abstract:Abstract: The habit of smoking is dangerous because of the addictive substances that make cigarettes addictive. Its addictive nature poses a significant risk, affecting personality with stress, depression and nervous disorders.…
orders. Body factors that indicate smoking include blood sugar levels, dental caries, and hemoglobin. To address this, research has been conducted with focused efforts to understand and address the risks associated with smoking and its impact on overall health. This research aims to choose the best method for predicting smokers by using feature selection techniques. The feature selection algorithms uses for that are Analysis of Variance (ANOVA), Recursive Feature Elimination (RFE), and Genetic Algorithm (GA) to select optimal attributes and uses the k-fold cross validation technique as the validation of the Artificial Neural Network algorithm. The data includes various parameters such as age, height, weight, vision, blood pressure, cholesterol, triglycerides, hemoglobin, AST, ALT, GTP, gender, dental caries and tartar. Hearing ability, urine protein content, and tartar were selected. The results showed that using the Analysis of Variance method showed higher accuracy (77.101%) compared to the Genetic Algorithm method (74.64%) and the Recursive Feature Elimination method (76.08%). Selection of relevant attributes increases the predictions and insights of the Artificial Neural Network model about the effects of smoking on health.
Keywords: artificial neural network; analysis of variance; genetic algorithm; recursive feature elimination; smoker prediction
Abstrak: Kebiasaan merokok berbahaya karena adanya zat adiktif yang membuat rokok menjadi ketagihan. Sifatnya yang membuat ketagihan menimbulkan risiko yang signifikan, mempengaruhi kepribadian dengan stres, depresi, dan gangguan saraf. Faktor tubuh yang mengindikasikan kebiasaan merokok antara lain kadar gula darah, karies gigi, dan hemoglobin. Untuk mengatasi hal ini, penelitian telah dilakukan dengan upaya terfokus untuk memahami dan mengatasi risiko yang terkait dengan merokok dan dampaknya terhadap kesehatan secara keseluruhan. Penelitian ini bertujuan untuk memilih metode terbaik dalam memprediksi perokok dengan menggunakan teknik seleksi fitur. Metode seleksi fitur yang digunakan adalah Analysis of Variance (ANOVA), Recursive Feature Elimination (RFE), dan Genetic Algorithm (GA) untuk memilih atribut yang optimal dan menggunakan teknik k-fold cross validation sebagai validasi algoritma Artificial Neural Network. Data tersebut mencakup berbagai parameter seperti umur, tinggi badan, berat badan, penglihatan, tekanan darah, kolesterol, trigliserida, hemoglobin, AST, ALT, GTP, jenis kelamin, karies gigi dan karang gigi. Kemampuan pendengaran, kandungan protein urin, dan karang gigi dipilih. Hasil penelitian menunjukkan bahwa penggunaan metode Analysis of Variance menunjukkan akurasi yang lebih tinggi (77,101%) dibandingkan dengan metode Genetic Algorithm (74,64%) dan metode Recursive Feature Elimination (76,08%). Pemilihan atribut yang relevan meningkatkan prediksi dan wawasan model Jaringan Syaraf Tiruan tentang dampak merokok terhadap kesehatan.
Kata kunci: artificial neural network; analysis of variance; genetic algorithm; prediksi perokok; recursive feature elimination
Abstract:Abstract: Twitter, as a social media platform, has rapidly grown as a means for people to express their opinions and thoughts on various topics, including education. The number of Twitter users surged to 10.645.000 in 2020,…
20, with a significant increase during the pandemic. Telkom University, as a private institution of higher education in Indonesia, has become one of the topics of discussion on Twitter. Users’ opinions about Telkom University vary, ranging from positive to negative. To gain deeper insights into public view, sentiment analysis is essential. The analysis follows the Knowledge Discovery in Databases (KDD) process, utilizing the Naive Bayes classification algorithm. The evaluation results indicate the best accuracy achieved with an 80:20 data split, resulting in an accuracy rate of 82.05%, precision of 82.3%, recall of 82.05%, and F1-Score of 82.08%. The Naïve Bayes model demonstrates good performance for sentiment analysis of public views regarding Telkom University on Twitter.
Keywords: naïve bayes; sentiment analysis; twitter; telkom university.
Abstrak: Media sosial Twitter berkembang pesat sebagai sarana masyarakat berekspresi untuk menuangkan opini dan pikiran mereka mengenai topik apapun, termasuk pendidikan. Pengguna Twitter meningkat tajam hingga 10.645.00 pengguna pada tahun 2020 dan terus meningkat selama pandemi. Telkom University sebagai perguruan tinggi menjadi salah satu topik yang dibicarakan yang berkaitan dengan pendidikan. Pendapat mengenai Telkom University yang diungkapkan oleh pengguna Twitter beragam, baik positif maupun negatif. Analisis sentimen diperlukan untuk memahami pandangan publik lebih mendalam. Digunakan tahapan Knowledge Discovery in Databases dan algoritma klasifikasi Naïve Bayes dalam analisis ini. Hasil evaluasi menunjukkan akurasi paling baik dicapai dengan rasio data 80:20, dengan nilai akurasi sebesar 82.05%, nilai presisi sebesar 82.3%, nilai recall sebesar 82.05%, dan nilai F1-Score sebesar 82.08%. Model klasifikasi Naïve Bayes memiliki performa baik untuk analisis sentimen pandangan publik di Twitter mengenai Telkom University.
Kata kunci: analisis sentimen; naïve bayes; twitter; telkom university.
Abstract:Abstract: Unemployment is a global economic issue that directly impacts human life in both developed and developing countries, especially in Indonesia, which, if ignored, will severely impact society's social dynamics. To…
o overcome this problem, forecasts are made so that later, the government can take policies to control and suppress the unemployment growth rate. This research aims to predict unemployment in Indonesia in 2023 using the Weighted Moving Average method, widely used to determine the trend of a time series, which is part of one of the Time Series methods that gives different weights. The dataset used was obtained from the Central Statistics Agency (BPS) relating to unemployment data from 2000 to 2022 (23 years). To analyze the level of accuracy of the results of this unemployment forecast using the MAD, MSE, and MAPE methods. This research concludes that the Weighted Moving Average method can be applied in predicting unemployment in Indonesia in 2023. The results of this research are a prediction of the number of unemployed in Indonesia, as many as 8,874,942 people at a weight value of 3 (three) where the accuracy of the MAD value is 745786.1833, the MSE value is 948402050986.3 and MAPE is 8.28%.
Keywords: forecasting; unemployment; weigth moving average; indonesia
Abstrak: Pengangguran menjadi isu ekonomi global yang berdampak secara langsung terhadap tingkat kehidupan manusia di negara-negara yang sudah maju maupun yang sedang berkembang khususnya di negara Indonesia, yang jika diabaikan akan berdampak serius terhadap dinamika sosial masyarakat. Untuk mengatasi permasalahan tersebut dibuatlah peramalan agar nantinya pemerinta dapat mengambil kebijakan dalam mengendalikan dan menekan angka pertumbuhan pengangguran tersebut. Penelitian ini bertujuan untuk memprediksi pengangguran di Indonesia pada tahun 2023 menggunakan metode Weighted Moving Average dimana metode ini banyak digunakan untuk menentukan trend dari suatu deret waktu yang merupakan bagian dari salah satu metode Time Series yang memberikan bobot yang berbeda-beda. Adapun dataset yang digunakan diperoleh dari Badan Pusat Satatistik (BPS) berkaitan dengan data pengangguran dari tahun 2000 sampai dengan tahun 2022 (selama 23 tahun). Untuk menganalisa tingkat akurasi dari hasil peramalan pengangguran ini memakai metode MAD, MSE, dan MAPE. Kesimpulan dari penelitian ini yaitu dapat diterapkannya metode Weighted Moving Average dalam memprediksi pengangguran di Indonesia pada tahun 2023. hasil dari penelitian ini berupa prediksi jumlah pengangguran di Indonesia sebanyak 8.874.942 orang pada nilai bobot 3 (tiga) dimana akurasi nilai MAD sebesar 745786,1833, nilai MSE sebesar 948402050986,3 dan MAPE sebesar 8,28 %.
Kata kunci: peramalan; pengangguran; weigth moving average; indonesia