Abstract:Abstract: INET Computer Palembang, as a computer training institution, faces difficulties in understanding participant characteristics due to variations in age, educational background, and chosen course packages. This study…
udy aims to analyze participant criteria and group them based on similarities using the K-Means Clustering algorithm. The data used were historical records of course participants from 2022 to 2025. The research process followed the CRISP-DM stages, starting from data cleaning and transformation, determining the optimal number of clusters using the Elbow Method, to evaluating cluster quality with the Davies-Bouldin Index. The implementation was carried out using Python and the scikit-learn library. The results show that the optimal number of clusters is k=5 with a Sum of Squared Errors (SSE) value of 1064.66 and a Davies-Bouldin Index (DBI) score of 0.820, indicating good cluster quality. The resulting clustering provides a structured profile of participants and demonstrates that K-Means is effective in segmenting course participants. These findings are expected to assist the institution in designing more targeted training programs.
Keywords: clustering; data mining; elbow method; k-means; computer course
Abstract:Abstract: The management of veterinary drug stocks at the Veterinary Clinic Technical Implementation Unit (UPTD) of the North Sumatra Province Plantation and Livestock Service faces obstacles in the form of discrepancies…
between supply and demand, resulting in excess stock and budget waste. Uncertain demand for drugs is a factor that complicates decision-making in stock provision. This study aims to optimize drug stock management using the Mamdani fuzzy logic method, which is capable of handling data uncertainty and modeling information linguistically. Three input variables are used, namely initial stock, demand, and number of visits, with the output being the final stock. The process involves fuzzification, inference based on IF–THEN rules, and defuzzification using the centroid method. The results show that the developed system has a good accuracy level with a MAPE value of 17.52%, which means that this model is effective in providing optimal and efficient drug stock recommendations in a veterinary clinic environment.
Keywords: fuzzy mamdani; optimization; animal drug stock.
Abstract:Abstract: Non-performing loans remain one of the main challenges faced by cooperatives, particularly when the loan eligibility assessment process is still conducted manually. This traditional approach tends to be time consuming,…
nsuming, subjective, and prone to inaccurate decisions. This study aims to develop a predictive model for borrower eligibility using the Support Vector Machine (SVM) algorithm as a more efficient and objective machine learning-based solution. A total of 1,000 loan history records were processed using RapidMiner software, taking into account variables such as salary, years of employment, loan amount, monthly installment, employment status, monthly expenses, number of dependents, housing status, age, and collateral value. The model’s performance was evaluated using a confusion matrix and classification metrics including accuracy, precision, recall, and kappa. The results indicate that the SVM model achieved an accuracy of 90.05%, precision of 90.13%, recall of 90.05%, and f1 score of 90,08%, reflecting a strong performance in classifying borrower eligibility. The application of this method makes a significant contribution to the development of data driven decision support systems within cooperative environments. This finding expands the scientific understanding in the field of microfinance and supports the implementation of artificial intelligence technologies in making decisions that are more precise, rapid, and accurate.
Keywords: cooperative; eligibility prediction; machine learning; non-performing loan; SVM
Abstrak: Kredit macet merupakan salah satu permasalahan utama yang dihadapi koperasi, terutama ketika proses penilaian kelayakan peminjam masih dilakukan secara manual. Pendekatan ini cenderung lambat, subjektif, dan berisiko menghasilkan keputusan yang kurang akurat. Penelitian ini bertujuan untuk membangun model prediksi kelayakan peminjam menggunakan algoritma Support Vector Machine (SVM) sebagai solusi berbasis machine learning yang lebih efisien dan objektif. Sebanyak 1.000 data riwayat pinjaman diolah menggunakan tools RapidMiner dengan mempertimbangkan variabel: gaji, lama bekerja, besar pinjaman, angsuran per bulan, status pegawai, pengeluaran bulanan, jumlah tanggungan, status rumah, umur, dan nilai jaminan. Evaluasi model dilakukan menggunakan confusion matrix dan metrik klasifikasi seperti akurasi, presisi, recall, dan kappa. Hasil menunjukkan bahwa model SVM mencapai akurasi 90,05%, presisi 90,13%, recall 90,05%, dan f1 score 90,08%, yang mencerminkan performa model yang sangat baik dalam mengklasifikasikan kelayakan peminjam. Penerapan metode ini memberikan kontribusi penting dalam pengembangan sistem pendukung keputusan berbasis data di lingkungan koperasi. Temuan ini memperluas wawasan keilmuan di bidang keuangan mikro dan mendukung penerapan teknologi kecerdasan buatan dalam pengambilan keputusan yang lebih tepat, cepat, dan akurat.
Kata Kunci: koperasi; kredit macet; machine learning; prediksi kelayakan; SVM
Abstract:Abstract: This research is driven by the challenges faced by Universitas Lancang Kuning (UNILAK) in attracting applicants amidst intense competition, especially after the government's policy opened independent pathways to…
o State Universities (PTN) from 2022-2023, which impacted private university applicant numbers. To address this and support strategic planning, this study aims to predict the trend of prospective students applying to all study programs at UNILAK for the period 2025-2027. Two time series models were employed: ARIMA (AutoRegressive Integrated Moving Average) and LSTM (Long Short-Term Memory). Applicant data from 2019 to 2024 was used to build the model. The Augmented Dickey-Fuller (ADF) test confirmed the data's stationarity with a p-value of 0.0. ACF and PACF analyses determined the ARIMA parameters as p=1, d=1, q=1. The LSTM model was trained to capture more complex data patterns. ARIMA predictions for 2025, 2026, and 2027 are 3298.66, 3362.33, and 3371.30, respectively. LSTM predictions for the same years are 3335.64, 3476.52, and 3518.42. Evaluation using Root Mean Squared Error (RMSE) showed ARIMA (RMSE=588.72) to be more accurate than LSTM (RMSE=653.96). Nevertheless, LSTM provided a more optimistic prediction. This study concludes that ARIMA is better suited for short-term planning, while LSTM can be used for more ambitious long-term strategies.
Keywords: arima; LSTM; applicants; prediction; university
Abstrak: Penelitian ini didorong oleh tantangan Universitas Lancang Kuning (UNILAK) dalam menarik pendaftar di tengah persaingan ketat, khususnya setelah kebijakan pemerintah membuka jalur mandiri ke Perguruan Tinggi Negeri (PTN) sejak 2022-2023, yang menyebabkan penurunan jumlah pendaftar di universitas swasta. Untuk mendukung perencanaan strategis, studi ini bertujuan memprediksi tren jumlah calon mahasiswa yang mendaftar ke seluruh program studi di UNILAK untuk periode 2025-2027.Dua model deret waktu digunakan: ARIMA (AutoRegressive Integrated Moving Average) dan LSTM (Long Short-Term Memory). Data jumlah pendaftar dari 2019 hingga 2024 digunakan untuk membangun model. Uji Augmented Dickey-Fuller (ADF) menunjukkan data stasioner dengan p-value 0,0. Analisis ACF dan PACF menentukan parameter ARIMA sebagai p=1, d=1, q=1. Model LSTM dilatih untuk menangkap pola data yang lebih kompleks.Prediksi ARIMA untuk 2025, 2026, dan 2027 adalah 3298.66, 3362.33, dan 3371.30. Prediksi LSTM untuk tahun yang sama adalah 3335.64, 3476.52, dan 3518.42. Evaluasi menggunakan Root Mean Squared Error (RMSE) menunjukkan ARIMA (RMSE=588.72) lebih akurat daripada LSTM (RMSE=653.96). Meskipun demikian, LSTM memberikan prediksi yang lebih optimis. Studi ini menyimpulkan ARIMA lebih cocok untuk perencanaan jangka pendek, sementara LSTM dapat digunakan untuk strategi jangka panjang yang ambisius.
Kata kunci: arima; LSTM; pendaftar; prediksi; universitas
Abstract:Abstract: Rizky Convection Business is a sportswear production company based on Jalan Elang Lestari Kisaran. Every day they receive orders from schools and agencies that need sportswear. However, Rizky Convection often faces…
aces challenges, especially in managing raw material inventory, allocating production time and processing orders that come in large quantities. For this reason, order data needs to be grouped to make it easier for employees to work on it. The data that will be processed in this study is order data from 2022-2024. One way to do this is to apply data mining techniques, one of which is the K-Means Clustering method. The purpose of this study is to model the use of K-Means Clustering to improve production management and procurement of raw materials for fabrics at Rizky Convection. K-Means Clustering is the grouping of a number of data into clusters (groups) so that each cluster will contain data that is as similar as possible. The results of K-Means Clustering grouping with 3 clusters, namely cluster 1, the large order group has 25 order data, cluster 2, the small order group has 361 order data and cluster 3, the medium order group has 100 order data.
Keywords: data mining; order data; K-Means; sportswear manufacturing.
Abstrak: Usaha Konveksi Rizky merupakan perusahaan produksi pakaian olahraga yang berpusat di Jalan Elang Lestari Kisaran. Setiap hari mereka menerima pesanan dari sekolah dan instansi yang membutuhkan pakaian olahraga. Namun Konveksi Rizky sering menghadapi tantangan terutama dalam pengelolaan persediaan bahan baku kain, pengalokasian waktu produksi dan pemrosesan pesanan yang datang dalam jumlah banyak. Untuk itu, data pesanan perlu dikelompokkan untuk mempermudah karyawan dalam mengerjakannya. Data yang akan diproses pada penelitian ini adalah data pesanan dari tahun 2022-2024. Salah satu cara untuk hal tersebut adalah dengan menerapkan teknik data mining, salah satunya metode K-Means Clustering. Tujuan penelitian ini adalah untuk memodelkan penggunaan K-Means Clustering untuk meningkatkan manajemen produksi dan pengadaan bahan baku kain di Rizky Konveksi. K-Means Clustering adalah pengelompokan sejumlah data ke dalam cluster (group) sehingga setiap dalam cluster tersebut akan berisi data yang semirip mungkin. Hasil pengelompokkan K-Means Clustering dengan 3 cluster yaitu cluster 1 kelompok pesanan banyak memiliki 25 data pesanan, cluster 2 kelompok pesanan sedikit memiliki 361 data pesanan dan cluster 3 kelompok pesanan sedang memiliki 100 data pesanan.
Kata kunci: data mining; data pesanan; K-Means; konveksi.
Abstract:Abstract: Program Indonesia Pintar (PIP) is government assistance program aimed at supporting the education of underprivileged students. However, some PIP fund recipients are misallocated, with aid given to students who…
do not fully meet the eligibility criteria, while those in greater need don’t receive it, including at SDN 014672 Tanjung Alam, Asahan Regency, North Sumatra Province. Based on this issue, a structured system is needed. The purpose of this study is to construct decision support systems for determining PIP fund recipients using Additive Ratio Assessment (ARAS) method. Data was collected using questionnaires, documentation, and observation techniques. Respondents consisted of 8 students from SDN 014672 Tanjung Alam. Criteria include number of dependents, homeownership status, attendance rate, and students final grades. System was developed using CodeIgniter 3 as framework, MySQL as database software, and InnoDB as database engine. ARAS method was applied to rank available alternatives. Based on calculations, first rank was obtained by alternative 6 (Malika Hendra As-Syifa), second rank by alternative 7 (Mutia Indah Sari), and third rank by alternative 8 (Rafa Kavindra). This study is expected to be further developed by applying other DSS methods, performing regular system maintenance, and integrating system with school data to improve accuracy and usability.
Keywords: additive ratio assessment; decision support system; smart indonesia program.
Abstrak: Program Indonesia Pintar (PIP) merupakan bantuan pemerintah untuk mendukung pendidikan siswa kurang mampu. Namun, masih ditemukan penerima anggaran PIP yang kurang tepat sasaran, di mana bantuan diberikan kepada siswa yang kurang memenuhi kriteria, sementara siswa yang lebih membutuhkan tidak menerimanya, termasuk di SDN 014672 Tanjung Alam, Kabupaten Asahan, Provinsi Sumatera Utara. Berdasarkan permasalahan tersebut, dibutuhkan sebuah sistem terstruktur. Tujuan penelitian ini untuk membangun sistem pendukung keputusan penetapan pemeroleh anggaran PIP menggunakan metode Additive Ratio Assessment (ARAS). Data dikumpulkan dengan teknik angket, dokumentasi, dan observasi. Responden adalah 8 siswa SDN 014672 Tanjung Alam. Kriteria meliputi jumlah tanggungan orang tua, status kepemilikan rumah, tingkat kehadiran, dan nilai akhir siswa. Sistem dirancang menggunakan CodeIgniter 3 sebagai framework, MySQL sebagai database software, dan InnoDB sebagai database engine. Perhitungan dengan metode ARAS digunakan untuk merangking alternatif yang ada. Berdasarkan perhitungan yang dilakukan, peringkat pertama diperoleh oleh alternatif 6 yakni Malika Hendra As-Syifa, peringkat kedua diperoleh oleh alternatif 7 yakni Mutia Indah sari, dan peringkat ketiga diperoleh oleh alternatif 8 yakni Rafa Kavindra. Penelitian ini diharapkan dapat dikembangkan lebih lanjut dengan menerapkan metode Sistem Pendukung Keputusan (SPK) lainnya, melakukan pemeliharaan sistem secara berkala, serta mengintegrasikan sistem dengan data sekolah untuk meningkatkan keakuratan dan kemudahan penggunaan.
Kata kunci: additive ratio assessment; program indonesia pintar; sistem pendukung keputusan
Abstract:Abstract: The Halodoc application, as a digital healthcare service platform, has been widely used for various medical purposes, such as doctor consultations, medication purchases, and laboratory services. User interactions…
ns and reviews play a crucial role in enhancing service quality. Sentiment analysis was conducted using the Support Vector Machine (SVM) method to assess user perceptions and satisfaction based on reviews obtained from the Google Play Store platform. The analysis process included data collection, text preprocessing, data transformation using TF-IDF, and training an SVM model to predict sentiment. The model achieved its highest accuracy of 88.32% in the first scenario. However, accuracy slightly decreased in the second and third scenarios, reaching 86.25% and 86.94%, respectively. The analysis results indicated that the model performed best in the first scenario, with the lowest number of prediction errors. Additionally, the model was more accurate in classifying negative and positive sentiments than neutral ones.
Keywords: halodoc application; sentiment analysis; support vector machine algorithm
Abstrak: Aplikasi Halodoc, sebagai platform layanan kesehatan digital, telah banyak digunakan untuk berbagai keperluan medis seperti konsultasi dokter, pembelian obat, dan layanan laboratorium. Interaksi pengguna dan ulasan mereka memiliki peran krusial dalam meningkatkan mutu layanan. Analisis sentimen dilakukan dengan menggunakan metode Support Vector Machine (SVM) untuk mengetahui persepsi dan kepuasan pengguna berdasarkan ulasan yang diperoleh dari Platform Google Play Store. Proses analisis mencakup pengumpulan data, pra-pemrosesan teks, transformasi data menggunakan TF-IDF, dan pelatihan model SVM untuk memprediksi sentimen. Hasil pelatihan model dengan akurasi tertinggi sebesar 88,32% pada skenario pertama. Akurasi sedikit menurun pada skenario kedua dan ketiga, masing-masing sebesar 86,25% dan 86,94%, Hasil analisa menunjukkan bahwa model memiliki performa terbaik pada skenario pertama dengan jumlah kesalahan prediksi terkecil. Selain itu, model cenderung lebih akurat dalam mengklasifikasikan sentimen negatif dan positif dibandingkan netral..
Kata kunci: algoritma support vector machine; analisis sentimen; aplikasi halodoc
Abstract:Abstract: Infectious diseases are one of the most common health problems in children because they have immature immune systems. Children are more susceptible to infections caused by bacteria, viruses, fungi, and protozoa.…
. Some common infectious diseases in children include fever, acute respiratory infections (ARI), pneumonia, acute gastroenteritis (GAE), measles, chickenpox, and diphtheria. The limited number of pediatricians and the difficulty of accessing health facilities in remote areas hinder children's health services. To overcome this, an Android-based expert system is needed using the Naïve Bayes method to help diagnose infectious diseases in children earlier. The research method used is the Software Development Life Cycle (SDLC), where Black Box is used for internal testing, and PSSUQ is used to measure user satisfaction. The data set used was 1320 taken from a local hospital. The test results show that all the main features work as expected without any errors. The implementation of the system in diagnosing diseases went well and based on end-user feedback from 74 respondents, the system obtained a user satisfaction score of 6.40, where users felt that the system was easy to use, efficient, and provided clear and useful information.
Keywords: expert system; infectious disease; naïve bayes; PSSUQ; SDLC
Abstrak: Penyakit menular merupakan salah satu masalah kesehatan yang paling umum terjadi pada anak-anak karena mereka memiliki sistem kekebalan tubuh yang belum matang. Anak-anak lebih rentan terhadap infeksi yang disebabkan oleh bakteri, virus, jamur, dan protozoa. Beberapa penyakit infeksi yang umum terjadi pada anak-anak antara lain demam, infeksi saluran pernapasan akut (ISPA), pneumonia, gastroenteritis akut (GEA), campak, cacar air, dan difteri. Keterbatasan jumlah dokter spesialis anak dan sulitnya akses ke fasilitas kesehatan di daerah terpencil, menjadi kendala pada pelayanan kesehatan anak. Untuk mengatasi hal tersebut, diperlukan sistem pakar berbasis Android menggunakan metode Naïve Bayes untuk membantu mendiagnosis penyakit infeksi pada anak-anak lebih dini. Metode penelitian yang digunakan adalah Software Development Life Cycle (SDLC), di mana Black Box untuk pengujian internal, dan PSSUQ untuk mengukur kepuasan pengguna. Data set yang digunakan adalah 1320 yang diambil dari rumah sakit setempat. Hasil pengujian menunjukkan bahwa seluruh fitur utama berjalan sesuai harapan tanpa kesalahan. Implementasi sistem dalam mendiagnosa penyakit berjalan dengan baik dan berdasarkan umpan balik pengguna akhir dari 74 responden, sistem memperoleh skor kepuasan pengguna sebesar 6,40, di mana pengguna merasa sistem ini mudah digunakan, efisien, serta menyediakan informasi yang jelas dan bermanfaat.
Kata kunci: naïve bayes; penyakit menular; PSSUQ; SDLC; sistem pakar
Abstract:Abstract: Central Java has significant potential in the plantation sector with various commodities such as pepper, cloves, tobacco, tea, sugarcane, coffee, nutmeg, and patchouli. However, the abundance of commodities does…
s not guarantee that all of them provide maximum benefits. This study aims to recommend the most potential plantation commodities for development. The research utilizes plantation data from Central Java over the past few years, obtained from Satu Data Indonesia, covering land area, production, productivity, and the number of farmers. The evaluation criteria include land area, production, productivity, and the number of farmers. In the decision-making process, a Decision Support System (DSS) approach is applied using the Multi-Attributive Border Approximation Area Comparison (MABAC) method and the Preference Selection Index (PSI). The MABAC method is used to determine rankings, while PSI is used for criteria weighting. The results indicate that sugarcane, tobacco, and robusta coffee are the best commodities, with final scores of 0.419, 0.237, and 0.020, respectively. Therefore, it can be concluded that the most potential commodities for development in Central Java are sugarcane, tobacco, and robusta coffee.
Keywords: central java; MABAC; plantation; PSI
Abstrak: Jawa Tengah memiliki potensi besar di sektor perkebunan dengan berbagai komoditas seperti lada, cengkeh, tembakau, teh, tebu, kopi, pala, dan nilam. Tetapi dengan banyaknya komoditas, tidak memastikan bahwa semua komoditas memberikan manfaat yang maksimal. Penilitian ini bertujuan membuat rekomendasi komoditas perkebunan yang paling potensial untuk dikembangkan. Penelitian ini menggunakan data perkebunan di Jawa Tengah dalam beberapa tahun terakhir yang diperoleh dari Satu Data Indonesia, mencakup luas lahan, produksi, produktivitas, jumlah petani. Kriteria evaluasi yang digunakan meliputi luas lahan, produksi, produktivitas, jumlah petani. Dalam proses pengambilan keputusan, digunakan metode SPK dengan pendekatan (MABAC) serta (PSI). Metode MABAC digunakan untuk menentukan peringkat, sementara PSI digunakan untuk pembobotan kriteria. Hasil yang diperoleh dari penilitian ini yaitu Tebu, Tembakau, Robusta merupakan tanaman terbaik dengan hasil akhir 0,419, 0,237, 0,020. Oleh karena itu, dapat disimpulkan tanaman yang dapat dikembangkan dengan potensial di wilayah Jawa Tengah dengan berbagai macam komoditas yaitu komoditas Tebu, Tembakau, dan Robusta.
Kata kunci: jawa tengah; MABAC; perkebunan ; PSI
Abstract:Abstract: West Sumba Regency has many traditional villages, local dances and bu-daya festivals that can be seen as cultural tourist attractions. This is indicated by the increasing number of people visiting cultural tourist…
ist attractions in West Sumba. However, there are still few promotional and information services available for tourists related to cultural tourism to visit, such as location information, events and access to cultural tourism spots in West Sumba. Therefore, the purpose of this research is to create a mobile phone-based application that can promote bu-culture tourism in West Sumba Regency. The specific objective is to create a platform that makes it easy for tourists to explore and understand the cultural richness and cultural tourism destinations of West Sumba. This research uses a user-centered design (UCD) approach to create a successful mobile application. This application will help tourists get information about cultural tourism destinations in West Sumba. In addition, the app has additional features, such as maps, traditional villages, local dances, cultural festivals, event schedules and travel agents.
Keywords: Cultural Tourism; Design; Mobile Apps; west sumba
Abstrak: Kabupaten Sumba Barat memiliki banyak kampung adat, tarian lokal, dan festival budaya yang dapat dilihat sebagai tempat wisata budaya. Ini ditunjukkan oleh peningkatan jumlah orang yang mengunjungi tempat-tempat wisata budaya di Sumba Barat. Namun, masih sedikit layanan promosi dan informasi yang tersedia bagi para wisatawan terkait wisata budaya yang ingin dikunjungi, seperti informasi lokasi, acara dan akses ke tempat-tempat wisata budaya di Sumba Barat. Oleh karena itu, tujuan dari penelitian ini adalah untuk membuat aplikasi berbasis ponsel yang dapat mempromosikan wisata budaya di Kabupaten Sumba Barat. Tujuan khusus adalah untuk membuat sebuah platform yang memudahkan wisatawan untuk mengeksplorasi dan memahami kekayaan budaya dan destinasi wisata budaya Sumba Barat. Penelitian ini menggunakan pendekatan desain berbasis pengguna (UCD) untuk membuat aplikasi mobile yang berhasil. Aplikasi ini akan membantu wisatawan mendapatkan informasi tentang destinasi wisata budaya di Sumba Barat. Selain itu, aplikasi ini memiliki fitur tambahan, seperti peta, kampung adat, tarian lokal, festival budaya, jadwal acara, dan agen perjalanan wisata.
Kata kunci: aplikasi seluler; desain; sumba barat; wisata budaya