Abstract:Abstract: Choosing the right elementary school is a crucial milestone for a child's future. However, the large number of school options in Asahan Regency with diverse criteria such as accreditation, facilities, fees, curriculum,…
riculum, and accessibility often makes it difficult for parents. Decision-making tends to be based on subjective word-of-mouth recommendations, which risks triggering bias. This research aims to develop an adaptive and objective web-based elementary school selection Decision Support System (DSS) framework to minimize such bias. The system is designed using a hybrid model that combines the Simple Multi-Attribute Rating Technique (SMART) method as a dynamic criteria weighting engine based on parents' preferences, and the Technique for Order of Preference by Similarity to Ideal Solution (TOPSIS) method to rank ten alternative schools. System testing was conducted through black-box testing functionality and empirical accuracy testing using Spearman Rank Correlation involving 40 respondents. The black-box testing results confirmed that all main system operations ran perfectly with a 100% success rate. Validity testing demonstrated very high accuracy, with a Spearman correlation coefficient of 0.89, demonstrating significant alignment between the system's recommendations and actual choices on the ground. Thus, the SMART-TOPSIS framework has proven reliable as a data-driven approach to helping parents choose the best elementary school.
Keywords: decision support system; elementary school; SMART; TOPSIS
Abstrak: Memilih sekolah dasar yang tepat merupakan tonggak awal krusial bagi masa depan anak. Namun, banyaknya pilihan sekolah di Kabupaten Asahan dengan keberagaman kriteria seperti akreditasi, fasilitas, biaya, kurikulum, dan aksesibilitas sering kali menyulitkan orang tua. Pengambilan keputusan pun cenderung didasarkan pada rekomendasi subjektif dari mulut ke mulut, yang berisiko memicu bias. Penelitian ini bertujuan mengembangkan kerangka kerja Sistem Pendukung Keputusan (SPK) pemilihan sekolah dasar berbasis web yang adaptif dan objektif guna meminimalkan bias tersebut. Sistem dirancang menggunakan model hibrida yang mengombinasikan metode *Simple Multi-Attribute Rating Technique* (SMART) sebagai mesin pembobotan kriteria dinamis sesuai preferensi orang tua, serta metode *Technique for Order of Preference by Similarity to Ideal Solution* (TOPSIS) untuk memeringkat sepuluh sekolah alternatif. Pengujian sistem dilakukan melalui uji fungsionalitas *black-box testing* dan uji akurasi empiris menggunakan Korelasi Peringkat Spearman dengan melibatkan 40 responden. Hasil *black-box testing* mengonfirmasi seluruh operasi utama sistem berjalan sempurna dengan tingkat keberhasilan 100%. Uji validitas menunjukkan akurasi sangat tinggi dengan koefisien korelasi Spearman sebesar 0,89, membuktikan keselarasan signifikan antara rekomendasi sistem dan pilihan nyata di lapangan. Dengan demikian, kerangka SMART-TOPSIS ini terbukti andal sebagai pendekatan berbasis data untuk membantu orang tua memilih sekolah dasar terbaik.
Kata kunci: sekolah dasar; sistem pendukung keputusan; SMART; TOPSIS
Abstract:Abstract: Query performance is a critical factor in managing large-scale databases. One of the most widely used optimization techniques is indexing. This study aims to analyze the impact of indexing on query performance…
in PostgreSQL, compare the effectiveness of B-Tree and Hash indexes, and evaluate their influence on query planner decisions. A quantitative experimental approach was employed using the TPC-H benchmark dataset at scale factors SF0.1, SF1, and SF10. Experiments were conducted using EXPLAIN ANALYZE on exact match, range, and join queries under three conditions: without indexing, with B-Tree indexing, and with Hash indexing. The results demonstrate that indexing significantly improves query performance. For exact match queries on the SF10 dataset, execution time decreased from 93.36 ms without indexing to 0.034 ms using B-Tree and 0.045 ms using Hash indexes. For join queries, execution time was reduced from 857.77 ms to 0.180 ms using B-Tree and 0.079 ms using Hash indexes. B-Tree showed consistent performance across different query types, while Hash achieved the best results for equality-based queries. Furthermore, index usage influenced query planner decisions in selecting more efficient execution strategies. These findings indicate that appropriate index selection can substantially improve data access efficiency in PostgreSQL.
Keywords: b-tree index; hash index; PostgreSQL; query optimization; query planner
Abstrak: Performa query merupakan faktor penting dalam pengelolaan basis data berskala besar. Salah satu teknik optimasi yang umum digunakan adalah indexing. Penelitian ini bertujuan menganalisis pengaruh penggunaan indexing terhadap performa query pada PostgreSQL, membandingkan efektivitas B-Tree dan Hash index, serta mengevaluasi pengaruhnya terhadap keputusan query planner. Penelitian menggunakan metode eksperimen kuantitatif dengan dataset benchmark TPC-H pada skala SF0.1, SF1, dan SF10. Pengujian dilakukan menggunakan EXPLAIN ANALYZE pada exact match query, range query, dan join query dalam kondisi tanpa index, menggunakan B-Tree index, dan Hash index. Hasil penelitian menunjukkan bahwa indexing meningkatkan performa query secara signifikan. Pada exact match query dataset SF10, execution time menurun dari 93,36 ms tanpa index menjadi 0,034 ms menggunakan B-Tree dan 0,045 ms menggunakan Hash index. Pada join query, execution time berkurang dari 857,77 ms menjadi 0,180 ms menggunakan B-Tree dan 0,079 ms menggunakan Hash index. B-Tree menunjukkan performa yang konsisten pada berbagai jenis query, sedangkan Hash index memberikan performa terbaik pada query berbasis equality. Selain itu, penggunaan index memengaruhi keputusan query planner dalam memilih strategi eksekusi yang lebih efisien. Hasil penelitian menunjukkan bahwa pemilihan metode indexing yang tepat dapat meningkatkan efisiensi akses data pada PostgreSQL
Kata kunci: b-tree index; hash index; optimasi query; PostgreSQL; query planner
Abstract:Abstract: Existing IoT anomaly detection studies have achieved high classification performance, but most focus on accuracy and F1-score without explicitly controlling the false positive rate (FPR). In addition, many approaches…
oaches rely on a single detection perspective, limiting their operational reliability. To address this gap, this study proposes a hybrid anomaly detection framework integrating Long Short-Term Memory (LSTM), Shannon entropy, and autoencoder reconstruction error. Shannon entropy is incorporated as an additional feature, while LSTM and the autoencoder capture temporal and reconstruction characteristics. The resulting hybrid representation is processed by a constraint-based threshold selection mechanism that enforces FPR . Experiments on the TON-IoT and Edge-IIoTset datasets achieved average F1-scores of 0.9250 and 0.9934, while maintaining average FPR values of 0.0091 and 0.0714, respectively. Analysis of entropy distributions showed consistent differences between normal and anomalous traffic across both datasets, indicating that Shannon entropy provides discriminative information for anomaly detection. These results demonstrate strong detection performance with controlled false alarms, while ablation studies confirm the significant contribution of Shannon entropy to overall model performance.
Keywords: false positive rate; hybrid deep learning; Internet of Things; network anomaly detection; Shannon entropy
Abstrak: Penelitian deteksi anomali Internet of Things (IoT) telah menunjukkan performa klasifikasi yang tinggi, namun sebagian besar masih berfokus pada accuracy dan F1-score tanpa mengendalikan false positive rate (FPR) secara eksplisit. Selain itu, banyak pendekatan hanya memanfaatkan satu perspektif deteksi sehingga reliabilitas operasionalnya masih terbatas. Untuk mengatasi kesenjangan tersebut, penelitian ini mengusulkan kerangka deteksi anomali hybrid yang mengintegrasikan Long Short-Term Memory (LSTM), Shannon entropy, dan autoencoder reconstruction error. Shannon entropy digunakan sebagai fitur tambahan, sedangkan LSTM dan autoencoder menangkap karakteristik temporal dan deviasi rekonstruksi. Representasi hybrid yang dihasilkan kemudian diproses melalui mekanisme constraint-based threshold selection dengan batas FPR . Hasil pengujian pada dataset TON-IoT dan Edge-IIoTset menghasilkan F1-score rata-rata sebesar 0,9250 dan 0,9934, dengan FPR rata-rata sebesar 0,0091 dan 0,0714. Perbedaan nilai entropy yang konsisten antara trafik normal dan anomali pada kedua dataset menunjukkan bahwa Shannon entropy menyediakan informasi diskriminatif untuk deteksi anomali. Hasil tersebut menunjukkan performa deteksi yang kuat dengan false alarm yang terkendali, sementara studi ablasi mengonfirmasi kontribusi signifikan Shannon entropy terhadap performa model.
Kata kunci: deteksi anomali jaringan; false positive rate; hybrid deep learning; Internet of Things; Shannon entropy
Abstract:Abstract: The advancement of digital technology has made it easier to create, process, and distribute files—using 317 files from the dataset https://www.kaggle.com/datasets/axon data/selfie-and-official-id-photo-dataset-18k…
t-18k images?select=metadata_image.csv has also introduced new challenges, such as the increasing practice of digital file manipulation that is difficult to detect visually. Therefore, an intelligent digital forensics system that can automatically and accurately detect file authenticity is required. This study aims to develop an intelligent digital forensics system for detecting file manipulation by leveraging metadata analysis and the Random Forest classification method. The methods used include extracting metadata from digital files—such as time information, device details, and processing history—followed by analysis to identify patterns of inconsistency that indicate manipulation. This data is then used as features in the classification process using the Random Forest algorithm to distinguish between original and manipulated files. The results of this study are expected to show that the use of metadata analysis combined with the Random Forest algorithm can improve accuracy in detecting digital file manipulation compared to conventional methods. The resulting system is expected to provide an effective, efficient, and integrated solution to support digital forensic investigations, Based on the test results, the system demonstrated good performance with an accuracy rate of 94%.
Keywords: Digital Forensics;File Manipulation;Metadata Analysis;Random Forest;Classification;Machine Learning
Abstrak:Perkembangan teknologi digital telah meningkatkan kemudahan dalam pembuatan, pengolahan,dan distribusi file sebanyak 317 file, sumber datasets https:// www.kaggle.com/datasets/axondata/selfie-and-official-id-photo-dataset-18k-images?select =metadata_image.csv, namun juga menimbulkan tantangan baru berupa meningkatnya praktik manipulasi file digital yang sulit dideteksi secara kasat mata. Oleh karena itu, diperlukan suatu sistem forensik digital yang cerdas dan mampu mendeteksi keaslian file secara otomatis dan akurat. Penelitian ini bertujuan untuk mengembangkan sistem forensik digital cerdas untuk deteksi manipulasi file dengan memanfaatkan analisis metadata dan metode klasifikasi Random Forest. Metode yang digunakan meliputi proses ekstraksi metadata dari file digital, seperti informasi waktu, perangkat, dan riwayat pengolahan, kemudian dilakukan analisis untuk menemukan pola ketidaksesuaian yang mengindikasikan adanya manipulasi. Selanjutnya, data tersebut digunakan sebagai fitur dalam proses klasifikasi menggunakan algoritma Random Forest untuk membedakan antara file asli dan file yang telah dimanipulasi. Hasil dari penelitian ini diharapkan menunjukkan bahwa penggunaan analisis metadata yang dikombinasikan dengan algoritma Random Forest mampu meningkatkan akurasi dalam mendeteksi manipulasi file digital dibandingkan metode konvensional. Sistem yang dihasilkan dapat memberikan solusi yang efektif, efisien, dan terintegrasi dalam mendukung proses investigasi forensik digital, Berdasarkan hasil pengujian, sistem menunjukkan performa yang baik dengan tingkat akurasi sebesar 94%.
Kata Kunci: Forensik Digital, Manipulasi File, Metadata, Random Forest, Klasifikasi, Machine Learning.
Abstract:Abstract: Toko Zuma faces challenges in optimizing customer relationship management and transaction recording due to conventional manual systems, which hinder real-time loyalty monitoring and sales analysis. This research…
h aims to design a digital Electronic Customer Relationship Management (E-CRM) system as an integrative solution for systematic and centralized management. The design method employs Unified Modeling Language (UML) for requirements analysis, user interface design, and Black-box Testing for validation. Results demonstrate a 100% success rate across all primary modules. The platform features Point Reward, automated transaction management, and live chat for direct interaction. Implementation enables personalized promotional strategies based on accurate data to increase customer retention. In conclusion, the Digital E-CRM system effectively automates business processes, serving as a strategic instrument for transparent and measurable customer relationship management.
Keywords: digital e-crm; relationship management; toko zuma; transaction activities.
Abstrak: Toko Zuma menghadapi kendala dalam optimalisasi manajemen hubungan pelanggan dan pencatatan transaksi karena masih menggunakan sistem manual konvensional. Penelitian ini bertujuan merancang sistem Electronic Customer Relationship Management (E-CRM) digital sebagai solusi integratif untuk pengelolaan basis data dan transaksi secara terpusat. Metode perancangan meliputi analisis kebutuhan menggunakan Unified Modeling Language (UML), desain antarmuka, dan validasi fungsional melalui Black-box Testing. Hasil pengujian menunjukkan tingkat keberhasilan 100% pada seluruh modul utama. Platform ini dilengkapi fitur Point Reward, manajemen transaksi otomatis, dan media interaksi live chat. Implementasi sistem ini memungkinkan strategi promosi personal berdasarkan data akurat untuk meningkatkan retensi pelanggan. Simpulannya, sistem E-CRM digital berhasil mengotomatisasi proses bisnis dan menjadi instrumen strategis dalam manajemen hubungan pelanggan yang transparan dan terukur.
Kata kunci: aktivitas transaksi; digital e-crm; pengelolaan relasi; toko zuma.
Abstract:Abstract: Manual meeting documentation risks losing important information due to cognitive fatigue. Although automated summarization models have evolved, integrated end-to-end systems for Indonesian spoken language remain…
n highly limited. This study aims to design and evaluate an end-to-end automated meeting summarization architecture that directly integrates Automatic Speech Recognition (ASR) via OpenAI Whisper for transcription and the IndoT5 language model for abstractive summarization. IndoT5 was fine-tuned using a dataset of 486 Indonesian spoken language transcript pairs. Testing was conducted on a CPU infrastructure using MP4, MP3, and WAV formats. Results show the optimal fine-tuning configuration significantly improved accuracy, achieving ROUGE-1 (0.4167), ROUGE-2 (0.1973), and ROUGE-L (0.2701) scores. Computationally, the system achieved a Real-Time Factor below 1, processing data faster than the actual recording duration. Conclusively, integrating Whisper and IndoT5 shows potential in producing coherent meeting summaries with lightweight computational overhead, making it viable for local infrastructure implementation to ensure data privacy.
Keywords: abstractive summarization; ASR; end-to-end pipeline; IndoT5; real-time factor
Abstrak: Dokumentasi rapat manual rentan menghilangkan informasi penting akibat keterbatasan kognitif. Meskipun model peringkas otomatis telah berkembang, implementasi sistem terintegrasi (end-to-end) khusus percakapan lisan berbahasa Indonesia masih sangat terbatas. Penelitian ini bertujuan merancang dan mengevaluasi arsitektur peringkas rapat otomatis end-to-end yang mengintegrasikan langsung Automatic Speech Recognition (ASR) melalui OpenAI Whisper untuk transkripsi dan model bahasa IndoT5 untuk peringkasan abstraktif. Adaptasi domain dilakukan melalui fine-tuning IndoT5 menggunakan 486 pasang dataset transkrip lisan berbahasa Indonesia. Pengujian pada infrastruktur CPU menggunakan format MP4, MP3, dan WAV. Hasil pengujian menunjukkan konfigurasi fine-tuning optimal berhasil meningkatkan akurasi, dengan skor ROUGE-1 (0,4167), ROUGE-2 (0,1973), dan ROUGE-L (0,2701). Sistem mendemonstrasikan efisiensi komputasi dengan nilai Real-Time Factor di bawah 1, mengindikasikan waktu pemrosesan lebih cepat dari durasi rekaman asli. Kesimpulannya, integrasi Whisper dan IndoT5 menunjukkan potensi dalam menghasilkan ringkasan yang koheren dengan beban komputasi ringan, sehingga layak diimplementasikan pada infrastruktur lokal organisasi untuk menjaga privasi data.
Kata kunci: ASR; end-to-end pipeline; IndoT5; peringkasan abstraktif; real-time factor
Abstract:Abstract: Anomalous sound detection is essential for industrial predictive maintenance, as machine failures often originate from subtle acoustic changes during operation. However, high background noise and limitations of…
conventional Convolutional Neural Networks (CNN) reduce detection reliability. This study proposes a 1D-CNN-based anomaly detection framework with multi-view feature fusion and temporal segmentation to enhance detection performance. The approach combines MFCC, Log-Mel Spectrogram, and Chroma STFT features, while temporal segmentation divides audio signals into 5-second segments to better capture transient anomalies. Experiments on the MIMII dataset under varying Signal-to-Noise Ratio (SNR) conditions show that MFCC and Log-Mel fusion achieves the best performance, with 97.90% accuracy and ROC-AUC of 0.9789. The model maintains accuracy above 90% at −6 dB, demonstrating strong robustness in noisy industrial environments.
Keywords: industrial anomaly detection; 1D-CNN; multi-view feature fusion; temporal segmentation; MIMII dataset.
Abstrak: Deteksi anomali suara merupakan komponen penting dalam sistem pemeliharaan prediktif industri, karena kegagalan mesin sering diawali oleh perubahan akustik yang bersifat halus selama proses operasi. Namun, tingkat kebisingan yang tinggi serta keterbatasan arsitektur Convolutional Neural Network (CNN) konvensional dapat menurunkan keandalan deteksi. Penelitian ini bertujuan mengusulkan kerangka deteksi anomali berbasis 1D-CNN yang mengintegrasikan strategi fusi fitur multi-view dan segmentasi temporal untuk meningkatkan kinerja deteksi. Pendekatan yang digunakan menggabungkan fitur MFCC, Log-Mel Spectrogram dan Chroma STFT, sementara teknik temporal splitting membagi sinyal audio menjadi segmen berdurasi 5 detik untuk menangkap anomali yang bersifat sementara. Eksperimen menggunakan dataset MIMII pada berbagai kondisi Signal-to-Noise Ratio (SNR) menunjukkan bahwa kombinasi MFCC dan Log-Mel Spectrogram menghasilkan kinerja terbaik dengan akurasi 97,90% dan ROC-AUC sebesar 0,9789. Model juga mempertahankan akurasi di atas 90% pada kondisi kebisingan ekstrem (−6 dB) yang menunjukkan ketahanan yang baik dalam lingkungan industri yang bising.
Kata kunci: deteksi anomali industri; 1D-CNN; fusi fitur multi-view; segmentasi temporal; dataset MIMII
Abstract:Abstract: The rapid growth of e-commerce mobile applications has generated large volumes of user reviews, making manual sentiment analysis increasingly impractical. This study aims to compare the effectiveness of three machine…
achine learning algorithms Support Vector Machine (SVM), Random Forest, and Naive Bayes for automated sentiment classification of Indonesian-language mobile application reviews. A dataset of 3,000 user reviews from the RupaRupa application on the Google Play Store was collected and preprocessed through normalization, tokenization, stopword removal, and stemming. TF-IDF vectorization was applied for feature extraction, while the Synthetic Minority Over-sampling Technique (SMOTE) was used to address class imbalance across three sentiment categories: positive, negative, and neutral. The results show that SVM achieved the highest accuracy of 90.02%, while Random Forest obtained the best F1-score of 88.08% when sufficient training data were available. Naive Bayes demonstrated relatively stable performance across varying training data sizes. Furthermore, TF-IDF keyword analysis revealed that negative reviews were primarily associated with delivery issues, technical problems, and pricing concerns. These findings demonstrate the effectiveness of machine learning approaches for sentiment classification and provide practical insights for improving mobile application services.
Keywords: sentiment analysis; machine learning; SMOTE; TF-IDF; text classification
Abstrak: Pertumbuhan pesat aplikasi mobile e-commerce telah menghasilkan volume ulasan pengguna yang sangat besar, sehingga analisis sentimen secara manual menjadi semakin tidak praktis. Penelitian ini bertujuan untuk membandingkan efektivitas tiga algoritma machine learning Support Vector Machine (SVM), Random Forest, dan Naive Bayes dalam melakukan klasifikasi sentimen otomatis terhadap ulasan aplikasi mobile berbahasa Indonesia. Dataset yang digunakan terdiri dari 3.000 ulasan pengguna aplikasi RupaRupa yang dikumpulkan dari Google Play Store. Data kemudian diproses melalui tahapan preprocessing yang meliputi normalisasi, tokenisasi, penghapusan stopword, dan stemming. Ekstraksi fitur dilakukan menggunakan metode Term Frequency–Inverse Document Frequency (TF-IDF), sedangkan ketidakseimbangan kelas ditangani menggunakan Synthetic Minority Over-sampling Technique (SMOTE) pada tiga kategori sentimen, yaitu positif, negatif, dan netral. Hasil penelitian menunjukkan bahwa SVM mencapai tingkat akurasi tertinggi sebesar 90,02%, sementara Random Forest memperoleh nilai F1-score terbaik sebesar 88,08% ketika tersedia data pelatihan yang memadai. Naive Bayes menunjukkan performa yang relatif stabil pada berbagai ukuran data pelatihan. Selain itu, analisis kata kunci berbasis TF-IDF mengungkapkan bahwa ulasan negatif terutama berkaitan dengan masalah pengiriman, kendala teknis aplikasi, dan isu harga. Temuan ini menunjukkan bahwa pendekatan machine learning efektif untuk klasifikasi sentimen serta memberikan wawasan yang bermanfaat dalam meningkatkan kualitas layanan aplikasi mobile.
Kata Kunci: analisis sentimen; pembelajaran mesin; SMOTE; TF-IDF; klasifikasi teks.
Abstract:Abstract: Automated batik motif classification is challenged by high inter-class similarity and texture complexity. This study proposes a hybrid model integrating MobileNetV2 as a feature extractor and Support Vector Machine…
hine (SVM) as the classifier to optimize accuracy and efficiency. Utilizing a Kaggle dataset of 8,640 images across 20 batik categories, the data was partitioned into 420 training images per class (Dayak: 360) and 15 testing images per class. The results demonstrate superior performance with 96.00% accuracy, exceeding the 90% target. The system showed high computational efficiency with a total execution time of 359.92 seconds and feature extraction taking only 22.63 seconds. This hybrid approach provides an ideal performance balance for resource-constrained mobile applications.
Keywords: batik classification; MobileNetV2; support vector machine; hybrid model; computational efficiency
Abstrak: Klasifikasi motif batik secara otomatis menghadapi tantangan kemiripan visual antar-kelas yang tinggi. Penelitian ini bertujuan mengoptimalkan akurasi dan efisiensi pengenalan batik menggunakan model hibrida MobileNetV2 sebagai pengekstraksi fitur dan Support Vector Machine (SVM) sebagai klasifikator. Menggunakan dataset Kaggle berisi 8.640 citra dari 20 kategori batik, data dibagi menjadi 420 citra latih per kelas (kecuali Batik Dayak 360) dan 15 citra uji per kelas. Hasil eksperimen menunjukkan performa impresif dengan akurasi 96,00%, melampaui target awal 90%. Sistem ini sangat efisien dengan total waktu eksekusi 359,92 detik, di mana ekstraksi fitur hanya membutuhkan 22,63 detik. Kombinasi MobileNetV2 dan SVM memberikan keseimbangan performa ideal untuk implementasi pada perangkat bergerak dengan sumber daya terbatas.
Kata kunci: klasifikasi batik; MobileNetV2; Support Vector Machine; Hybrid Model; efisiensi komputasi
Abstract:Abstract: Libraries function not only as information centers but also as literacy spaces that require an orderly and communicative service environment. One supporting service in fostering such an environment is the delivery…
ery of literacy greetings to visitors. In practice, greetings are commonly delivered manually or through conventional bells, leading to inconsistency and dependence on staff availability. This study was conducted at the Amir Machmud Library, Ministry of Home Affairs, Jakarta, Indonesia, aiming to design and evaluate a Python-based scheduled audio alarm system for automated literacy greetings. An applied experimental method was employed, including system design, Python script development, scheduling configuration using Windows Task Scheduler, and direct system testing on a library computer connected to ceiling speakers. The system requires initial execution via Command Prompt (CMD) when the computer is powered on, after which it operates automatically according to predefined schedules. Testing results demonstrate that the system performs scheduled audio playback accurately and operates stably without further manual intervention. The findings indicate that the proposed system provides a practical and efficient solution to enhance service consistency and support a structured and conducive literacy environment in the library.
Keywords: scheduled audio alarm; library automation; python; literacy greeting.
Abstrak: Perpustakaan tidak hanya berfungsi sebagai pusat informasi, tetapi juga sebagai ruang literasi yang memerlukan suasana layanan yang tertib dan komunikatif. Salah satu bentuk dukungan layanan tersebut adalah penyampaian sapaan literasi kepada pengunjung. Dalam praktiknya, penyampaian sapaan masih dilakukan secara manual atau menggunakan bel konvensional sehingga kurang konsisten dan bergantung pada petugas. Penelitian ini dilaksanakan di Perpustakaan Amir Machmud, Kementerian Dalam Negeri, Jakarta, Indonesia, dengan tujuan merancang dan menguji sistem alarm audio terjadwal berbasis Python sebagai media penyampaian sapaan literasi. Metode yang digunakan adalah metode eksperimental terapan melalui tahapan perancangan sistem, pengembangan skrip Python, konfigurasi penjadwalan menggunakan Windows Task Scheduler, serta pengujian langsung pada komputer perpustakaan yang terhubung dengan speaker plafon. Sistem bekerja dengan mekanisme inisialisasi awal melalui Command Prompt (CMD) saat komputer dinyalakan, kemudian selanjutnya berjalan otomatis sesuai jadwal yang telah ditentukan. Hasil pengujian menunjukkan bahwa sistem mampu memutar audio secara konsisten dan stabil pada waktu yang telah diatur tanpa intervensi lanjutan dari petugas. Dengan demikian, sistem ini dapat menjadi solusi sederhana dan efisien untuk mendukung terciptanya suasana literasi yang lebih terstruktur dan kondusif di lingkungan perpustakaan.
Kata kunci: alarm audio terjadwal; otomasi perpustakaan; python; sapaan literasi.