Abstract:Perkembangan teknologi informasi memberikan pengaruh besar dalam pengelolaan data di berbagai bidang, termasuk pendidikan. Pengelolaan data mahasiswa memerlukan sistem yang efektif agar proses penyimpanan, pencarian, penambahan,…
ambahan, dan penghapusan data dapat dilakukan dengan mudah. Salah satu struktur data yang dapat digunakan adalah Linked List. Linked List merupakan struktur data linear yang terdiri dari kumpulan node yang saling terhubung melalui pointer. Penelitian ini bertujuan untuk memahami implementasi Linked List pada pengelolaan data mahasiswa serta mengetahui kelebihan dan kekurangannya. Metode penelitian yang digunakan adalah metode deskriptif dengan teknik pengumpulan data melalui studi literatur dan observasi. Implementasi dilakukan menggunakan bahasa pemrograman Python dengan beberapa fitur utama seperti menambahkan data mahasiswa, menampilkan data, mencari data, dan menghapus data. Hasil penelitian menunjukkan bahwa penggunaan Linked List mempermudah pengelolaan data secara dinamis dibandingkan array, terutama dalam proses penambahan dan penghapusan data tanpa perlu menggeser elemen lain. Selain memiliki fleksibilitas tinggi, Linked List juga memiliki kelemahan yaitu membutuhkan memori tambahan untuk pointer dan proses pencarian data yang relatif lebih lambat. Dengan demikian, Linked List dapat menjadi salah satu solusi yang efektif dalam pengelolaan data mahasiswa pada sistem berbasis komputer.
Abstract:Abstract: This study is motivated by the underutilization of transaction data at Toko F3I Kisaran in supporting decision-making related to inventory and pricing strategies. Currently, decisions are made conventionally based…
sed on experience, which may lead to overstock or stockout conditions. This research aims to develop a sales prediction model by applying Data Mining techniques using the Multiple Linear Regression method to analyze the influence of stock and price variables on sales. The research methodology includes historical data collection, regression analysis, web-based system design using PHP and MySQL, and system testing through the Black Box method. The results indicate that the developed model is capable of generating measurable and systematic sales estimations based on stock and price variables. The implementation of this system can assist store management in planning inventory levels and pricing strategies more efficiently, thereby improving operational effectiveness and business competitiveness.
Keywords: data mining; multiple linear regression; PHP; sales prediction; web-based system
Abstrak: Penelitian ini dilatarbelakangi oleh belum optimalnya pemanfaatan data transaksi penjualan pada Toko F3I Kisaran dalam mendukung pengambilan keputusan terkait persediaan dan penetapan harga. Selama ini, keputusan masih dilakukan secara konvensional berdasarkan pengalaman, sehingga berpotensi menimbulkan overstock maupun stockout. Penelitian ini bertujuan untuk membangun model prediksi penjualan dengan menerapkan teknik Data Mining menggunakan metode Regresi Linier Berganda guna menganalisis pengaruh variabel stok dan harga terhadap penjualan. Metodologi penelitian meliputi pengumpulan data historis, analisis perhitungan regresi, perancangan sistem berbasis web menggunakan PHP dan MySQL, serta pengujian sistem dengan metode Black Box. Hasil penelitian menunjukkan bahwa model yang dibangun mampu menghasilkan estimasi penjualan berdasarkan variabel stok dan harga secara lebih terukur dan sistematis. Implementasi sistem ini dapat membantu manajemen toko dalam merencanakan jumlah persediaan dan strategi harga secara lebih efisien, sehingga meningkatkan efektivitas pengelolaan bisnis dan daya saing perusahaan.
Kata kunci: data mining; prediksi penjualan; regresi linier berganda; sistem berbasis web; PHP
Abstract:Abstract: Motorcycle sales are one of the key indicators of growth in Indonesia’s automotive industry. CV. Honda Karya Utama, as an authorized Honda motorcycle dealer, faces challenges due to unstable monthly sales fluctuations.…
ctuations. This uncertainty complicates stock planning, marketing strategy formulation, and may lead to potential losses caused by overstocking or understocking. To address these issues, this study aims to analyze the relationship between time and sales volume and to develop a predictive model that can assist management in making more effective business decisions.
The research was conducted using a quantitative method and a machine learning approach by applying a linear regression algorithm, implemented through the Python programming language and a MySQL database. The dataset used consists of monthly sales data over one year, analyzed to predict future sales trends. The results show that the linear regression algorithm can predict sales trends with a good level of accuracy, achieving evaluation values of MAPE 1.72%, MSE 1.76%, and RMSE 0.57. The developed model assists management in formulating marketing strategies, optimizing inventory planning, and minimizing financial risks. Therefore, linear regression can serve as an effective analytical tool to support strategic business decision-making at CV. Honda Karya Utama.
Keywords: motorcycle sales; linear regression; prediction; sales analysis
Abstrak: Penjualan sepeda motor merupakan salah satu indikator penting dalam pertumbuhan industri otomotif di Indonesia. CV. Honda Karya Utama sebagai dealer resmi sepeda motor Honda menghadapi tantangan berupa fluktuasi penjualan yang tidak stabil setiap bulannya. Ketidakpastian ini menyebabkan kesulitan dalam perencanaan stok, penentuan strategi pemasaran, serta berpotensi menimbulkan kerugian akibat kelebihan atau kekurangan persediaan. Untuk mengatasi permasalahan tersebut, penelitian ini bertujuan untuk menganalisis hubungan antara waktu dan jumlah penjualan serta membangun model prediksi yang dapat membantu manajemen dalam pengambilan keputusan bisnis yang lebih efektif. Penelitian dilakukan dengan metode kuantitatif dan pendekatan machine learning menggunakan algoritma regresi linier, dengan implementasi berbasis bahasa pemrograman Python dan basis data MySQL. Data yang digunakan berupa data penjualan bulanan selama satu tahun, yang kemudian dianalisis untuk memprediksi tren penjualan pada periode berikutnya. Hasil penelitian menunjukkan bahwa regresi linier mampu memprediksi tren penjualan dengan tingkat akurasi yang baik, dengan nilai evaluasi MAPE sebesar 1,72%, MSE 1,76%, dan RMSE 0,57. Model ini membantu manajemen dalam menyusun strategi pemasaran, mengoptimalkan perencanaan stok, serta meminimalkan risiko kerugian. Dengan demikian, regresi linier dapat menjadi alat bantu yang efektif dalam mendukung keputusan bisnis di CV. Honda Karya Utama.
Kata kunci: penjualan sepeda motor; regresi linier; prediksi; analisis penjualan
Abstract:ABSTRAK Sektor pertanian yang sangat berpengaruh untuk ekonomi Indonesia yaitu sektor perkebunan pada komoditas kelapa sawit. PT Bakrie Sumatera Plantations Tbk (BSP) bergerak di bidang penanganan kelapa sawit berskala besar…
besar dengan tujuan ekspor pada beberapa negara Asia. Berdasarkan pengolahan data panen produksi kelapa sawit pada 4 bulan terakhir September-Desember 2023 dengan variabel X1 = Jumlah Pohon, X2 = BJR dan Y = Jumlah Produksi. Setelah dilakukan analisis prediksi Liniear Regression pada pemrograman PHP maka di dapatlah prediksi untuk 2 bulan 2 bulan kedepan yaitu 4994.9631, 3946.508, 3719.006, 2627.764, 2420.786, 3571.860, 2540.4507, 2502.882, 930.894, 3717.267, 3075.809, 1948.738.
Abstract:Abstract: This research is motivated by the problem of building material inventory management at Jaqfar Building Store, which is still done manually and based on subjective estimates. This often results in inaccuracies in…
n determining stock levels, either in the form of overstock or understock, which hinders operational effectiveness. The purpose of this study is to apply the Multiple Linear Regression method to analyze the relationship between incoming stock (X1) and outgoing stock (X2) variables with the ending stock variable (Y) to produce an optimal inventory prediction model. The research methodology used includes collecting historical transaction data for building materials such as cement, ceramics, zinc, plywood, and iron. This web-based prediction system was developed using the PHP programming language and a MySQL database. The analysis results show that the resulting regression model can provide a mathematical picture of future inventory patterns based on historical data. Implementation of this system is expected to assist the management of Jaqfar Building Materials Store in making strategic decisions regarding purchasing and sales in a more measured and efficient manner.
Keyword: building materials; data mining; inventory; multiple linear regression
Abstrak: Penelitian ini dilatarbelakangi oleh permasalahan pengelolaan persediaan bahan bangunan di Toko Bangunan Jaqfar yang masih dilakukan secara manual dan berdasarkan perkiraan subjektif. Hal ini menyebabkan sering terjadinya ketidaktepatan dalam menentukan jumlah stok, baik berupa kelebihan barang (overstock) maupun kekurangan barang (understock) yang menghambat efektivitas operasional. Tujuan dari penelitian ini adalah menerapkan metode Multiple Linear Regression (Regresi Linear Berganda) untuk menganalisis hubungan antara variabel stok masuk (X1) dan stok keluar (X2) terhadap variabel stok akhir (Y) guna menghasilkan model prediksi persediaan yang optimal. Metodologi penelitian yang digunakan mencakup pengumpulan data historis transaksi bahan bangunan seperti semen, keramik, seng, triplek, dan besi. Sistem prediksi ini dikembangkan berbasis web menggunakan bahasa pemrograman PHP dan basis data MySQL. Hasil analisis menunjukkan bahwa model regresi yang dihasilkan mampu memberikan gambaran matematis mengenai pola persediaan di masa mendatang berdasarkan data historis. Implementasi sistem ini diharapkan dapat membantu manajemen Toko Bangunan Jaqfar dalam mengambil keputusan strategis terkait pembelian dan penjualan secara lebih terukur serta efisien.
Kata kunci: bahan bangunan; data mining; persediaan; regresi linear berganda
Abstract:Abstract: One of the main challenges in digital image processing is limited resolution, which makes it difficult to preserve visual details when images are enlarged. Conventional methods such as Bilinear Interpolation are…
e commonly used for image upscaling; however, these approaches often produce blurred images, lose fine textures, and fail to reconstruct complex visual structures. This study aims to enhance digital image resolution by employing a deep learni based approach using a Low-Light Convolutional Neural Network (LLCNN) built upon a Deep Neural Network (DNN) architecture. The dataset used in this study is the DIV2K dataset, which consists of 1,000 high-resolution images. These images were downsampled using scaling factors of ×2, ×3, and ×4 to generate paired Low Resolution–High Resolution (LR–HR) data for training and evaluation. The proposed LLCNN is designed to extract important features such as edges, textures, and local patterns through multiple convolutional layers, followed by non-linear mapping to reconstruct high-resolution images more accurately. Quantitative performance evaluation was conducted using the Peak Signal-to-Noise Ratio (PSNR) and the Structural Similarity Index (SSIM). Model performance was evaluated quantitatively using the Peak Signal-to-Noise Ratio (PSNR) metric. Experimental results showed that the proposed method improved image quality compared to the bilinear method. These results indicate that the deep learning based approach effectively improves image sharpness and structural fidelity, thereby demonstrating its potential for digital image resolution enhancement.
Keywords: deep neural network; image resolution; low-light convolutional neural network; machine learning
Abstrak: Permasalahan utama dalam pengolahan citra digital adalah keterbatasan resolusi yang menyebabkan detail visual sulit dipertahankan ketika citra diperbesar. Metode konvensional seperti Bilinear Interpolation masih banyak digunakan, namun sering menghasilkan citra buram, kehilangan tekstur halus, serta tidak mampu merekonstruksi struktur visual yang kompleks. Penelitian ini bertujuan untuk meningkatkan kualitas resolusi citra digital dengan memanfaatkan pendekatan deep learning berbasis Low-Light Convolutional Neural Network (LLCNN) yang dibangun di atas arsitektur Deep Neural Network (DNN). Data yang digunakan dalam penelitian ini berasal dari dataset DIV2K, yang terdiri dari 1000 citra beresolusi tinggi. Citra tersebut diturunkan menjadi resolusi rendah menggunakan faktor downsampling ×2, ×3, dan ×4 untuk membentuk pasangan data Low Resolution–High Resolution (LR–HR) sebagai data pelatihan dan pengujian. LLCNN dirancang untuk mengekstraksi fitur-fitur penting seperti tepi, tekstur, dan pola lokal melalui beberapa lapisan konvolusi, kemudian melakukan pemetaan non-linear guna merekonstruksi citra resolusi tinggi secara lebih presisi. Evaluasi performa model dilakukan secara kuantitatif menggunakan metrik Peak Signal-to-Noise Ratio (PSNR). Hasil eksperimen menunjukkan bahwa metode yang diusulkan mampu meningkatkan kualitas citra dibandingkan metode bilinear. Hasil ini membuktikan bahwa pendekatan berbasis deep learning efektif dalam meningkatkan ketajaman dan kesesuaian struktur citra digital.
Kata kunci: deep neural network; low-light convolutional neural network; machine learning; resolusi citra
Abstract:Abstract: The capital market plays an important role in describing the economic conditions of a country, and the IHSG is used as the main indicator to observe the movement of all stocks on the Indonesia Stock Exchange. Because…
ecause stock data is volatile and non-linear, the forecasting process becomes challenging, requiring methods that can capture historical patterns more accurately. This study aims to predict IHSG movements using the Long Short-Term Memory (LSTM) model to generate stable short-term predictions. Historical IHSG data was used to train the model, and accuracy was evaluated using Mean Squared Error (MSE). The results show that the model obtained an MSE 6784.0207, RMSE 82.3652 and MAPE 0.88%, indicating a relatively low prediction error rate. The visualization shows that the model's predictions are very close to the actual data, and the 60-day forecasting results show a potential increase in the IHSG of 1.05%. Thus, the LSTM model is capable of providing fairly accurate IHSG predictions and can be a useful tool for investors in analyzing short-term market movements.
Keywords: forecasting; JCI; long short term memory
Abstrak: Pasar modal memiliki peran penting dalam menggambarkan kondisi ekonomi suatu negara, dan IHSG digunakan sebagai indikator utama untuk melihat pergerakan seluruh saham di Bursa Efek Indonesia. Karena data saham bersifat fluktuatif dan tidak linear, proses peramalan menjadi tantangan, sehingga dibutuhkan metode yang mampu menangkap pola historis secara lebih akurat. Penelitian ini bertujuan memprediksi pergerakan IHSG menggunakan model Long Short-Term Memory (LSTM) untuk menghasilkan prediksi jangka pendek yang stabil. Data historis IHSG digunakan untuk melatih model, kemudian akurasi dievaluasi menggunakan Mean Squared Error (MSE). Hasil penelitian menunjukkan bahwa model memperoleh nilai MSE 6784.0207, RMSE 82.3652 dan MAPE 0.88% yang menandakan tingkat kesalahan prediksi relatif rendah. Visualisasi menunjukkan bahwa prediksi model sangat mendekati data aktual, dan hasil forecasting 60 hari ke depan memperlihatkan potensi kenaikan IHSG sebesar 1,05%. Dengan demikian, model LSTM mampu memberikan prediksi IHSG yang cukup akurat dan dapat menjadi alat bantu bagi investor dalam menganalisis pergerakan pasar jangka pendek.
Kata kunci: peramalan; JCI; memori jangka pendek
Abstract:Abstract: Current technological developments play a crucial role in driving the tourism industry, one of which is the utilization of technology. However, tourist attractions in border areas face challenges such as limited…
d access to digital information and a lack of interactive media to present local wisdom such as history, customs, and culture. This study aims to develop and implement a QR Code-based Web-based Augmented Reality (WebAR) to digitize local wisdom at tourist attractions, making information more engaging and accessible to tourists. The research methodology adopted three approaches: UCD (User-Centered Design), Agile methods, and TAM (Technology Acceptance Model). This platform contains the local wisdom of two tourist villages in the border area, namely Sebujit Village and Jagoi Babang Village. The results of testing and evaluation using multiple linear regression and SEM-PLS methods on 45 respondents showed that the WebAR technology acceptance model was significant (F = 6.583; p < 0.001). User Attitude (ATU) is a key variable that significantly influences Intention to Use (BI) (β=0.429; p=0.001), while Ease of Use (PEOU) and Benefit (PU) indirectly influence BI through ATU. As additional validation, the classification test yielded an accuracy of 88.90% and an F1-score of 0.941, confirming that QR Code-based WebAR is effective and well-received as a digital information and promotion medium for local wisdom in border areas.
Keywords: border areas; local wisdom; qr code; tourist attractions; web augmented reality.
Abstrak: Perkembangan teknologi saat ini memiliki peran penting dalam mendorong industri pariwisata, salah satunya dengan pemanfaatan teknologi. Namun, objek wisata di daerah perbatasan menghadapi tantangan seperti keterbatasan akses informasi digital dan kurangnya media interaktif untuk menyajikan kearifan lokal seperti sejarah, adat istiadat, dan budaya. Penelitian ini bertujuan untuk mengembangkan dan mengimplementasikan Web-based Augmented Reality (WebAR) berbasis QR Code untuk digitalisasi kearifan lokal objek wisata, menjadikan informasi lebih menarik dan mudah diakses bagi wisatawan. Metodologi penelitian mengadopsi tiga pendekatan, UCD (User-Centered Design), metode Agile, dan TAM (Technology Acceptance Model). Platform ini memuat kearifan lokal dua desa wisata di daerah perbatasan, yaitu Desa Sebujit dan Desa Jagoi Babang. Hasil pengujian dan evaluasi dengan metode regresi linier berganda dan SEM-PLS pada 45 responden menunjukkan bahwa model penerimaan teknologi WebAR ini signifikan (F = 6.583; p < 0.001). Sikap Pengguna (ATU) menjadi variabel kunci yang berpengaruh signifikan terhadap Niat Penggunaan (BI) (β=0.429; p=0.001), sementara Kemudahan Penggunaan (PEOU) dan Manfaat (PU) memengaruhi BI secara tidak langsung melalui ATU. Sebagai validasi tambahan, uji klasifikasi menghasilkan akurasi 88,90% dan F1-score 0,941, yang menegaskan bahwa WebAR berbasis Kode QR efektif dan dapat diterima dengan baik sebagai media informasi dan promosi digital kearifan lokal di wilayah perbatasan.
Kata Kunci: daerah perbatasan; kearifan lokal; qr code; web augmented reality.
Abstract:Abstract: On-time graduation is an important indicator in measuring the success of higher education and reflects the effectiveness of the academic process in higher education. Royal University, especially the Information…
Systems Study Program, still faces challenges in increasing the percentage of students who graduate on time. This study aims to identify factors that influence students' on-time graduation and build a prediction model using the multiple linear regression method. This method was chosen because it is able to analyze the simultaneous influence of several independent numeric variables on one dependent variable, making it suitable for studying the complex relationship between factors that influence student graduation. The independent variables analyzed in this study include GPA, parental income, and student part-time jobs with student graduation as the dependent variable. The results showed that parental income and part-time jobs had a significant positive effect on on-time graduation, while GPA had a negative effect. The model built had an R² value of 0.6153 and a standard error of 4.0653, indicating that the model was quite strong and accurate. These findings recommend Universitas Royal to strengthen the academic monitoring system and support working students, as well as design policies based on students' socio-economic conditions to increase the on-time graduation rate.
Keywords: multiple linear regression; on-time graduation; students.
Abstrak: Kelulusan tepat waktu merupakan indikator penting dalam mengukur keberhasilan pendidikan tinggi serta mencerminkan efektivitas proses akademik di perguruan tinggi. Universitas Royal, khususnya Program Studi Sistem Informasi, masih menghadapi tantangan dalam meningkatkan persentase mahasiswa yang lulus tepat waktu. Penelitian ini bertujuan untuk mengidentifikasi faktor-faktor yang memengaruhi kelulusan tepat waktu mahasiswa serta membangun model prediksi menggunakan metode regresi linear berganda. Metode ini dipilih karena mampu menganalisis pengaruh simultan beberapa variabel independen numerik terhadap satu variabel dependen, sehingga sesuai untuk mengkaji hubungan kompleks antar faktor yang memengaruhi kelulusan mahasiswa. Variabel independen yang dianalisis dalam penelitian ini meliputi IPK, penghasilan orangtua, dan pekerjaan sambilan mahasiswa dengan kelulusan mahasiswa sebagai variabel dependen. Hasil penelitian menunjukkan bahwa penghasilan orangtua dan pekerjaan sambilan berpengaruh positif signifikan terhadap kelulusan tepat waktu, sedangkan IPK justru memiliki pengaruh negatif. Model yang dibangun memiliki nilai R² sebesar 0,6153 dan standar error 4,0653, menandakan model cukup kuat dan akurat. Temuan ini merekomendasikan Universitas Royal untuk memperkuat sistem monitoring akademik dan mendukung mahasiswa yang bekerja, serta merancang kebijakan berbasis kondisi sosial-ekonomi mahasiswa guna meningkatkan angka kelulusan tepat waktu.
Kata kunci: kelulusan tepat waktu; mahasiswa; regresi linear berganda.
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.