Abstract:Abstract: Manual management of domain validity periods and SSL certificates is prone to human error and can cause service disruptions, as was the case at PT XYZ. A reactive approach that relies on vendor notifications has…
s proven to be insufficient to ensure operational continuity. This research aims to design and implement an automated monitoring system to transform this manual approach into a preventive and proactive security framework. The method used is the implementation of an open-source stack consisting of Prometheus to collect metrics from specialized exporters (Blackbox and Domain Exporter), and Grafana for informative centralized dashboard visualization. The system is also integrated with early warning notifications via Telegram for rapid incident response. The result is a functional system with a centralized dashboard that visually displays the remaining validity period of assets using color markers (green for safe status, yellow for early warning, and red for critical status). System testing showed very high accuracy, reaching 100% for domains (MAE 0 days) and 99.45% for SSL certificates (MAE 1.0 days). This system has successfully transformed manual processes into automated and preventive ones, significantly mitigating the risk of human error and ensuring the reliability of digital services.
Keywords: domain; grafana; monitoring; prometheus; SSL certificate.
Abstrak: Pengelolaan manual masa berlaku domain dan sertifikat SSL rentan terhadap human error dan dapat menyebabkan gangguan layanan, seperti yang pernah terjadi di PT XYZ. Pendekatan reaktif yang mengandalkan notifikasi vendor terbukti tidak lagi memadai untuk menjamin kontinuitas operasional. Penelitian ini bertujuan merancang dan mengimplementasikan sistem pemantauan otomatis untuk mentransformasi pendekatan manual tersebut menjadi kerangka kerja keamanan yang preventif dan proaktif. Metode yang digunakan adalah implementasi stack open-source yang terdiri dari Prometheus untuk mengumpulkan metrik dari exporter spesialis (Blackbox dan Domain Exporter), serta Grafana untuk visualisasi dasbor terpusat yang informatif. Sistem ini juga diintegrasikan dengan notifikasi peringatan dini melalui Telegram untuk respons insiden yang cepat. Hasilnya adalah sebuah sistem fungsional dengan dashboard terpusat yang menampilkan sisa masa berlaku aset secara visual menggunakan penanda warna (hijau untuk status aman, kuning untuk peringatan dini, dan merah untuk status kritis). Pengujian sistem menunjukkan akurasi yang sangat tinggi, mencapai 100% untuk domain (MAE 0 hari) dan 99.45% untuk sertifikat SSL (MAE 1.0 hari). Sistem ini berhasil mengubah proses manual menjadi otomatis dan preventif, secara signifikan memitigasi risiko human error dan menjamin keandalan layanan digital.
Kata kunci: domain; grafana; pemantauan; prometheus; sertifikat SSL.
Abstract:Abstract: The rapid growth of the digital music industry requires accurate music genre classification systems to enhance user experience in streaming services. This study compares a domain-specific Long Short-Term Memory…
(LSTM) network with three Large Language Models (LLMs)—HuBERT, WavLM, and WAV2Vec 2.0—for Music Genre Classification (MGC). The LSTM model was trained using Mel-spectrograms transformed from the GTZAN dataset, while the LLMs were fine-tuned using a smaller set of raw audio samples due to computational constraints. All models were tested on datasets with identical genre labels to ensure a fair evaluation. Results show that the LSTM model achieved the highest accuracy of 97.10%, outperforming HuBERT (86.00%), WavLM (83.00%), and WAV2Vec 2.0 (80.00%). The LSTM demonstrated superior generalization and stability without overfitting, while the LLMs struggled to differentiate between genres with similar acoustic characteristics. These findings indicate that general-purpose pre-trained models, although powerful, are less effective in music-specific tasks due to domain mismatch. Therefore, incorporating music-specific features and architectures remains essential for achieving higher accuracy and reliability in automatic genre classification systems.
Keywords: audio large language models; comparative deep learning; music genre classification.
Abstrak: Pertumbuhan industri musik digital yang pesat menuntut sistem klasifikasi genre musik yang akurat untuk meningkatkan pengalaman pengguna dalam layanan streaming. Penelitian ini dilatarbelakangi oleh perkembangan pesat model pembelajaran mendalam, khususnya jaringan LSTM dan model bahasa berskala besar LLM seperti HuBERT, WavLM, dan WAV2Vec 2.0, yang telah menunjukkan kemampuan representasi audio yang kuat. Tujuan penelitian ini ini membandingkan jaringan Long Short-Term Memory (LSTM) khusus domain dengan tiga model Large Language Models (LLM)—HuBERT, WavLM, dan WAV2Vec 2.0—untuk tugas Klasifikasi Genre Musik (MGC). Metode penelitian melibatkan pelatihan LSTM menggunakan data Mel-spectrogram hasil transformasi dari dataset GTZAN, sementara LLM disesuaikan (fine-tuning) menggunakan data audio mentah dalam jumlah lebih kecil karena keterbatasan komputasi. Seluruh model diuji pada dataset dengan label genre yang sama untuk memastikan evaluasi yang adil. Hasil penelitian menunjukkan bahwa model LSTM mencapai akurasi tertinggi sebesar 97,10%, sedangkan model HuBERT, WavLM, dan WAV2Vec 2.0 masing-masing memperoleh 86,00%, 83,00%, dan 80,00%. Model LSTM menunjukkan kemampuan generalisasi yang lebih baik tanpa overfitting, sedangkan model LLM cenderung kesulitan membedakan genre dengan karakteristik akustik yang mirip. Kesimpulan penelitian ini adalah ketidaksesuaian domain secara signifikan membatasi performa model umum saat diterapkan pada tugas berbasis musik. Oleh karena itu, penggunaan fitur dan arsitektur khusus musik sangat penting dalam membangun sistem klasifikasi genre yang lebih akurat.
Kata kunci: klasifikasi genre musik; model bahasa besar; perbandingan pembelajaran mendalam.
Abstract:Abstract: The development of digital learning systems requires not only effective content delivery but also database consistency and performance, particularly when used at scale by lecturers and students. Weaknesses in database…
atabase design can lead to data duplication, relational violations, and transaction failures that compromise system reliability. This study designed the Royal Mengajar application using PHP and MySQL, supported by JavaScript, HTML, and Bootstrap 5. The Crowdsourced Academic Content model enables lecturers to contribute learning materials openly, while students evaluate them through a user rating system. The objective of this research is to design and optimize the database architecture of the Royal Mengajar application by implementing multiple control mechanisms—namely views, triggers, transactions, and constraints—to enhance data efficiency, consistency, and integrity in digital learning environments. Database optimization focuses on the use of views to improve query efficiency, triggers to maintain automatic consistency, transactions to ensure atomicity in multi-table operations, and constraints to preserve data integrity. The results show that views reduced the average query execution time to 0.12 seconds, triggers maintained consistency without manual intervention, and constraints achieved 100% referential integrity. The application of these mechanisms significantly improved system speed, reduced data redundancy, and enhanced information reliability, thus reinforcing the sustainability of Royal Mengajar as a community-driven learning platform
Keywords: crowdsourced academic content; constraint; database optimization; trigger.
Abstrak: Pengembangan sistem pembelajaran digital tidak hanya menuntut penyajian materi, tetapi juga konsistensi serta kinerja basis data ketika sistem digunakan secara masif oleh dosen dan mahasiswa. Kelemahan rancangan database dapat menimbulkan duplikasi data, pelanggaran relasi, dan kegagalan transaksi yang memengaruhi keandalan sistem. Penelitian ini merancang aplikasi Royal Mengajar berbasis PHP dan MySQL dengan dukungan JavaScript, HTML, dan Bootstrap 5. Model Crowdsourced Academic Content memungkinkan dosen berkontribusi secara terbuka, sedangkan mahasiswa melakukan evaluasi melalui user rating system. Tujuan penelitian ini adalah untuk merancang dan mengoptimalkan basis data aplikasi Royal Mengajar melalui penerapan berbagai mekanisme pengendali, seperti view, trigger, transaction, dan constraint, guna meningkatkan efisiensi, konsistensi, dan integritas data dalam sistem pembelajaran digital. Optimalisasi database difokuskan pada penerapan view untuk efisiensi query, trigger untuk menjaga konsistensi otomatis, transaction untuk memastikan atomicity pada operasi multi-tabel, serta constraint guna menjamin integritas data. Hasil pengujian menunjukkan view menurunkan rata-rata waktu eksekusi query menjadi 0,12 detik, trigger menjaga konsistensi tanpa intervensi manual, dan constraint memastikan integritas referensial tercapai 100%. Penerapan mekanisme ini berdampak pada peningkatan kecepatan sistem, berkurangnya redundansi, serta keandalan informasi yang lebih tinggi, sehingga mendukung keberlanjutan Royal Mengajar sebagai platform pembelajaran berbasis kontribusi komunitas.
Kata kunci: basis data; optimasi; trigger; constraint; crowdsourced academic content.
Abstract:Abstract: In the era of sensitive health data and frequent cyberattacks, securing electronic medical records (EMR) has become a critical challenge. This study proposes a hybrid encryption framework combining Affine and AES…
ES algorithms with an AI-based key management module to enhance EMR security while maintaining efficiency. A dataset of 1,000 simulated records was evaluated using five cryptographic configurations: Affine-only, AES-only, RSA-only, Affine–AES, and Affine–AES with AI. Performance was measured through encryption/decryption latency and ciphertext size, while security was assessed under brute-force, SQL injection, and phishing simulations. The AI decision tree for key generation was evaluated using accuracy, precision, recall, F1-score, and entropy metrics. Results show that the AI-enhanced hybrid method eliminates brute-force success, introduces only minor latency overhead, and generates high-entropy keys with reliability above 98%. These findings indicate that integrating AI-based dynamic key regeneration into hybrid encryption can improve EMR security while remaining practical for clinical and cloud-based healthcare systems. Future work should involve real clinical datasets and explore post-quantum cryptographic extensions.
Keywords: AI key management; attack resistance; encryption performance; electronic medical records; hybrid encryption
Abstrak: Di era meningkatnya sensitivitas data kesehatan dan maraknya serangan siber, perlindungan Rekam Medis Elektronik (RME) menjadi tantangan penting. Penelitian ini mengusulkan kerangka enkripsi hibrida yang menggabungkan algoritma Affine dan AES dengan modul manajemen kunci berbasis AI untuk meningkatkan keamanan RME tanpa mengorbankan efisiensi. Dataset simulasi berisi 1.000 entri diuji menggunakan lima konfigurasi kriptografi: Affine-only, AES-only, RSA-only, Affine–AES, serta Affine–AES dengan AI. Performa diukur melalui latensi enkripsi/dekripsi dan ukuran ciphertext, sedangkan keamanan dievaluasi melalui simulasi serangan brute force, SQL injection, dan phishing. Model decision tree untuk manajemen kunci dinilai menggunakan metrik akurasi, presisi, recall, F1-score, dan entropi. Hasil menunjukkan bahwa metode hibrida dengan AI menghilangkan keberhasilan brute force, menambah overhead latensi yang minimal, serta menghasilkan kunci berentropi tinggi dengan reliabilitas di atas 98%. Temuan ini menunjukkan bahwa regenerasi kunci dinamis berbasis AI dalam skema enkripsi hibrida dapat meningkatkan keamanan RME sekaligus tetap praktis untuk sistem klinis dan layanan kesehatan berbasis cloud. Penelitian selanjutnya disarankan menggunakan dataset klinis nyata dan mengeksplorasi kriptografi pascakuantum.
Kata kunci: enkripsi hibrida; ketahanan serangan; kinerja enkripsi; manajemen kunci berbasis AI; rekam medis elektronik
Abstract:Abstract: In the era of the Internet of Things (IoT), cyber threats are increasingly complex and dynamic, thus demanding an adaptive and intelligent network security system. This study proposes a Convolutional Neural Network…
work (CNN)-based Intrusion Detection System (IDS) implemented through a Federated Learning (FL) approach in a Non-Independent and Identically Distributed (Non-IID) data environment. This approach allows the model to be trained in a distributed manner across multiple IoT devices without having to collect sensitive data to a central server, thereby maintaining data privacy while increasing the efficiency of the training process. The experiment used the CIC IoT 2023 dataset, which represents various modern IoT network traffic patterns. The results show that the proposed CNN–FL model achieves an overall accuracy of 0.99, with excellent performance in detecting various types of network traffic. The model obtains a perfect recall value (1.00) for normal traffic (Benign), as well as a very high F1-score for DDoS (0.99) and DoS (0.99) attacks. Stable and consistent performance across all five federation rounds demonstrates that this approach is a reliable, efficient, and accurate solution for detecting threats in distributed and privacy-preserving IoT networks.
Keywords: cnn; federated_learning; ids; non-iid; ciciot2023
Abstrak: Dalam era Internet of Things (IoT), ancaman siber semakin kompleks dan dinamis, sehingga menuntut sistem keamanan jaringan yang adaptif dan cerdas. Penelitian ini mengusulkan Intrusion Detection System (IDS) berbasis Convolutional Neural Network (CNN) yang diterapkan melalui pendekatan Federated Learning (FL) pada lingkungan data yang bersifat Non-Independent and Identically Distributed (Non-IID). Pendekatan ini memungkinkan model dilatih secara terdistribusi di berbagai perangkat IoT tanpa harus mengumpulkan data sensitif ke server pusat, sehingga mampu menjaga privasi data sekaligus meningkatkan efisiensi proses pelatihan. Eksperimen menggunakan dataset CIC IoT 2023, yang merepresentasikan berbagai pola lalu lintas jaringan IoT modern. Hasil penelitian menunjukkan bahwa model CNN–FL yang diusulkan mencapai akurasi keseluruhan sebesar 0.99, dengan performa yang sangat baik dalam mendeteksi berbagai jenis lalu lintas jaringan. Model memperoleh nilai recall sempurna (1.00) untuk lalu lintas normal (Benign), serta nilai F1-score yang sangat tinggi untuk serangan DDoS (0.99) dan DoS (0.99). Kinerja yang stabil dan konsisten di seluruh lima putaran federasi membuktikan bahwa pendekatan ini merupakan solusi yang andal, efisien, dan akurat untuk mendeteksi ancaman pada jaringan IoT yang bersifat terdistribusi dan menjaga privasi (privacy-preserving).
Kata kunci: cnn; federated_learning; ids; non-iid; ciciot2023
Abstract:Abstract: The global transition towards sustainable food systems faces significant challenges in vegetarian food supply chains, including transparency issues, distribution inefficiencies, and quality verification problems.…
s. This research proposes VegeChain development, a decentralized marketplace ecosystem based on smart contracts designed to transform vegetarian food supply chains and accelerate Meatless, Balanced, Green (MBG) program adoption. Using mixed-method methodology integrating blockchain system design, stakeholder analysis, and economic simulation, this research develops a comprehensive technology framework combining blockchain transparency, smart contract automation, and sustainable tokenomics with novel mathematical models. The system implements dynamic pricing algorithms based on Automated Market Maker (AMM) mechanisms, multi-objective optimization for supply chain efficiency, and reputation-based consensus protocols. Simulation results demonstrate that VegeChain implementation can improve supply chain efficiency by 35%, reduce food waste by 28%, and increase consumer trust by 42% measured through validated stakeholder satisfaction surveys (n=456) using 5-point Likert scales with statistical significance p<0.001. Technical innovations include Byzantine Fault Tolerant consensus with 99.9% reliability, gas optimization achieving 67% cost reduction, and real-time quality verification algorithms with 98.7% accuracy.
Keywords: smart contracts; supply chain optimization; automated market makers; blockchain technology; sustainable tokenomics
Abstract:Abstract: This study applies an integrated approach to optimize heart failure classification. The main objective is to address the challenge of class imbalance in medical datasets and to improve the accuracy, sensitivity,…
, and generalization of the classification model. The urgency of this issue is emphasized by statistics showing that cardiovascular diseases cause approximately 17.9 million deaths worldwide each year. Using a quantitative experimental approach, this study analyzes the "Heart Failure Prediction Dataset" from Kaggle, which consists of 918 records. The data were processed through normalization and encoding, followed by the application of SMOTE on the training set to balance class distribution. This step successfully increased model accuracy from 88.41% to 90.22% and minority class recall from 0.82 to 0.88. Furthermore, Bayesian Optimization was employed to refine the hyperparameters of SVM, resulting in a final model with an accuracy of 89.13% that demonstrated better generalization. This integrated approach significantly enhances the stability, sensitivity, and generalization of the model, making it a reliable tool for clinical decision support systems in predicting heart failure.
Keywords: bayesian optimization; heart failure; machine learning; SMOTE; SVM.
Abstrak: Penelitian ini menerapkan pendekatan terintegrasi untuk mengoptimalkan klasifikasi gagal jantung. Tujuan utama studi ini adalah untuk mengatasi tantangan ketidakseimbangan kelas dalam dataset medis dan meningkatkan akurasi, sensitivitas, serta generalisasi model klasifikasi. Urgensi ini ditegaskan oleh statistik yang menunjukkan bahwa penyakit kardiovaskular menyebabkan sekitar 17,9 juta kematian setiap tahun secara global. Menggunakan pendekatan eksperimental kuantitatif, penelitian ini menganalisis "Heart Failure Prediction Dataset" dari Kaggle, yang terdiri dari 918 catatan. Data diproses dengan normalisasi dan encoding, lalu SMOTE diterapkan pada data pelatihan untuk menyeimbangkan distribusi kelas. Langkah ini berhasil meningkatkan akurasi dari 88,41% menjadi 90,22% dan recall kelas minoritas dari 0,82 menjadi 0,88. Selanjutnya, Bayesian Optimization menyempurnakan hyperparameter SVM, menghasilkan model akhir dengan akurasi 89,13% yang menunjukkan generalisasi lebih baik. Pendekatan terintegrasi ini secara signifikan meningkatkan stabilitas, sensitivitas, dan generalisasi model. Hasil penelitian ini menjadikannya alat yang andal untuk sistem pendukung keputusan klinis dalam prediksi gagal jantung.
Kata kunci: bayesian optimization; gagal jantung; machine learning; SMOTE; SVM
Abstract:Abstract: Information Technology has impacted various sectors, including education. Learning Management Systems (LMS) are designed to facilitate lecturers and students in accessing academic activities such as online learning.…
ning. This study aims to analyze the effectiveness of Learning Management Systems (LMS) among higher education institutions in Indonesia. This analysis is crucial for assessing the effectiveness of LMS use by universities in Indonesia, enabling investments in LMS to yield optimal results. The study employed the D&M IS Success Model and PLS-SEM to evaluate the relationships between various variables, including system, information, service quality, user satisfaction, and benefits. Simple random sampling was used to collect data from 170 universities in Indonesia. This study employed PLS-SEM to investigate the observed variables, including validity and reliability testing, which involves assessing reliability, convergent validity, and discriminant validity. This current study found that all the hypotheses were accepted with p-values below 0,05. These findings contribute to universities paying attention to aspects of system, information, and service quality in Learning Management Systems (LMS) to improve user satisfaction and create a positive perception of benefits. Therefore, this research yields significant results that contribute to higher education in Indonesia, as well as the advancement of knowledge in management information systems.
Keywords: delone and mclean; information system success; LMS; SEM-PLS.
Abstrak: Teknologi Informasi telah memengaruhi berbagai sektor, termasuk pendidikan. Learning Management System (LMS) dirancang untuk memfasilitasi dosen dan mahasiswa dalam mengakses kegiatan akademik seperti pembelajaran daring. Penelitian ini bertujuan untuk menganalisis efektivitas penggunaan Learning Management System (LMS) di perguruan tinggi di Indonesia. Analisis ini penting untuk menilai sejauh mana efektivitas penggunaan LMS oleh universitas-universitas di Indonesia, sehingga investasi dalam LMS dapat mem-berika n hasil yang optimal.Penelitian ini menggunakan model D&M IS Success Model dan metode PLS-SEM untuk mengevaluasi hubungan antara berbagai variabel, termasuk kuali-tas sistem, informasi, layanan, kepuasan pengguna, dan manfaat. Teknik simple random sampling digunakan untuk mengumpulkan data dari 170 perguruan tinggi di Indonesia. Penelitian ini menggunakan PLS-SEM untuk mengkaji variabel-variabel yang diamati, ter-masuk pengujian validitas dan reliabilitas, yang mencakup penilaian reliabilitas, validitas konvergen, dan validitas diskriminan. Hasil dari penelitian ini menunjukkan bahwa semua hipotesis diterima dengan nilai p di bawah 0,05. Temuan ini mendorong universitas untuk memberikan perhatian pada aspek kualitas sistem, informasi, dan layanan dalam penggunaan LMS guna meningkatkan kepuasan pengguna dan menciptakan persepsi posi-tif terhadap manfaatnya. Oleh karena itu, penelitian ini memberikan hasil yang signifikan bagi perguruan tinggi di Indonesia serta turut berkontribusi dalam pengembangan ilmu di bidang sistem informasi manajemen.
Kata kunci: delone and mclean; kesuksesan sistem informasi; LMS; SEM-PLS
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: The rapid development of information technology has increased the demand for high-quality software, necessitating a structured development process. ISO/IEC/IEEE 12207:2017 serves as an international standard encompassing…
compassing organizational, technical, and project support processes, differing from ISO 9001, which focuses more generally on quality management. This study employs a Multi-Criteria Decision Making (MCDM) approach by integrating the Analytic Hierarchy Process (AHP) and the Technique for Order of Preference by Similarity to Ideal Solution (TOPSIS). AHP determines the weight of ISO 12207:2017 criteria through pairwise comparisons, while TOPSIS ranks software development activities based on these weights. To validate the results, Analysis of Variance (ANOVA) is applied. The findings indicate that the Software Requirements Definition Process has the highest priority weight (0.169), followed by Implementation (0.101) and Operation (0.095). Software Configuration Management is identified as the most critical activity with the highest TOPSIS score (0.221). ANOVA confirms the reliability of expert evaluations, showing no significant differences. This study provides a structured decision-making framework based on ISO 12207:2017, helping optimize software project management while ensuring alignment with international standards and industry best practices.
Keywords: AHP; TOPSIS; ANOVA; ISO 12207:2017
Abstrak: Perkembangan teknologi informasi meningkatkan permintaan perangkat lunak berkualitas tinggi, sehingga diperlukan proses terstruktur dalam pengembangannya. ISO/IEC/IEEE 12207:2017 menjadi standar internasional yang mencakup proses organisasi, teknis, dan pendukung proyek, berbeda dengan ISO 9001 yang lebih umum pada manajemen kualitas. Penelitian ini menggunakan Multi-Criteria Decision Making (MCDM) dengan mengintegrasikan Analytic Hierarchy Process (AHP) dan Technique for Order of Preference by Similarity to Ideal Solution (TOPSIS). AHP menentukan bobot kriteria ISO 12207:2017 melalui perbandingan berpasangan, sementara TOPSIS memeringkat aktivitas pengembangan berdasarkan bobot tersebut. Untuk validasi, Analysis of Variance (ANOVA) diterapkan. Hasil penelitian menunjukkan bahwa Proses Definisi Kebutuhan Perangkat Lunak memiliki bobot tertinggi (0,169), diikuti Implementasi (0,101), dan Operasi (0,095). Manajemen Konfigurasi Perangkat Lunak menjadi aktivitas paling kritis dengan skor TOPSIS tertinggi (0,221). ANOVA mengonfirmasi keandalan penilaian para ahli tanpa perbedaan signifikan. Penelitian ini memberikan kerangka kerja pengambilan keputusan berbasis ISO 12207:2017, membantu optimalisasi manajemen proyek perangkat lunak, serta memastikan keselarasan dengan standar internasional dan praktek terbaik industri.
Kata kunci: AHP; TOPSIS; ANOVA; ISO 12207:2017