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: The inability to accurately monitor the lifespan of motorcycle batteries can lead to sudden failures, disrupt user activities, and increase maintenance costs. This issue is exacerbated by the absence of a predictive…
ctive system that can assist users and workshops in planning maintenance and managing battery inventory effectively. This study aims to develop a battery lifespan prediction model for motorcycles using the Double Moving Average (DMA) method. The model is built based on historical data from 12 motorcycle units, including usage frequency, duration, terrain conditions, and maintenance habits. Forecasting is conducted through two stages of moving averages followed by trend parameter calculations. Evaluation results show that the model has a high level of accuracy, with MAPE = 0.10, MAD = 1.68, and RMSE = 2.14, indicating very low prediction errors. In addition, DMA is also used to forecast product demand at PT Anugerah Karya Abiwara Kisaran to prevent stock shortages. The system is developed using Visual Studio 2010 and Microsoft Access and has proven effective in supporting maintenance planning and inventory control. With its high accuracy and efficiency, the results of this study provide tangible contributions to decision-making in battery maintenance and inventory management.
Keywords: battery; DMA; motorcycle; prediction.
Abstrak: Ketidakmampuan dalam memantau usia pakai aki sepeda motor secara akurat dapat menyebabkan kerusakan mendadak, mengganggu aktivitas pengguna, serta meningkatkan biaya perawatan. Permasalahan ini diperburuk oleh tidak tersedianya sistem prediktif yang membantu pengguna dan bengkel dalam merencanakan perawatan serta mengelola persediaan aki secara efisien. Penelitian ini bertujuan untuk mengembangkan model prediksi usia pemakaian aki sepeda motor dengan menggunakan metode Double Moving Average (DMA). Model dibangun berdasarkan data historis dari 12 unit sepeda motor yang mencakup frekuensi penggunaan, durasi, kondisi medan dan kebiasaan perawatan. Proses peramalan dilakukan melalui dua tahap perataan bergerak, yang kemudian diikuti dengan perhitungan parameter tren. Hasil evaluasi menunjukkan bahwa model ini memiliki tingkat akurasi yang tinggi, dengan nilai MAPE sebesar 0,10, MAD sebesar 1,68, dan RMSE sebesar 2,14, yang mengindikasikan tingkat kesalahan prediksi yang sangat rendah. Selain itu, metode DMA juga diterapkan untuk meramalkan permintaan produk pada PT Anugerah Karya Abiwara Kisaran guna mencegah terjadinya kekurangan stok. Sistem dikembangkan menggunakan Visual Studio 2010 dan Microsoft Access, serta terbukti efektif dalam mendukung perencanaan perawatan dan pengendalian persediaan. Dengan akurasi dan efisiensi yang tinggi, hasil penelitian ini memberikan kontribusi nyata dalam pengambilan keputusan terkait pemeliharaan aki dan manajemen inventori.
Kata kunci: baterai; DMA; prediksi; sepeda motor.
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 study aims to develop a Deep Learning-based Traffic Flow Detector to automatically and accurately observe traffic flow. Conventional traffic observation is often conducted manually or via CCTV, but it is prone…
rone to human error and difficult to use for real-time trend analysis. In this study, the YOLOv4 method is used to detect four types of vehicles (cars, motorcycles, buses, trucks). To continuously track vehicle movement and address occlusion issues, the Deep SORT algorithm is implemented. The YOLOv4 model used is a pre-trained model and was tested on seven CCTV video recordings obtained from the official website of the Pekanbaru City Transportation Department. The system was implemented on a limited device, the Nvidia Jetson Nano, as a simulation of direct CCTV integration. Test results showed a highest precision of 98%, but the maximum accuracy achieved was only 26%. This low accuracy is influenced by several factors, including video resolution, detection model quality, and lighting conditions. Nevertheless, the system demonstrates potential to support future traffic management and engineering decisions but still requires further optimization, including improving video resolution and quality, retraining the model with a more representative local dataset, using lighter and more accurate detection models, and optimizing the tracking algorithm.
Keywords: deep learning; deepsort; NVIDIA Jetson NANO; traffic flow; YOLOv4
Abstrak: Penelitian ini bertujuan mengembangkan Traffic Flow Detector berbasis Deep Learning untuk mengobservasi arus lalu lintas secara otomatis dan akurat. Observasi lalu lintas konvensional sering dilakukan secara manual atau melalui CCTV, namun rentan terhadap human error dan sulit digunakan untuk menganalisis tren secara real-time. Pada penelitian ini digunakan metode YOLOv4 untuk mendeteksi empat jenis kendaraan (mobil, motor, bus, truk). Untuk melacak pergerakan kendaraan secara berkelanjutan dan mengatasi masalah occlusion, digunakan algoritma Deep SORT. Model YOLOv4 yang digunakan merupakan pre-trained model dan diujikan pada tujuh rekaman video CCTV yang diambil dari situs resmi Dinas Perhubungan Kota Pekanbaru. Sistem ini diimplementasikan pada perangkat terbatas Nvidia Jetson Nano sebagai simulasi penerapan langsung pada CCTV. Hasil pengujian menunjukkan presisi tertinggi mencapai 98%, namun akurasi tertingginya hanya sebesar 26%. Rendahnya akurasi dipengaruhi oleh beberapa faktor seperti resolusi video, kualitas model deteksi, serta kondisi pencahayaan. Meski demikian, sistem ini menunjukkan potensi untuk membantu pengambilan keputusan dalam manajemen dan rekayasa lalu lintas di masa depan, namun masih membutuhkan optimasi lebih lanjut, seperti peningkatan kualitas video input, pelatihan ulang model dengan dataset lokal, penggunaan model deteksi yang lebih ringan dan akurat serta pengoptimalan algoritma pelacakan.
Kata kunci: deep learning deepsort; Nvidia Jetson Nano; traffic flow; YOLOv4
Abstract:Abstract: Uterine disease is a serious threat to women's health, which can affect fertility and quality of life. Delayed diagnosis often results in patients not getting optimal early treatment at the H. Abdul Manan Simatupang…
upang Kisaran Regional General Hospital. This study aims to develop a fuzzy logic-based expert system to diagnose uterine disease based on the symptoms experienced by patients. This system receives symptom data as input, then performs analysis using the fuzzy logic method to determine the level of possibility of a disease. The final results produced are an initial diagnosis and treatment recommendations. System testing shows that this method is able to identify uterine disease with fairly good accuracy, where one case showed the possibility of Endometriosis with a confidence level of 63%. With this system, patients can obtain initial information about their health condition, so they can take more appropriate and faster medical steps.
Keywords: expert system; fuzzy logic; uterine disease.
Abstrak: Penyakit rahim merupakan ancaman serius bagi kesehatan wanita, yang dapat berdampak pada kesuburan dan kualitas hidup. Keterlambatan diagnosis sering kali menyebabkan pasien tidak mendapatkan penanganan dini yang optimal di Rumah Sakit Umum Daerah H. Abdul Manan Simatupang Kisaran. Penelitian ini bertujuan untuk mengembangkan sistem pakar berbasis logika fuzzy guna mendiagnosis penyakit rahim berdasarkan gejala yang dialami pasien. Sistem ini menerima data gejala sebagai input, kemudian melakukan analisis menggunakan metode logika fuzzy untuk menentukan tingkat kemungkinan suatu penyakit. Hasil akhir yang dihasilkan berupa diagnosis awal dan rekomendasi penanganan. Pengujian sistem menunjukkan bahwa metode ini mampu mengidentifikasi penyakit rahim dengan akurasi yang cukup baik, di mana salah satu kasus menunjukkan kemungkinan penyakit Endometriosis dengan tingkat kepercayaan sebesar 63%. Dengan adanya sistem ini, pasien dapat memperoleh informasi awal mengenai kondisi kesehatannya, sehingga dapat mengambil langkah medis yang lebih tepat dan cepat.
Kata kunci: fuzzy logic; penyakit rahim; sistem pakar.
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: Ms Glow Kisaran Original Store is one of the beauty companies that sells skincare products that are useful for maintaining healthy facial and body skin. However, the Original Ms. Glow series currently faces challenges…
hallenges such as tight competition and ineffective inventory management in terms of sales figures. This company sells ± 1500 products a month, but also often faces shortages and stockpiles of product, which can reduce customer confidence and cause Ms. Glow Kisaran Original to experience financial losses, among others. Conversely, if the demand for skincare increases but the skincare supply cannot be prepared, this is a loss for the store and customers. The purpose of this study is to improve the accuracy of the forecast, the use of the Single Exponential Smoothing Method is proposed. This method smoothes past values with exponential weights, placing greater emphasis on the latest data. The use of data from the last 12 months as reference data for past recording for forecasting experiments for the next 1 (one) month. The results of the study at Ms Glow Kisaran show the flexibility of the method in adapting to different sales dynamics. Overall, this research helps in predicting skincare sales predictions at the Ms Glow Kisaran Original Kisaran Store using the Single Exponentian Smoothing method, so that it can overcome the challenges in predicting sales figures.
Keywords: ms glow kisaran; skincare sales; ses.
Abstrak: Toko Ms Glow Kisaran Original merupakan salah satu perusahaan di bidang kecantikan yang menjual produk-produk skincare yang bermanfaat untuk menjaga kesehatan kulit wajah dan tubuh. Namun rangkaian Original Ms. Glow saat ini menghadapi tantangan seperti persaingan yang ketat dan pengelolaan inventaris yang kurang efektif dalam hal angka penjualan. Perusahaan ini menjual ±1500 produk dalam sebulan, namun juga sering menghadapi kekurangan dan penumpukan stok produk, yang dapat menurunkan kepercayaan pelanggan dan menyebabkan Ms. Glow Kisaran Original mengalami kerugian finansial. Sebaliknya jika permintaan akan skincare meningkat namun persediaan skincare tidak dapat disiapkan maka ini menjadi kerugian bagi pihak toko dan pelanggan. Tujuan penelitian ini adalah untuk meningkatkan ketepatan perkiraan, penggunaan Metode Single Exponential Smoothing diusulkan. Metode ini menghaluskan nilai masa lalu dengan bobot eksponensial, memberikan penekanan lebih besar pada data terbaru. Penggunaan data 12 bulan terakhir sebagai data acuan pencatatan masa lalu untuk percobaan peramalan untuk 1 (satu) bulan kedepan. Hasil penelitian pada Ms Glow Kisaran menunjukkan fleksibilitas metode dalam menyesuaikan diri dengan dinamika penjualan yang berbeda. Secara keseluruhan, Penelitian ini membantu dalam meramalkan prediksi penjualan skincare di Toko Ms glow Kisaran Original Kisaran menggunakan metode Single Exponentian Smoothing, sehingga dapat mengatasi tantangan dalam memprediksi angka penjualan.
Kata kunci: ms glow kisaran; penjualan skincare; ses.
Abstract:Abstract: Conventional water reservoir filling systems often cause inefficiencies due to delays in monitoring or failure of the float system which results in overflowing water from the reservoir. this research aims to develop…
velop an ESP32-based water level monitoring and control system by utilising IoT technology and ultrasonic sensors, this system can facilitate users in monitoring water levels and automating pump control. this research uses the experimental method, starting from system design to system testing and analysis, as well as testing which includes sensor accuracy, system response, and communication stability with the IoT server. based on the results obtained. The test results show that the system has an average accuracy rate of 98.4% with an average response time of 1.8 seconds. based on the results obtained, this system shows a positive accuracy value and response time in its application.
Keywords: blynk; internet of things; monitoring; water level
Abstrak: Sistem pengisian tandon air secara konvensional sering kali menimbulkan ketidakefisienan karena keterlambatan dalam pemantauan atau kegagalan sistem pelampung yang mengakibatkan meluapnya air dari tandon. penelitian ini bertujuan untuk mengembangkan sistem monitoring dan kontrol ketinggian air berbasis ESP32 dengan memanfaatkan teknologi IoT dan sensor ultrasonik, sistem ini dapat memudahkan pengguna dalam memonitoring ketinggian air dan mengotomatisasi kontrol pompa. Penelitian ini menggunakan metode eksperimen, mulai dari perancangan sistem hingga pengujian dan analisis sistem, serta pengujian yang meliputi akurasi sensor, respon sistem, dan kestabilan komunikasi dengan server IoT. Hasil pengujian menunjukkan bahwa sistem memiliki tingkat akurasi rata-rata sebesar 98,4% dengan waktu respon rata-rata 1,8 detik. berdasarkan hasil yang diperoleh, sistem ini menunjukkan nilai akurasi dan waktu respon yang positif dalam pengaplikasiannya.
Kata kunci: blynk; internet of things; pemantauan; tingkat air
Abstract:Abstract: The rapid population growth in Tanjung Tiram District, primarily driven by increased in-migration, demands an accurate forecasting system to support effective and sustainable development planning. This study aims…
ms to predict population growth in Tanjung Tiram District in 2024 using the Least Square method. The analysis covers birth, arrival, and migration data from 2019 to 2023. The results show that the Least Square method successfully predicts 936 births, 104 arrivals, and 142 migrations in 2024, with a very low error rate: MAPE for births is 0.01%, arrivals 0.12%, and migrations 0.04%. These research demonstrate that the Least Square method can effectively support data-driven development policies and improve the accuracy of public service distribution planning.
Keywords: forecasting; least square method; population growth; tanjung tiram.
Abstrak: Pertumbuhan penduduk yang pesat di Kecamatan Tanjung Tiram, terutama akibat peningkatan migrasi masuk, menuntut adanya sistem prediksi yang akurat untuk mendukung perencanaan pembangunan yang efektif dan berkelanjutan. Penelitian ini bertujuan untuk memprediksi pertumbuhan penduduk di Kecamatan Tanjung Tiram pada tahun 2024 menggunakan pendekatan metode Least Square. Data yang dianalisis mencakup jumlah kelahiran, kedatangan, dan perpindahan penduduk dari tahun 2019 hingga 2023. Hasil penelitian menunjukkan bahwa metode Least Square mampu memprediksi jumlah kelahiran sebesar 936 jiwa, kedatangan 104 jiwa, dan perpindahan 142 jiwa pada tahun 2024, dengan tingkat kesalahan yang sangat rendah: MAPE untuk kelahiran sebesar 0,01%, kedatangan 0,12%, dan perpindahan 0,04%. Penelitian ini membuktikan bahwa metode Least Square dapat digunakan secara efektif untuk mendukung penyusunan kebijakan pembangunan yang berbasis data dan memperkuat akurasi distribusi layanan publik.
Kata kunci: metode least square; peramalan; pertumbuhan penduduk; tanjung tiram.
Abstract:Abstract: The advancement of network security faces growing challenges as cyberattacks become more sophisticated. Traditional rule-based systems struggle with zero-day attacks and obfuscation techniques. This study examines…
nes the development trends of AI-based algo-rithms, particularly machine learning and deep learning, in threat detection. A literature review evaluates AI-driven approaches, including support vector machines, random for-est, deep neural networks, convolutional neural networks, and reinforcement learning. Findings show that AI enhances detection accuracy, adaptability, and reduces false posi-tives. Machine learning efficiently classifies known attacks, while deep learning excels in identifying complex patterns such as distributed denial-of-service and advanced persis-tent threats. Unsupervised learning improves anomaly detection without labeled data. However, AI models require high-quality data, substantial computational resources, and remain vulnerable to adversarial attacks. Despite these challenges, AI provides a dynam-ic and adaptive security solution, surpassing traditional systems. Future research should enhance AI scalability and resilience for evolving cybersecurity threats.
Keywords: anomaly detection; artificial intelligence; deep learning; machine learning; network security
Abstrak: Perkembangan keamanan jaringan menghadapi tantangan yang semakin besar seiring meningkatnya kompleksitas serangan siber. Sistem berbasis aturan tradisional kesulitan mendeteksi zero-day attack dan teknik penyamaran. Penelitian ini mengkaji tren pengembangan algoritma berbasis AI, khususnya machine learning dan deep learning, dalam deteksi ancaman. Literature review mengevaluasi pendekatan berbasis AI, termasuk support vector machines, random forest, deep neural networks, convolutional neural networks, dan reinforcement learning. Hasil penelitian menunjukkan bahwa AI meningkatkan akurasi deteksi, adaptabilitas terhadap ancaman baru, serta mengurangi false positive. Machine learning efektif mengklasifikasikan serangan yang telah diketahui, sementara deep learning unggul dalam mengenali pola kompleks seperti distributed denial-of-service dan advanced persistent threats. Unsupervised learning meningkatkan deteksi anomali tanpa memerlukan data berlabel. Namun, AI masih bergantung pada data berkualitas tinggi, sumber daya komputasi besar, dan rentan terhadap adversarial attack. Meskipun demikian, AI menawarkan solusi keamanan yang lebih dinamis dan adaptif dibandingkan sistem tradisional. Penelitian selanjutnya perlu difokuskan pada peningkatan skalabilitas dan ketahanan AI dalam menghadapi ancaman siber yang terus berkembang.
Kata kunci: deteksi anomali; jaringan keamanan; kecerdasan buatan; pembelajaran dalam; pembelajaran mesin