Journal of Computer Science and Artificial Intelligence (JCSAI)

ANALISIS TREN PEMESANAN DAN MUSIM TINGGI HOTEL SUNLAKE SUNTER MENGGUNAKAN DATA HISTORIS DENGAN POWER BI

2026-07-20T08:40:04+00:00

Penelitian ini dilatarbelakangi oleh pentingnya pemanfaatan data historis dalam industri perhotelan untuk mendukung pengambilan keputusan yang lebih akurat dan berbasis data. Permasalahan yang sering terjadi adalah belum optimalnya pemanfaatan data pemesanan hotel dalam mengidentifikasi pola tren dan musiman, sehingga berdampak pada kurang efektifnya strategi operasional dan pemasaran. Tujuan penelitian ini adalah untuk menganalisis pola pemesanan hotel serta mengembangkan dashboard interaktif berbasis Business Intelligence (BI) menggunakan Power BI guna mendukung pengambilan keputusan strategis. Metode yang digunakan adalah pendekatan deskriptif kuantitatif dengan tahapan pengumpulan data, preprocessing data, analisis data, visualisasi data, dan interpretasi hasil. Data yang digunakan berupa data historis pemesanan hotel yang diolah menggunakan Power BI melalui Power Query Editor dan dashboard interaktif. Hasil penelitian menunjukkan bahwa terdapat pola tren dan musiman dalam pemesanan hotel, di mana terjadi peningkatan pada periode pertengahan dan akhir tahun serta penurunan pada awal tahun. Selain itu, ditemukan variasi pola pemesanan berdasarkan negara asal tamu dan jenis kamar. Dashboard yang dihasilkan mampu menyajikan informasi secara visual dan interaktif sehingga memudahkan pihak manajemen dalam memahami kondisi operasional hotel dan mendukung pengambilan keputusan berbasis data.

ANALISIS SEGMENTASI PRODUK STOK TOMORO COFFEE MENGGUNAKAN ALGORITMA K-MEANS

2026-07-17T09:32:15+00:00

Pertumbuhan pesat Tomoro Coffee menuntut pengelolaan persediaan yang lebih efisien, terutama karena variasi perputaran produk sering menyebabkan penumpukan stok (overstock) maupun kekurangan stok (stockout) pada cabang tertentu. Ketidakseimbangan ini berdampak pada biaya operasional, risiko kerugian bahan baku, serta ketidakpuasan pelanggan. Oleh karena itu, diperlukan pendekatan analitik yang mampu mengelompokkan produk berdasarkan pola penjualan dan karakteristik inventori. Penelitian ini bertujuan menerapkan algoritma K-Means Clustering untuk melakukan segmentasi produk stok di Tomoro Coffee Ciremai. Metodologi yang digunakan mengadopsi tahapan Knowledge Discovery in Databases (KDD), meliputi seleksi data, pembersihan data, transformasi data, penentuan jumlah klaster optimal menggunakan Elbow Method dan Silhouette Score, serta evaluasi kesesuaian hasil. Dataset terdiri atas data stok dan penjualan historis selama periode observasi. Hasil penelitian menunjukkan bahwa nilai optimal klaster adalah K = 3, yang menghasilkan tiga segmen produk utama: (1) Fast Moving, dengan tingkat penjualan tinggi dan rotasi cepat; (2) Slow Moving, dengan pergerakan moderat; dan (3) Overstock/Dead Stock, yaitu produk dengan penjualan rendah namun stok tinggi. Segmentasi ini memberikan dasar strategis bagi pengambilan keputusan, termasuk pengaturan restock, kontrol pembelian, dan pengurangan risiko pemborosan. Penelitian menyimpulkan bahwa algoritma K-Means efektif dalam melakukan segmentasi produk stok dan dapat mendukung manajemen inventori yang lebih akurat dan efisien. Studi lanjutan disarankan untuk menambahkan variabel margin keuntungan, tren musiman, serta integrasi metode peramalan.

IMPLEMENTASI ALGORITMA K-MEANS CLUSTERING UNTUK SEGMENTASI PERFORMA PENJUALAN PRODUK EUNOLA COFFEE SPACE

2026-07-22T08:11:33+00:00

Penelitian ini dilatarbelakangi oleh kebutuhan Eunola Coffee Space dalam memanfaatkan data penjualan sebagai dasar pengambilan keputusan bisnis yang lebih objektif. Banyaknya variasi produk menyebabkan manajemen perlu mengetahui kelompok produk dengan performa tinggi, menengah, dan rendah agar strategi stok, promosi, bundling, serta evaluasi menu dapat dilakukan secara lebih terarah. Tujuan penelitian ini adalah mengetahui karakteristik data penjualan produk, menerapkan algoritma K-Means Clustering, serta menguraikan hasil segmentasi performa produk sebagai dasar rekomendasi strategi bisnis. Metode penelitian menggunakan pendekatan data mining dengan alur CRISP-DM, dimulai dari business understanding, data understanding, data preparation, modeling, evaluation, hingga interpretation. Data yang digunakan berasal dari laporan penjualan internal Eunola Coffee Space periode November–Desember 2024 dan Januari–Februari 2025 dalam format PDF. Data diekstraksi menggunakan Python dan pdfplumber, kemudian diproses melalui pembersihan data, standardisasi kolom, konversi nilai numerik, penggabungan periode, agregasi produk, validasi data, dan normalisasi menggunakan StandardScaler. Fitur yang digunakan dalam clustering adalah jumlah terjual, penjualan, dan laba kotor. Hasil penelitian menunjukkan bahwa data awal berjumlah 59 baris dan setelah agregasi menghasilkan 48 produk unik, dengan total 17.244 unit terjual, total penjualan Rp410.741.500, dan total laba kotor Rp410.255.500. Pemodelan K-Means dengan K=3 menghasilkan tiga cluster, yaitu Best Seller sebanyak 1 produk, Middle Performer sebanyak 15 produk, dan Low Performer sebanyak 32 produk. Evaluasi internal menghasilkan Silhouette Score 0,6010, Davies-Bouldin Index 0,4368, dan Calinski-Harabasz Index 111,58, yang menunjukkan kualitas cluster cukup baik. Temuan penelitian menunjukkan bahwa Kopi Susu Eunola + menjadi produk paling dominan, sedangkan kategori Espresso Based memberikan kontribusi penjualan terbesar. Hasil segmentasi dapat digunakan sebagai dasar rekomendasi bisnis untuk mempertahankan produk unggulan, memperkuat produk penopang, dan mengevaluasi produk berperforma rendah.

KLASIFIKASI TINGKAT RISIKO PUTUS SEKOLAH SISWA MENGGUNAKAN LOGIKA FUZZY MAMDANI BERDASARKAN FAKTOR NON-AKADEMIK

2026-07-20T08:31:25+00:00

Fenomena putus sekolah di Indonesia, khususnya di Yayasan Al-Shighor Pangenan, merupakan isu multidimensi yang dipengaruhi secara signifikan oleh faktor non-akademik. Pihak sekolah seringkali menghadapi kendala dalam melakukan deteksi dini yang akurat karena variabel kunci seperti jarak tempuh, perilaku siswa, tingkat kehadiran, dan kondisi ekonomi keluarga bersifat linguistik, subjektif, dan penuh ketidakpastian (fuzzy). Data yang bersifat "abu-abu" ini sulit diukur secara presisi menggunakan metode statistik konvensional, sehingga seringkali mengakibatkan keterlambatan dalam penanganan siswa rentan. Penelitian ini bertujuan merancang dan mengimplementasikan Sistem Pendukung Keputusan (SPK) untuk mengklasifikasikan tingkat risiko putus sekolah siswa menggunakan metode Sistem Inferensi Fuzzy (FIS) Mamdani. Sistem ini berfungsi sebagai Sistem Pakar (Expert System) yang mengolah empat variabel input non-akademik tersebut berdasarkan basis pengetahuan yang kuat. "Otak" dari sistem ini dibangun dari 81 aturan (Rule Base) IF-THEN yang dikembangkan secara manual melalui proses akuisisi pengetahuan mendalam dari pakar, yaitu Guru Bimbingan Konseling. Proses inferensi menggunakan fungsi implikasi MIN, sedangkan defuzifikasi menggunakan metode Centroid (Center of Gravity) untuk menghasilkan skor risiko yang tegas. Model ini diuji coba secara komprehensif pada dataset yang mencakup 559 siswa di lingkungan yayasan. Hasil penelitian menunjukkan temuan yang signifikan dan mendesak: mayoritas populasi siswa, yaitu sebanyak 308 siswa (55,1%), teridentifikasi berada dalam kategori Risiko Sedang. Temuan yang lebih krusial adalah besarnya kelompok Risiko Tinggi yang mencapai 240 siswa (42,9%), sementara hanya sebagian kecil, yaitu 11 siswa (2,0%), yang berada di kategori Risiko Rendah. Dominasi kategori risiko sedang dan tinggi ini mengindikasikan adanya kerentanan sistemik pada faktor non-akademik siswa yang memerlukan perhatian serius. Sistem ini terbukti valid dan dapat digunakan sebagai alat deteksi dini objektif bagi sekolah untuk menentukan prioritas intervensi dan strategi pencegahan yang lebih efektif

ANALISIS SENSITIVITAS SPASIAL PADA KLASIFIKASI TUMOR OTAK MULTI-KELAS MENGGUNAKAN FINE-TUNING MOBILENETV2 BERBASIS CITRA MRI

2026-07-20T09:50:04+00:00

Kemajuan teknologi pengolahan citra digital telah memberikan kontribusi signifikan dalam bidang medis, khususnya dalam upaya deteksi penyakit berbasis citra Magnetic Resonance Imaging (MRI). Salah satu tantangan utama dalam deteksi otomatis tumor otak adalah kualitas citra MRI yang kurang optimal serta adanya ketidakseimbangan distribusi data antar-kelas (data imbalance), yang dapat menurunkan kinerja ekstraksi fitur pada model deep learning. Penelitian ini mengusulkan pendekatan klasifikasi baru menggunakan arsitektur Transfer Learning MobileNetV2 dengan standardisasi peningkatan kontras citra menggunakan Contrast Limited Adaptive Histogram Equalization (CLAHE). Guna mengatasi masalah ketidakseimbangan data secara efisien tanpa menambah ukuran dataset fisik, diterapkan teknik algorithm-level berupa Cost-Sensitive Learning (Class Weights). Fokus eksperimen dalam penelitian ini digeser untuk menganalisis pengaruh augmentasi data terhadap stabilitas model dengan membandingkan dua skenario utama, yaitu model Baseline (Tanpa Augmentasi) dan model Final (Dengan Augmentasi Spasial) yang melibatkan rotasi, width/height shift, dan zoom. Pengujian dilakukan pada dataset citra MRI multi-kelas yang mencakup empat kategori: glioma tumor, meningioma tumor, pituitary tumor, dan no tumor, dengan evaluasi akhir menggunakan Test Set independen sebanyak 1.311 citra. Hasil penelitian menunjukkan bahwa model Baseline (Tanpa Augmentasi) yang mengintegrasikan MobileNetV2, CLAHE, dan Class Weights berhasil mencapai performa puncak dengan akurasi keseluruhan mencapai 97% pada Test Set, serta menghasilkan nilai F1-score yang sangat tinggi dan seimbang di setiap kelas (No Tumor: 1.00, Pituitary: 0.98, Glioma: 0.95, Meningioma: 0.94). Di sisi lain, model Dengan Augmentasi mengalami early stopping dini pada epoch ke-13 dengan akurasi validasi tertinggi hanya sebesar 95,98% pada epoch ke-8. Hal ini mengindikasikan bahwa manipulasi spasial yang terlalu agresif berpotensi mengaburkan batas anatomi patologis tumor yang halus (tumor margins), sehingga memicu saturasi dini pada data validasi. Penelitian ini menyimpulkan bahwa kombinasi Transfer Learning MobileNetV2, standardisasi CLAHE, dan bobot kelas seimbang merupakan pendekatan yang paling optimal, stabil, dan efisien untuk klasifikasi tumor otak berbasis citra MRI tanpa memerlukan augmentasi spasial tambahan.

PERBANDINGAN KINERJA NAIVE BAYES DAN INDOBERT UNTUK ANALISIS SENTIMEN ULASAN GOOGLE MAPS BERBAHASA INDONESIA

2026-07-20T08:22:08+00:00

Penelitian ini dilatarbelakangi oleh keterbatasan performa model analisis sentimen pada data ulasan berbahasa Indonesia yang bersifat tidak seimbang (imbalanced), serta belum adanya kajian komparatif yang komprehensif antara model klasifikasi tradisional dan model berbasis transformer pada konteks ulasan lokasi religi. Permasalahan utama terletak pada ketidakmampuan sebagian model dalam menangkap konteks semantik sekaligus menjaga stabilitas performa pada distribusi data yang tidak merata. Oleh karena itu, penelitian ini bertujuan untuk membandingkan kinerja algoritma Naïve Bayes dan IndoBERT dalam mengklasifikasikan sentimen ulasan Google Maps. Metode yang digunakan adalah pendekatan kuantitatif dengan desain eksperimen komparatif. Dataset penelitian mencakup 2.772 ulasan valid hasil scraping Masjid At-Taqwa Cirebon yang diproses melalui tahapan text cleaning, normalizing, dan stemming di lingkungan Google Colab. Algoritma Multinomial Naïve Bayes (MNB) dikombinasikan dengan fitur TF-IDF dan teknik oversampling SMOTE untuk menyeimbangkan kelas, sementara model IndoBERT diuji menggunakan pendekatan Zero-Shot Inference. Hasil penelitian menunjukkan bahwa integrasi MNB dan SMOTE menghasilkan performa paling optimal dengan akurasi 95,38% dan nilai F1-Score Macro mencapai 0,95. Sebaliknya, meskipun IndoBERT memiliki keunggulan semantik, model ini mencatatkan akurasi lebih rendah sebesar 87,12% dengan nilai F1-Score Macro yang jatuh pada angka 0,40. Rendahnya nilai makro tersebut mengonfirmasi terjadinya Accuracy Paradox, di mana model mengalami bias terhadap kelas mayoritas (positif 97,2%). Kesimpulan penelitian ini menegaskan bahwa strategi rekayasa data melalui SMOTE pada algoritma tradisional terbukti lebih efektif dan stabil dalam menangani ketidakseimbangan data ulasan dunia nyata dibandingkan mengandalkan model deep learning murni tanpa intervensi penyeimbangan kelas.

OPTIMALISASI DECISION TREE UNTUK PENENTUAN KELAYAKAN PENERIMA BANTUAN KESEJAHTERAAN

2026-07-20T09:13:59+00:00

Penentuan kelayakan penerima bantuan kesejahteraan (KESRA) merupakan proses penting untuk memastikan bahwa bantuan diberikan secara tepat sasaran dan adil, namun dalam praktiknya penilaian yang dilakukan secara manual sering menghadapi kendala berupa subjektivitas, keterbatasan analisis data, serta potensi kesalahan dalam pengambilan keputusan. Penelitian ini bertujuan untuk menerapkan metode data mining menggunakan algoritma Decision Tree dalam mengklasifikasikan kelayakan penerima bantuan KESRA berdasarkan karakteristik sosial dan ekonomi masyarakat. Metode penelitian yang digunakan adalah supervised learning melalui beberapa tahapan, yaitu data preprocessing untuk membersihkan dan menyiapkan data, transformasi data agar sesuai dengan kebutuhan pemodelan, pembentukan model Decision Tree baseline sebagai pembanding awal, serta optimasi model menggunakan GridSearchCV dan teknik pruning guna meningkatkan performa dan menghindari overfitting. Dataset dibagi menjadi data latih dan data uji dengan rasio 80:20 untuk memastikan evaluasi yang objektif. Kinerja model dievaluasi menggunakan metrik accuracy, precision, recall, dan F1-score, serta dianalisis menggunakan confusion matrix untuk mengidentifikasi kesalahan klasifikasi. Hasil penelitian menunjukkan bahwa model Decision Tree baseline mampu mencapai tingkat akurasi sebesar 90%, sedangkan model hasil optimasi menunjukkan peningkatan performa dengan struktur pohon keputusan yang lebih sederhana dan mudah diinterpretasikan. Selain itu, analisis feature importance menunjukkan bahwa variabel pendapatan merupakan faktor paling dominan dalam menentukan kelayakan penerima bantuan KESRA. Berdasarkan hasil tersebut, dapat disimpulkan bahwa algoritma Decision Tree yang telah dioptimasi dapat digunakan secara efektif sebagai sistem pendukung keputusan dalam penentuan kelayakan penerima bantuan kesejahteraan secara objektif, akurat, dan berbasis data.

IMPLEMENTASI DEEP LEARNING MODEL BIDIRECTIONAL LSTM DALAM ANALISIS SENTIMEN KEPUASAN PUBLIK TERHADAP GUBERNUR JAWA BARAT DEDI MULYADI DI INSTAGRAM

2026-07-17T16:51:26+00:00

Media sosial telah menjadi ruang interaksi publik yang memungkinkan masyarakat menyampaikan opini, dukungan, kritik, dan evaluasi terhadap figur publik maupun kebijakan pemerintah, termasuk melalui platform Instagram. Dedi Mulyadi sebagai tokoh publik memperoleh banyak respons masyarakat melalui kolom komentar pada akun Instagram resminya. Namun, data komentar tersebut masih bersifat tidak terstruktur dan belum dianalisis secara otomatis untuk mengetahui kecenderungan sentimen publik secara objektif. Selain itu, distribusi data sentimen pada media sosial umumnya tidak seimbang (imbalanced dataset), di mana jumlah komentar pada kelas tertentu jauh lebih dominan dibandingkan kelas lainnya. Kondisi ini berpotensi menyebabkan model klasifikasi lebih cenderung mempelajari pola dari kelas mayoritas dan kurang optimal dalam mengenali kelas minoritas. Penelitian ini bertujuan untuk menganalisis sentimen komentar Instagram menggunakan metode Bidirectional Long Short-Term Memory (BiLSTM) ke dalam tiga kategori, yaitu positif, negatif, dan netral, serta menganalisis pengaruh penerapan oversampling terhadap performa model. Data dikumpulkan dari 20 unggahan akun Instagram @dedimulyadi71 melalui proses web scraping. Tahapan penelitian meliputi penyaringan data, preprocessing, pelabelan manual, tokenisasi, padding, transformasi data, serta evaluasi model menggunakan K-Fold Cross Validation (k=5). Setelah proses seleksi dan pembersihan data, diperoleh sebanyak 2.617 komentar yang digunakan sebagai dataset penelitian. Hasil penelitian menunjukkan bahwa distribusi sentimen terdiri atas 1.763 komentar positif, 672 komentar netral, dan 182 komentar negatif, sehingga dataset penelitian termasuk dalam kategori tidak seimbang. Untuk menangani kondisi tersebut, penelitian menggunakan dua skenario eksperimen, yaitu tanpa oversampling dan dengan oversampling berbasis augmentasi teks. Pada skenario tanpa oversampling, model BiLSTM memperoleh rata-rata akurasi sebesar 72,64%. Sementara itu, pada skenario dengan oversampling diperoleh rata-rata akurasi sebesar 74,24%. Hasil tersebut menunjukkan bahwa penerapan oversampling mampu meningkatkan performa model dalam klasifikasi sentimen dibandingkan penggunaan data asli tanpa penyeimbangan kelas. Secara keseluruhan, model BiLSTM mampu mengidentifikasi pola sentimen komentar publik meskipun data bersifat informal, singkat, dan bervariasi. Penelitian ini diharapkan dapat menjadi referensi dalam pengembangan analisis sentimen berbahasa Indonesia pada media sosial serta mendukung pemanfaatan kecerdasan buatan dalam analisis opini publik berbasis data.

OPTIMALISASI MODEL KLASIFIKASI MENGGUNAKAN ALGORITMA SVM DENGAN RESAMPLING TERHADAP DATA IMBALNCE ULASAN MYSUZUKI DI PLAYSTORE

2026-07-20T08:45:55+00:00

Penelitian ini bertujuan untuk mengimplementasikan analisis sentimen terhadap ulasan pengguna aplikasi My Suzuki di Google Play Store menggunakan algoritma Support Vector Machine (SVM), menganalisis pengaruh teknik resampling terhadap performa klasifikasi, serta membandingkan performa model SVM dengan dan tanpa resampling berdasarkan nilai accuracy, precision, recall, dan F1-score. Permasalahan utama dalam penelitian ini adalah ketidakseimbangan distribusi data sentimen yang berpotensi menyebabkan model klasifikasi menjadi bias terhadap kelas mayoritas. Dataset yang digunakan terdiri dari 1.227 ulasan pengguna aplikasi My Suzuki yang diklasifikasikan ke dalam tiga kategori sentimen, yaitu positif, negatif, dan netral. Metode penelitian meliputi tahapan scraping data, preprocessing teks yang terdiri dari lowercase, cleaning, stopword removal, tokenizing, dan stemming, pelabelan data secara manual oleh ahli bahasa, penanganan imbalance data menggunakan teknik oversampling, ekstraksi fitur menggunakan TF-IDF, serta proses klasifikasi menggunakan algoritma Support Vector Machine (SVM). Evaluasi model dilakukan menggunakan confusion matrix dengan metrik accuracy, precision, recall, dan F1-score.

Hasil penelitian menunjukkan bahwa penggunaan teknik resampling mampu meningkatkan performa klasifikasi sentimen secara signifikan. Model SVM tanpa resampling memperoleh accuracy sebesar 73%, sedangkan model SVM menggunakan oversampling berhasil mencapai accuracy sebesar 90%. Selain itu, nilai precision, recall, dan F1-score pada seluruh kelas sentimen mengalami peningkatan yang lebih seimbang setelah dilakukan resampling. Teknik oversampling terbukti membantu model dalam mengenali pola data pada kelas minoritas, khususnya sentimen netral yang sebelumnya sulit diklasifikasikan dengan baik. Hasil visualisasi WordCloud juga menunjukkan bahwa sentimen negatif pengguna didominasi oleh keluhan terkait layanan, pengiriman suku cadang, dan performa aplikasi, sedangkan sentimen positif didominasi oleh kemudahan penggunaan aplikasi dan layanan servis kendaraan.Berdasarkan hasil penelitian, dapat disimpulkan bahwa kombinasi algoritma Support Vector Machine (SVM) dan teknik resampling merupakan pendekatan yang efektif dan optimal dalam analisis sentimen ulasan aplikasi My Suzuki di Google Play Store. Penelitian ini diharapkan dapat membantu pengembang aplikasi dalam memahami persepsi pengguna serta meningkatkan kualitas layanan aplikasi berbasis data ulasan pengguna.

PREDIKSI RISIKO CRASH HARGA SAHAM BERDASARKAN KETERBUKAAN DATA PUBLIK MENGGUNAKAN PENDEKATAN MACHINE LEARNING

2026-07-17T15:47:44+00:00

Penelitian ini mengembangkan dan mengevaluasi kerangka prediktif untuk mengidentifikasi risiko penurunan harga saham tajam dengan menggunakan teknik machine learning dan data publik terbuka. Model Deep Neural Network berbasis LSTM dan beberapa model konvensional (Logistic Regression, Random Forest, XGBoost) digunakan sebagai perbandingan dalam pendekatan yang diuji. Indikator pasar frekuensi harian, variabel makro, dan indikator keterbukaan publik/pengungkapan publik adalah semua komponen yang digunakan dalam dataset yang digunakan. Pra-pemrosesan data (pembersihan, imputasi, normalisasi, framing deret waktu), rekayasa fitur, optimasi hiperparameter (bayesian/optuna untuk DNN), pelatihan dengan validasi rolling-window, dan analisis interpretabilitas menggunakan teknik XAI (SHAP/LIME). Hasil eksperimen menunjukkan fenomena "akurasi paradoks": meskipun semua model memiliki akurasi tinggi pada data uji, ketidakseimbangan recall kelas yang ekstrim dan skor F1 yang hampir nol untuk kelas kecelakaan membuat model tidak mampu menemukan kejadian kecelakaan (kelas minoritas). Dalam kondisi data yang timpang tanpa perlakuan khusus, arsitektur LSTM yang kompleks tidak menunjukkan keuntungan yang signifikan dibandingkan dengan model sederhana. Variabel Disclosure Index memberikan kontribusi marginal, sementara analisis kontribusi fitur menunjukkan dominasi sinyal teknikal, seperti return harian. Hasil menunjukkan bahwa penggunaan metrik evaluasi yang menekankan sensitivitas terhadap kejadian ekstrim (recall, F1, PR-AUC), penanganan imbalance (seperti oversampling/SMOTE, pembelajaran yang sensitif terhadap biaya, dan pengayaan variabel keterbukaan dengan sinyal kualitatif (NLP/sentimen) sangat penting. Studi ini menyarankan agar investor dan regulator berhati-hati saat menggunakan model ML tanpa memverifikasi sensitivitas terhadap peristiwa ekstrim. Mereka juga harus mendorong penelitian lanjutan yang meningkatkan kemampuan sistem peringatan dini dengan menggabungkan data alternatif dan strategi penyeimbangan kelas.

IMPLEMENTASI ALGORITMA FP-GROWTH UNTUK POLA PENJUALAN DI CV LEMAN WIDJI CIREBON

2026-07-20T08:35:13+00:00

Pertumbuhan industri pangan siap konsumsi yang semakin kompetitif menuntut perusahaan untuk mampu menganalisis pola penjualan secara akurat agar dapat merumuskan strategi persediaan dan promosi yang efektif. CV Leman Widji Cirebon, sebagai distributor resmi produk Cimory, menghadapi tantangan dalam memahami pola pembelian konsumen secara menyeluruh karena pencatatan transaksi yang dilakukan selama ini belum dimanfaatkan secara optimal. Data transaksi yang tersedia hanya digunakan untuk tujuan administratif, tanpa adanya upaya sistematis untuk menggali pola penjualan yang dapat dijadikan dasar pengambilan keputusan bisnis. Permasalahan utama dalam penelitian ini adalah belum diketahuinya produk yang paling sering dibeli konsumen (frequent itemset), ketiadaan informasi mengenai kombinasi produk yang berpotensi menjadi peluang cross-selling, serta belum adanya analisis terstruktur mengenai bagaimana hasil data mining dapat mendukung strategi persediaan dan pemasaran perusahaan.Penelitian ini bertujuan untuk: (1) mengidentifikasi produk dengan tingkat frekuensi penjualan tertinggi, (2) menentukan kombinasi produk yang memiliki nilai support tertinggi, serta (3) menganalisis sejauh mana hasil penerapan algoritma FP-Growth dapat membantu perusahaan dalam merumuskan strategi pengelolaan persediaan dan promosi. Metode yang digunakan mengacu pada kerangka Knowledge Discovery in Databases (KDD) yang meliputi tahapan data selection, pre-processing, transformation, modeling, dan evaluasi hasil. Dataset yang digunakan terdiri dari 13.761 transaksi penjualan produk Cimory selama bulan September 2025 dan diproses menggunakan perangkat lunak RapidMiner Studio. Algoritma FP-Growth dipilih karena memiliki kemampuan dalam mengekstraksi pola frequent itemset secara efisien tanpa menghasilkan kandidat itemset secara berulang. Hasil penelitian menunjukkan bahwa produk dengan nilai support tertinggi berasal dari kategori Cimory UHT 125 ml, yang menjadi item paling banyak muncul dalam transaksi penjualan. Namun, penelitian ini tidak menemukan adanya multi-itemset atau kombinasi produk karena seluruh transaksi dalam dataset hanya memuat satu jenis produk, sehingga FP-Growth hanya menghasilkan 48 frequent itemset tunggal. Meskipun demikian, hasil frequency analysis tetap memberikan gambaran penting mengenai pola permintaan konsumen dan dapat digunakan sebagai dasar untuk menentukan prioritas persediaan, perencanaan distribusi, serta penyusunan strategi promosi. Penelitian ini juga menegaskan bahwa struktur pencatatan transaksi yang tidak mendukung multi-item menjadi hambatan utama dalam penerapan analisis asosiasi. Oleh karena itu, penelitian merekomendasikan perbaikan sistem pencatatan transaksi agar memungkinkan analisis pola pembelian yang lebih mendalam pada masa mendatang.Temuan ini memberikan kontribusi praktis bagi perusahaan dalam mengoptimalkan pengelolaan persediaan berdasarkan pola penjualan aktual, sekaligus memberikan kontribusi akademik mengenai penerapan FP-Growth pada dataset transaksi tunggal. Dengan demikian, penelitian ini menegaskan pentingnya data mining sebagai alat pendukung keputusan yang mampu memberikan nilai tambah strategis bagi perusahaan distribusi.

ANALISIS USABILITY PADA SISTEM INFORMASI SMARTSCHOOL BERBASIS WEB MENGGUNAKAN METODE SYSTEM USABILITY SCALE DI SMP NEGERI 1 NAGREG

2026-07-20T09:52:42+00:00

Peningkatan layanan sekolah sangat penting untuk memastikan bahwa pendidikan berjalan dengan baik. Tujuan dari penelitian ini adalah untuk membangun dan menerapkan sistem informasi SmartSchool berbasis web di SMP Negeri 1 Nagreg. Penelitian ini akan menggunakan metode Agile Scrum untuk memastikan bahwa pengembangan sistem akan menjadi iteratif, fleksibel, dan beradaptasi dengan kebutuhan pengguna. Sistem informasi ini dimaksudkan untuk mengintegrasikan berbagai layanan administrasi sekolah, seperti manajemen data siswa, guru, jadwal pelajaran, dan komunikasi antara sekolah. Pengujian dilakukan menggunakan metode black-box untuk memastikan sistem berfungsi dengan benar dan untuk menilai kepuasan pengguna melalui kuesioner. Hasil penelitian ini adalah untuk meningkatkan efisiensi administrasi sekolah, mempercepat akses informasi

PENERAPAN DATA MINNING MENGGUNAKAN ALGORITMA FP- GROWTH PADA DATA PENJUALAN WARMINDO

2026-07-20T08:27:13+00:00

Analisis data penjualan dengan teknik data mining dapat mengungkap pola pembelian pelanggan yang bermanfaat bagi strategi bisnis. Penelitian ini menerapkan Algoritma FP-Growth untuk menemukan hubungan asosiatif antara produk dalam transaksi penjualan makanan instan. Data yang digunakan mencakup tanggal transaksi, jenis produk, metode pembayaran, jenis pemesanan, dan nilai penjualan. Dengan menggunakan association rule mining, penelitian ini mengidentifikasi kombinasi produk yang sering dibeli bersamaan, seperti "Indomie Goreng Cabe Ijo" dan "Indomie Goreng Aceh", yang lebih dominan dalam transaksi dine-in dengan metode pembayaran QRIS. Hasil ini memberikan wawasan bagi manajemen untuk menyusun strategi promosi, seperti bundling produk atau rekomendasi berbasis data, guna meningkatkan penjualan dan kepuasan pelanggan.

KLASIFIKASI ANALISIS SENTIMEN ULASAN APLIKASI AL-QUR’AN INDONESIA DI PLAY STORE MENGGUNAKAN METODE NAÏVE BAYES

2026-07-20T09:46:21+00:00

Penelitian ini bertujuan untuk menganalisis sentimen pengguna terhadap aplikasi Al-Qur’an Indonesia di Google Play Store menggunakan metode Multinomial Naïve Bayes. Data penelitian diperoleh melalui proses scraping ulasan pengguna aplikasi Al-Qur’an Indonesia menggunakan Python pada Google Colab. Pengambilan data dilakukan sebanyak 3000 ulasan terbaru dengan rentang tahun 2023–2025.Tahapan penelitian meliputi preprocessing data berupa cleaning, case folding, tokenizing, stopword removal, dan stemming. Setelah preprocessing, data diubah menjadi representasi numerik menggunakan TF-IDF (Term Frequency Inverse Document Frequency). Dataset kemudian dibagi menjadi data latih dan data uji menggunakan metode train_test_split dengan rasio 80:20. Penelitian ini menemukan adanya ketidakseimbangan distribusi data sentimen antara kelas positif, netral, dan negatif. Oleh karena itu diterapkan metode SMOTE (Synthetic Minority Oversampling Technique) untuk menyeimbangkan distribusi kelas. Setelah proses SMOTE dilakukan, jumlah masing-masing kelas menjadi seimbang yaitu 2852 data positif, 2852 data netral, dan 2852 data negatif. Proses klasifikasi dilakukan menggunakan algoritma Multinomial Naïve Bayes. Evaluasi model dilakukan menggunakan confusion matrix, accuracy, precision, recall, dan f1-score. Hasil pengujian menunjukkan bahwa model memperoleh nilai accuracy sebesar 94,83%. Nilai precision kelas positif sebesar 0,96 dengan recall sebesar 0,99. Hasil penelitian menunjukkan bahwa kombinasi preprocessing, TF-IDF, SMOTE, dan Multinomial Naïve Bayes mampu menghasilkan model klasifikasi sentimen yang cukup baik dalam menganalisis ulasan pengguna aplikasi Al-Qur’an Indonesia di Google Play Store.

EVALUASI PENGALAMAN PENGGUNA PADA PLATFORM DJP ONLINE MELALUI PENDEKATAN WEBQUAL 4.0 DAN DENGAN PENERAPAN ALGORITMA CLUSTERING

2026-07-20T08:17:35+00:00

Penelitian ini bertujuan untuk mengevaluasi pengalaman pengguna pada platform DJP Online menggunakan pendekatan WebQual 4.0 serta melakukan segmentasi pengguna dengan algoritma K-Means Clustering. Evaluasi dilakukan berdasarkan tiga dimensi utama, yaitu usability, information quality, dan service interaction quality.Metode yang digunakan dalam penelitian ini meliputi pengumpulan data melalui kuesioner, uji validitas dan reliabilitas, agregasi data, normalisasi menggunakan metode Min-Max Scaling, analisis deskriptif, serta analisis clustering menggunakan algoritma K-Means. Penentuan jumlah cluster optimal dilakukan menggunakan metode Elbow, sedangkan evaluasi kualitas cluster dilakukan menggunakan Davies-Bouldin Index (DBI).Hasil penelitian menunjukkan bahwa seluruh dimensi WebQual 4.0 berada pada kategori cukup, dengan nilai rata-rata usability sebesar 0,5356, information quality sebesar 0,5583, dan service interaction quality sebesar 0,5180. Hal ini menunjukkan bahwa layanan DJP Online telah mampu memenuhi kebutuhan dasar pengguna, namun belum mencapai tingkat optimal dalam memberikan pengalaman pengguna.Hasil analisis K-Means Clustering menunjukkan bahwa pengguna dapat dikelompokkan ke dalam tiga cluster utama, yaitu tidak puas, cukup puas, dan sangat puas. Cluster tidak puas memiliki nilai terendah pada seluruh dimensi, cluster cukup puas menunjukkan nilai sedang, sedangkan cluster sangat puas memiliki nilai tertinggi pada seluruh dimensi.Evaluasi kualitas cluster menggunakan Davies-Bouldin Index menghasilkan nilai sebesar 0,339, yang menunjukkan bahwa kualitas cluster yang terbentuk sangat baik karena memiliki tingkat pemisahan antar cluster yang jelas.Berdasarkan hasil penelitian, dapat disimpulkan bahwa kualitas layanan DJP Online masih memerlukan peningkatan, khususnya pada aspek usability dan service interaction quality. Selain itu, pendekatan berbasis segmentasi pengguna dapat digunakan sebagai dasar dalam merumuskan strategi peningkatan layanan yang lebih tepat sasaran.

OPTIMASI KINERJA ABSENSI RFID SERVERLESS MENGGUNAKAN BATCH PROCESSING, QUEUEING DAN RATE LIMIT MANAGEMENT UNTUK INTEGRASI CLOUD

2026-07-20T09:08:53+00:00

Pencatatan absensi yang cepat, akurat, dan minim biaya merupakan kebutuhan esensial bagi institusi pendidikan. Di SMK Plus As-Salafiyah, sistem absensi eksisting berupa pencatatan manual dan pemindaian QR Code terbukti lambat dan rentan terhadap rekapitulasi data yang tidak utuh. Di sisi lain, implementasi Internet of Things (IoT) dengan pengiriman data Real-Time menggunakan platform serverless gratis (Google Apps Script) sering mengalami kegagalan akibat pembatasan laju panggilan API (Error HTTP 429). Penelitian ini bertujuan untuk merancang arsitektur perangkat IoT berbasis mikrokontroler ESP32 Dual-Core guna memecahkan masalah tersebut. Sistem menerapkan strategi pembagian beban komputasi (multitasking); Core 1 secara eksklusif menangani pembacaan sensor RFID dan menyimpan data ke dalam memori MicroSD (Non-Volatile Queueing), sementara Core 0 beroperasi secara asinkron untuk mengirimkan tumpukan data ke database Google Sheets menggunakan teknik Batch Processing. Hasil pengujian kinerja secara kuantitatif menunjukkan bahwa pemisahan proses komputasi ini menghasilkan titik kompromi (trade-off) yang sangat ideal. Kecepatan pemindaian lokal (latency) mencapai 1 hingga 2 detik per siswa, jauh lebih efisien dibandingkan sistem sebelumnya. Selain itu, metode batching berhasil mengeliminasi penolakan API sehingga sistem mencapai tingkat keberhasilan pengiriman atau Packet Delivery Ratio (PDR) sebesar 100% tanpa adanya kehilangan data (data loss). Kesimpulannya, arsitektur Dual-Core dan Batch Processing ini terbukti tangguh sebagai solusi infrastruktur absensi tanpa biaya server (Zero-Cost Serverless) yang andal untuk diimplementasikan di lingkungan sekolah.

ANALISIS PERBANDINGAN KINERJA METODE K-MEANS DAN AGGLOMERATIVE HIERARCHICAL CLUSTERING DALAM PENGELOMPOKAN DATA PENJUALAN BERDASARKAN EVALUASI DAVIES-BOULDIN INDEX

2026-07-17T15:53:16+00:00

Penelitian ini bertujuan untuk menganalisis segmentasi produk berdasarkan data penjualan serta membandingkan kinerja metode K-Means dan Agglomerative Hierarchical Clustering (AHC, dalam menghasilkan cluster yang optimal. Data yang digunakan merupakan data transaksi penjualan sebanyak 2.555 record dengan atribut harga, jumlah terjual (qty), dan total penjualan sebagai variabel utama dalam proses clustering. Hasil penelitian menunjukkan bahwa jumlah cluster terbaik yang diperoleh adalah k = 3 untuk kedua metode berdasarkan evaluasi menggunakan Davies-Bouldin Index (DBI). Nilai DBI pada metode K-Means sebesar 0,671688, sedangkan pada metode AHC sebesar 0,673826. Hal ini menunjukkan bahwa metode K-Means memiliki performa yang sedikit lebih baik dibandingkan AHC dalam menghasilkan cluster yang lebih kompak dan memiliki pemisahan yang lebih jelas, meskipun perbedaannya relatif kecil. Hasil clustering yang diperoleh mampu membagi data penjualan ke dalam tiga kelompok utama, yaitu kelompok dengan tingkat penjualan tinggi, sedang, dan rendah. Kelompok dengan penjualan tinggi memiliki rata-rata jumlah terjual dan total penjualan yang lebih besar dibandingkan kelompok lainnya, sedangkan kelompok penjualan rendah memiliki nilai yang paling kecil. Selain itu, visualisasi menggunakan Principal Component Analysis (PCA) menunjukkan bahwa antar cluster memiliki pemisahan yang cukup jelas, sehingga memperkuat hasil pengelompokan yang telah dilakukan. Dengan demikian, hasil penelitian ini menunjukkan bahwa metode clustering dapat digunakan untuk mengidentifikasi pola penjualan secara lebih terstruktur dan dapat dimanfaatkan sebagai dasar dalam pengambilan keputusan, khususnya dalam menentukan strategi pemasaran dan pengelolaan stok produk.