Journal of Computer Science and Artificial Intelligence (JCSAI)

IMPLEMENTASI ALGORITMA K-NEAREST NEIGHBOR UNTUK MENINGKATKAN MODEL KLASIFIKASI PENYAKIT LIVER

Muhammad Fathurohim — 2026-06-09

Penyakit liver merupakan salah satu masalah kesehatan yang memiliki tingkat prevalensi cukup tinggi dan sering kali sulit dideteksi pada tahap awal karena gejala yang tidak spesifik. Keterlambatan diagnosis dapat menyebabkan penyakit berkembang ke tahap yang lebih serius dan berisiko mengancam jiwa. Oleh karena itu, diperlukan suatu pendekatan berbasis data yang mampu membantu proses klasifikasi penyakit liver secara cepat dan objektif berdasarkan data medis pasien. Penelitian ini bertujuan untuk mengimplementasikan algoritma K-Nearest Neighbor (KNN) dalam meningkatkan model klasifikasi penyakit liver menggunakan data klinis pasien. Metode penelitian yang digunakan mengacu pada kerangka Knowledge Discovery in Database (KDD), yang meliputi tahapan seleksi data, pra-pemrosesan data, exploratory data analysis (EDA), pemodelan, dan evaluasi. Dataset yang digunakan adalah Indian Liver Patient Dataset (ILPD) yang terdiri dari 583 data pasien dengan 10 atribut fitur dan 1 atribut target. Tahap pra-pemrosesan data meliputi penanganan missing value menggunakan imputasi median, encoding data kategorikal, normalisasi data menggunakan StandardScaler, serta pembagian data menjadi data latih dan data uji dengan rasio 80:20. Analisis EDA dilakukan untuk memahami karakteristik data, distribusi kelas target, keberadaan outlier, serta korelasi antar fitur. Model klasifikasi dibangun menggunakan algoritma KNN dengan parameter k = 5 dan metode pengukuran jarak Euclidean Distance. Hasil penelitian menunjukkan bahwa algoritma KNN berhasil diterapkan untuk klasifikasi penyakit liver dengan nilai akurasi sebesar 63,25%. Berdasarkan classification report, model menunjukkan performa yang cukup baik dalam mendeteksi pasien penderita penyakit liver dengan nilai precision sebesar 0,74 dan recall sebesar 0,73. Namun, performa pada kelas pasien non-liver masih relatif rendah akibat ketidakseimbangan kelas dalam dataset. Hasil confusion matrix juga menunjukkan masih adanya kesalahan false positive dan false negative. Secara keseluruhan, penelitian ini menunjukkan bahwa algoritma KNN dapat digunakan sebagai metode dasar dalam klasifikasi penyakit liver, namun masih memerlukan optimasi lanjutan untuk meningkatkan kinerja model.

PENERAPAN SUPPORT VECTOR MACHINE UNTUK ANALISIS SENTIMEN ULASAN APLIKASI OVO PADA PLATFORM GOOGLE PLAY STORE

Aisyah Maharani — 2026-06-09

Penelitian ini difokuskan pada pengkajian pola sentimen yang muncul dari opini pengguna terhadap layanan dompet digital OVO. Analisis dilakukan menggunakan kumpulan ulasan yang dihimpun dari platform Google Play Store. Studi ini menggunakan alur kerja text mining yang mencakup langkah preprocessing serta proses pelabelan sentimen, baik secara manual maupun aturan tertentu. Metode ekstraksi fitur yang diaplikasikan adalah Term Frequency Inverse Document Frequency (TF-IDF), serta Proses klasifikasi dilakukan dengan memanfaatkan algoritma Support Vector Machine (SVM). Beberapa langkah yang dilakukan mencakup pembersihan teks, normalisasi, tokenisasi, penghapusan stopword, serta proses stemming terbukti sangat berpengaruh dalam meningkatkan kualitas data, sejalan dengan penelitian terdahulu yang menegaskan pentingnya preprocessing dalam meningkatkan performa model. Pendekatan TF-IDF terbukti efektif dalam mentransformasikan teks ulasan ke dalam bentuk numerik sebagai masukan bagi model. Sehingga model mampu membedakan kata-kata yang relevan. Hasil eksperimen menunjukkan bahwa algoritma SVM menghasilkan performa terbaik dalam mengklasifikasikan sentimen menjadi kategori positif, dan negatif. Evaluasi performa dilakukan menggunakan indikator akurasi, presisi, recall, dan F1-score. Temuan tersebut memperkuat bukti bahwa SVM memiliki kemampuan yang baik dalam memproses data teks dengan dimensi fitur yang besar. Visualisasi sentimen berupa diagram pie, diagram batang, dan wordcloud juga membantu memperjelas pola persepsi pengguna terhadap aplikasi. Secara keseluruhan, penelitian ini membuktikan bahwa kombinasi preprocessing yang efektif, ekstraksi fitur TF-IDF. Diharapkan hasil penelitian ini dapat dimanfaatkan sebagai acuan pengembangan sistem analisis sentimen serta memberikan rekomendasi bagi pengembang aplikasi dalam meningkatkan mutu layanan dompet digital.

IMPLEMENTASI BUSINESS INTELLIGENCE UNTUK ANALISIS PENYALURAN KREDIT USAHA RAKYAT TAHUN 2024 MENGGUNAKAN MICROSOFT POWER BI

Adi Nur Annas — 2026-06-10

Penelitian ini bertujuan untuk menerapkan Business Intelligence menggunakan Microsoft Power BI agar bisa menganalisis tren distribusi Kredit Usaha Rakyat (KUR) pada Tahun 2024 serta menampilkan hasilnya dalam bentuk dashboard interaktif yang bisa membantu proses pengambilan keputusan berdasarkan data. Pendekatan yang digunakan adalah pendekatan kuantitatif deskriptif dengan metode Exploratory Data Analysis (EDA). Data sekunder berupa open data KUR 2024 diambil dari Kaggle, kemudian diproses melalui tahapan Extract, Transform, Load (ETL) di Power Query. Proses ini mencakup pembersihan data yang kosong, penyesuaian jenis data, serta pengelompokan berdasarkan provinsi, bank pemberi KUR, skema, dan waktu. Hasil pemrosesan tersebut kemudian dibuat menjadi model semantic di Power BI dan ditampilkan dalam berbagai visualisasi seperti KPI Cards, clustered bar chart, 100% stacked column chart, peta, dan pie chart. Hasil penelitian menunjukkan jumlah total KUR yang diberikan mencapai sekitar 3 triliun rupiah kepada sebanyak 363 ribu debitur dengan rata-rata pemberian KUR sebesar 8 juta rupiah per debitur. Secara wilayah, Jawa Tengah, Jawa Timur, dan Jawa Barat menjadi tiga provinsi dengan jumlah penyaluran tertinggi, sedangkan Kalimantan Utara, Gorontalo, dan Maluku berada di posisi terendah. Dilihat dari jenis produk, skema 3 mendominasi dengan presentase 69,35%, diikuti oleh skema 1 sebesar 26,51%, sedangkan skema lainnya hanya menyumbang kurang dari 3%. Temuan ini menunjukkan bahwa penyaluran KUR cenderung berkonsentrasi di Pulau Jawa dan terdapat ketimpangan akses pembiayaan di wilayah timur dan kepulauan. Dashboard yang dihasilkan bisa dimanfaatkan oleh pemerintah dan bank untuk memantau pemerataan KUR, mengarahkan upaya peningkatan di provinsi yang memiliki penyaluran rendah, serta mengevaluasi kinerja setiap skema. Keterbatasan dari penelitian ini adalah hanya menggunakan data sekunder Tahun 2024 dan belum melakukan analisis tentang faktor-faktor yang memengaruhi perilaku debitur maupun prediksi yang lebih lanjut.

PERANCANGAN SISTEM INFORMASI PENDAFTARAN PESERTA COSPLAY COMPETITION BERBASIS WEB PADA EVENT GAKUSEI NO MATSURI

Ado Riffat Prasetyo — 2026-06-09

Pengelolaan data peserta Cosplay Competition pada event Gakusei no Matsuri saat ini masih terkendala oleh proses manual yang menyebabkan duplikasi data dan lambatnya rekapitulasi laporan. Penelitian ini bertujuan untuk: (1) Merancang sistem informasi pendaftaran berbasis web yang mampu mengelola data secara terstruktur dan terpusat, serta (2) Menyediakan fasilitas rekapitulasi otomatis dan pembuatan laporan yang akurat bagi panitia. Metode pengembangan sistem yang digunakan adalah Waterfall, dengan bahasa pemrograman PHP dan basis data MySQL. Hasil dari penelitian ini adalah sebuah sistem informasi yang dilengkapi fitur validasi otomatis untuk mencegah input data ganda, serta fitur Dashboard Statistik dan Export Data (Excel) untuk mempercepat pembuatan laporan administrasi. Berdasarkan pengujian Black Box, seluruh fitur terbukti berjalan valid dan mampu meningkatkan efisiensi kerja panitia dalam mengelola data peserta secara real-time.

VISUALISASI DATA PUTUS SEKOLAH JENJANG SMA DI JAWA BARAT MENGGUNAKAN POWER BI BERDASARKAN PROFIL SISWA, KARAKTERISTIK SEKOLAH DAN TINGKAT KEMISKINAN

Dina Mutia Azizah — 2026-06-10

Fenomena putus sekolah pada jenjang SMA masih menjadi isu pendidikan yang signifikan di Provinsi Jawa Barat dengan variasi distribusi antarwilayah yang dipengaruhi oleh kondisi sosial ekonomi dan karakteristik sekolah. Penelitian ini bertujuan untuk memvisualisasikan dan menganalisis distribusi data putus sekolah SMA di Jawa Barat tahun 2024 menggunakan pendekatan Business Intelligence berbasis Microsoft Power BI. Penelitian menggunakan metode kuantitatif deskriptif dengan desain cross-sectional dan memanfaatkan data sekunder dari portal resmi Kemendikdasmen dan Open Data Jawa Barat. Analisis mengintegrasikan profil siswa (jenis kelamin), karakteristik sekolah (status negeri/swasta dan tingkat kelas), serta tingkat kemiskinan wilayah dalam bentuk dashboard interaktif. Hasil penelitian menunjukkan variasi jumlah putus sekolah antar kabupaten/kota, dengan jumlah relatif lebih tinggi di wilayah seperti Kabupaten Garut, Kabupaten Bogor, dan Kabupaten Cianjur dibandingkan wilayah perkotaan. Siswa laki-laki cenderung memiliki jumlah putus sekolah lebih tinggi dibandingkan perempuan, serta lebih banyak terjadi pada sekolah swasta. Visualisasi scatter plot menunjukkan kecenderungan pola hubungan positif antara tingkat kemiskinan wilayah dan angka putus sekolah, meskipun terdapat variasi antarwilayah. Dashboard Power BI yang dikembangkan mampu menyajikan integrasi data pendidikan dan sosial ekonomi secara visual dan terstruktur sebagai informasi pendukung pemantauan distribusi putus sekolah.

IMPLEMENTASI METODE FP-GROWTH DALAM ANALISIS DATA TRANSAKSI PENJUALAN KOMUNIKOFFIE

Agisma Syahrila Naida Zulfa — 2026-06-09

Pemannfaatan data transaksi penjualan menjadi kebutuhan penting bagi pelaku usaha, khususnya di bidang kuliner, untuk memahami pola perilaku konsumen. Komunikoffie sebagai usaha kedai kopi memiliki data transaksi penjualan yang terus bertambah setiap harinya, namun data tersebut belum dimanfaatkan secara optimal untuk mendukung pengambilan keputusan bisnis. Berdasarkan hasil observasi di lokasi penelitian, data transaksi penjualan di KomuniKoffie selama ini hanya digunakan sebagai laporan administrasi tanpa dilakukan analisis lebih lanjut. Pihak pengelola belum mengetahui secara pasti produk apa saja yang sering dibeli secara bersamaan oleh pelanggan. Akibatnya, penentuan paket menu dan strategi promosi masih dilakuka berdasarkan pengalaman dan perkiraan. Kondisi ini menyebabkan peluang peningkatan penjualan belum dimanfaatkan secara maksimal. Permasalahan tersebut menunjukkan perlunya analisis data transaksi penjualan yang lebih terstruktur dan berbasis data. Akar permasalahan dari kondisi tersebut adalah belum diterapkannya metode analisis data yang mampu menggali pola pembelian konsumen dari data transaksi yang tersedia. Untuk mengatasi permasalahan tersebut, penelitian ini menerapkan metode FP-Growth dipilih karena mampu menemukan pola itemset yang sering muncul secara efisien tanpa proses pembangkitan kandidat. Tahapan penelitian meliputi pengumpulan data transaksi penjualan, pembersihan dan transformasi data, pembentukan frequent itemset, serta pembentukan aturan asosiasi berdasarkan nilai support dan confidence. Tujuan dari tugas akhir ini adalah menerapkan metode FP-Growth dalam menganalisis data transaksi penjualan KomuniKoffie guna menghasilkan pola pembelian konsumen. Hasil penelitian menunjukkan bahwa metode FP-Growth mampu menghasilkan pola produk yang sering dibeli secara bersamaan, yang dapat dimanfaatkan sebagai dasar pembuatan paket menu dan strategi promosi yang lebih tepat sasaran.

PREDIKSI TREN HARGA EUR DAN USD BERDASARKAN ANALISIS DATA BERITA FINANSIAL MENGGUNAKAN MODEL LONGFORMER-BILSTM

Muhammad Saiful Millah — 2026-06-10

Penelitian ini bertujuan untuk meningkatkan akurasi prediksi tren nilai tukar EUR/USD melalui pengembangan model hibrida Longformer–BiLSTM yang memanfaatkan analisis sentimen berita finansial. Pergerakan EUR/USD sangat dipengaruhi oleh kondisi makroekonomi global dan sentimen pasar, sehingga integrasi data harga historis dan sentimen berita dipandang mampu memberikan gambaran yang lebih komprehensif mengenai dinamika pasar valuta asing. Dataset yang digunakan mencakup artikel berita finansial berbahasa Inggris dari Reuters, Bloomberg, dan Investing.com yang disejajarkan secara temporal dengan data harga penutupan harian EUR/USD. Prapengolahan data meliputi pembersihan teks, tokenisasi, ekstraksi sentimen menggunakan FinBERT, normalisasi fitur, serta pembentukan jendela waktu sepanjang 60 hari untuk membangun urutan input model. Arsitektur Longformer dimanfaatkan untuk menangani dokumen panjang dan mengekstraksi representasi semantik yang mendalam, sedangkan BiLSTM digunakan untuk memodelkan dependensi temporal dari gabungan data harga dan sentimen. Model dilatih menggunakan pembagian data berurutan (training–validation–testing) serta penyetelan hiperparameter untuk memperoleh konfigurasi optimal. Evaluasi performa dilakukan menggunakan RMSE dan MAPE, kemudian dibandingkan dengan beberapa model baseline seperti LSTM, GRU, dan CNN–BiLSTM. Hasil penelitian menunjukkan bahwa Longformer–BiLSTM unggul secara signifikan dengan RMSE sekitar 0,042, MAPE 1,84%, serta nilai R² mendekati 0,982. Kinerja tersebut terbukti lebih baik dibandingkan seluruh model pembanding, menunjukkan bahwa integrasi informasi sentimen berita ke dalam arsitektur berbasis transformer dan jaringan BiLSTM mampu meningkatkan akurasi, stabilitas, dan kemampuan generalisasi prediksi tren EUR/USD. Penelitian ini memberikan kontribusi berupa kerangka multimodal yang efektif dan dapat direplikasi untuk peramalan pasar valuta asing berbasis data dan sentimen.

PREDIKSI PENJUALAN PRODUK ELEKTRONIK SHOPEE MENGGUNAKAN REGRESI LINIER BERBASIS PYTHON

Sindi Amelia — 2026-06-10

Digitalisasi di sektor e-commerce menuntut kemampuan prediksi penjualan yang andal untuk mendukung keputusan strategis, khususnya dalam pengelolaan stok, penetapan harga, dan alokasi promosi. Penelitian ini bertujuan mengembangkan model prediksi penjualan produk elektronik di marketplace Shopee menggunakan algoritma regresi linier berbasis Python. Dataset yang digunakan terdiri atas 80 observasi mingguan dengan variabel jumlah pesanan, jumlah pembeli, tingkat konversi, dan nilai penjualan. Tahapan penelitian meliputi akuisisi dan pra-pemrosesan data, eksplorasi data, pembagian data menjadi latih dan uji (80:20), uji asumsi linieritas dan normalitas residual, pembangunan model regresi linier sederhana, serta evaluasi kinerja model menggunakan koefisien determinasi (R²) dan Mean Squared Error (MSE). Hasil eksperimen menunjukkan bahwa variabel jumlah pesanan merupakan prediktor utama yang mampu menjelaskan sekitar 79,8% variasi nilai penjualan, dengan koefisien positif sekitar Rp118.114,02 per pesanan. Meskipun uji normalitas residual mengindikasikan pelanggaran asumsi normalitas, performa prediktif model masih dinilai memadai untuk keperluan praktis dan dapat dijadikan model dasar yang efisien dan mudah diinterpretasikan. Temuan ini menunjukkan bahwa regresi linier layak dimanfaatkan sebagai titik awal pengembangan sistem prediksi penjualan bagi pelaku usaha produk elektronik di Shopee, sebelum dieksplorasi algoritma yang lebih kompleks pada penelitian lanjutan

PREDIKSI KUALITAS AIR KOLAM MENGGUNAKAN ALGORITMA MACHINE LEARNING BERDASARKAN DATA IOT

Antoni Nur Yahya — 2026-06-09

Kualitas air kolam merupakan faktor krusial dalam keberhasilan akuakultur karena berpengaruh langsung terhadap kesehatan ikan, produktivitas, dan keberlanjutan ekosistem. Pemantauan kualitas air secara konvensional masih menghadapi keterbatasan dalam cakupan pengukuran, kontinuitas data, serta keterlambatan dalam pengambilan keputusan. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem prediksi kualitas air kolam berbasis Internet of Things (IoT) dan algoritma machine learning guna mendukung deteksi dini degradasi kualitas air. Data kualitas air dikumpulkan secara kontinu menggunakan sensor IoT yang mengukur parameter fisika-kimia utama, meliputi suhu, pH, kekeruhan, dan oksigen terlarut. Data yang diperoleh kemudian melalui tahapan pra-pemrosesan, seperti pembersihan data, penanganan nilai hilang, dan rekayasa fitur, sebelum digunakan dalam pemodelan machine learning dengan pendekatan supervised learning. Beberapa algoritma machine learning diterapkan dan dievaluasi untuk memperoleh model dengan kinerja prediksi terbaik berdasarkan metrik akurasi yang relevan. Hasil penelitian menunjukkan bahwa penerapan machine learning pada data IoT mampu menghasilkan prediksi kualitas air yang akurat dan adaptif terhadap perubahan kondisi lingkungan kolam. Sistem yang dikembangkan berpotensi memberikan peringatan dini terhadap penurunan kualitas air, sehingga memungkinkan pengelola kolam melakukan tindakan korektif secara proaktif. Penelitian ini berkontribusi dalam pengembangan sistem pemantauan dan prediksi kualitas air kolam berbasis data yang efisien, adaptif, dan berkelanjutan, serta mendukung implementasi akuakultur cerdas di masa mendatang.

PENERAPAN BUSSINES INTELLEGENCE DENGAN POWER BI SEBAGAI ALAT PENGAMBILAN KEPUTUSAN MANAJERIAL PADA APOTEK FAJAR FARMA

Adjeng Putri Aprilliani — 2026-06-10

Penelitian ini bertujuan untuk menganalisis kondisi sistem pengelolaan data penjualan dan stok obat di Apotek Fajar Farma, mengidentifikasi kesenjangan informasi manajerial, serta merancang dan mengimplementasikan sistem Business Intelligence (BI) berbasis Microsoft Power BI sebagai alat pendukung pengambilan keputusan. Permasalahan utama yang ditemukan adalah proses pengolahan data yang masih semi-manual, tidak terintegrasi, dan belum mampu menyediakan informasi analitis secara real time. Penelitian menggunakan pendekatan deskriptif kuantitatif dengan tahapan Business Intelligence Lifecycle yang meliputi data cleaning, integrasi data, transformasi, pemodelan menggunakan star schema, serta visualisasi dashboard interaktif. Sistem yang dibangun menghasilkan dashboard Overview Penjualan, Analisis Stok, dan Perbandingan Sistem Manual dengan Power BI. Evaluasi dilakukan melalui User Acceptance Test (UAT). Hasil penelitian menunjukkan bahwa penerapan BI berbasis Power BI meningkatkan efisiensi pelaporan, mengurangi kesalahan perhitungan, serta menyediakan informasi visual yang mendukung analisis tren penjualan dan kondisi stok secara lebih akurat. Hasil UAT menunjukkan tingkat penerimaan pengguna yang tinggi, sehingga sistem dinilai layak digunakan sebagai alat pengambilan keputusan manajerial.

ANALISIS POLA PEMAKAIAN OKSIGEN RUMAH SAKIT DAN OPTIMALISASI MANAJEMEN STOK MENGGUNAKAN METODE DATA MINING

Luthfi Hidayat Ishadi — 2026-06-10

Penelitian ini bertujuan untuk meningkatkan efisiensi manajemen toko retail dengan menerapkan metode algoritma K-Means Clustering dalam mengelompokkan data transaksi penjualan barang di Toko Arino. K-Means Clustering dipilih sebagai algoritma utama karena kemampuannya dalam mengelompokkan data ke dalam cluster berdasarkan karakteristik yang serupa. Data transaksi penjualan barang yang dikumpulkan dari Toko Arino menjadi objek analisis utama untuk mengevaluasi keberhasilan implementasi algoritma. Metodologi penelitian melibatkan langkah-langkah pemrosesan data, seperti pembersihan dan transformasi data, untuk memastikan keakuratan dan keterbacaan hasil analisis. Selanjutnya, algoritma K-Means Clustering diimplementasikan untuk mengelompokkan data transaksi penjualan ke dalam kategori yang lebih terstruktur. Hasil dari pengelompokkan ini diharapkan dapat memberikan wawasan yang berharga terkait pola penjualan, preferensi pelanggan, dan penempatan optimal barang di dalam toko. Analisis dan evaluasi hasil implementasi dilakukan melalui metrik evaluasi kinerja K-Means, seperti SSE (Sum of Squared Errors) dan siluet index. Selain itu, dampak implementasi terhadap efisiensi manajemen toko juga dievaluasi melalui perbandingan kinerja sebelum dan sesudah penerapan algoritma. Hasil penelitian ini diharapkan dapat memberikan kontribusi positif terhadap strategi penataan barang di Toko Arino, meningkatkan pengambilan keputusan berbasis data, dan pada akhirnya, meningkatkan kualitas layanan kepada pelanggan serta profitabilitas toko

PENERAPAN K-MEANS CLUSTERING DALAM PENGELOMPOKAN CALON PENERIMA BANTUAN SOSIAL BERBASIS DATA SOSIAL-EKONOMI DI KECAMATAN CIDAHU

Muhammad Ridhwan Faris Wali — 2026-06-09

Program bantuan sosial memiliki peran penting dalam pengentasan kemiskinan, namun efektivitasnya sering terhambat oleh ketidaktepatan sasaran penerima. Di Kecamatan Cidahu, proses seleksi manual telah mengakibatkan subjektivitas, kurangnya transparansi, dan ketidakpuasan masyarakat. Penelitian ini bertujuan mengembangkan model data mining menggunakan metode clustering K-Means untuk mengelompokkan rumah tangga berdasarkan indikator sosial-ekonomi guna seleksi penerima bantuan sosial yang lebih objektif. Data dikumpulkan dari rekaman administratif yang memuat variabel seperti pendapatan bulanan, jumlah tanggungan, kondisi rumah, luas tanah, dan tingkat pendidikan. Setelah preprocessing dan standardisasi, jumlah klaster optimal (K=3) ditentukan menggunakan Metode Elbow dan Silhouette Score. Algoritma K-Means kemudian diterapkan untuk mengelompokkan rumah tangga menjadi tiga klaster: "Sangat Layak," "Layak," dan "Kurang Layak." Evaluasi menggunakan Silhouette Score (0,52) dan Davies-Bouldin Index (1,21) menunjukkan pemisahan klaster yang cukup baik. Model berhasil mengidentifikasi 65 rumah tangga sebagai penerima prioritas, membuktikan bahwa K-Means dapat memberikan landasan berbasis data untuk distribusi bantuan sosial yang lebih adil dan transparan. Penelitian ini berkontribusi secara metodologis dalam penerapan clustering pada konteks kebijakan sosial serta memberikan rekomendasi praktis bagi pemerintah daerah dalam pengambilan keputusan berbasis bukti.

PERANCANGAN DASHBOARD BUSINESS INTELLIGENCE MENGGUNAKAN POWER BI UNTUK ANALISIS TREN PENJUALAN (STUDI KASUS: COFFEE SHOP XYZ)

Robby Perwira Negara — 2026-06-10

Business Intelligence, Power BI, Dashboard, ETL, Sales Analysis Perkembangan teknologi informasi mendorong pemanfaatan Business Intelligence (BI) sebagai alat pendukung pengambilan keputusan berbasis data. Coffee Shop XYZ sebagai usaha skala UMKM membutuhkan sistem analisis penjualan yang mampu menyajikan informasi secara akurat dan mudah dipahami. Namun, keterbatasan pencatatan transaksi dan tidak tersedianya data historis menyebabkan analisis penjualan tidak dapat dilakukan secara optimal. Penelitian ini bertujuan untuk merancang dashboard Business Intelligence berbasis Power BI guna menganalisis tren penjualan dengan menggunakan dataset publik dari Kaggle sebagai simulasi data penjualan coffee shop. Metode yang digunakan meliputi proses Extract, Transform, and Load (ETL) menggunakan Power Query, pemodelan data, serta perancangan visualisasi interaktif pada Power BI. Hasil penelitian menghasilkan dashboard yang menampilkan informasi utama seperti total penjualan, tren penjualan bulanan, daftar produk terlaris, dan komposisi kategori produk. Insight yang diperoleh menunjukkan bahwa kategori Coffee merupakan penyumbang pendapatan terbesar, dengan Latte, Cappuccino, dan Espresso sebagai produk terlaris. Selain itu, terlihat adanya fluktuasi penjualan bulanan yang dapat menjadi dasar dalam perencanaan strategi bisnis. Evaluasi dashboard menunjukkan bahwa visualisasi yang dirancang telah mampu menyajikan informasi secara jelas, konsisten, dan relevan untuk mendukung pengambilan keputusan. Dengan demikian, dashboard BI yang dikembangkan dapat menjadi alat bantu analisis yang efektif bagi UMKM, khususnya dalam memahami pola penjualan dan merumuskan strategi operasional yang lebih tepat.

ANALISIS KERANJANG BELANJA MENGGUNAKAN METODE MARKET BASKET ANALYSYS UNTUK MENENTUKAN POLA BELANJA KARYAWAN DI AL-BAHJAH MART

Hilman . — 2026-06-09

Al-Bahjah Mart sebagai unit usaha ritel memiliki data transaksi penjualan yang selama ini hanya dimanfaatkan untuk pencatatan administratif dan laporan keuangan, sehingga belum digunakan secara optimal untuk menganalisis pola pembelian karyawan. Permasalahan dalam penelitian ini adalah belum diketahuinya pola keranjang belanja karyawan yang dapat mendukung strategi penataan produk dan promosi penjualan. Penelitian ini bertujuan untuk menganalisis pola pembelian karyawan menggunakan metode Market Basket Analysis dengan algoritma FP-Growth. Data yang digunakan merupakan data transaksi periode Oktober–November 2026 yang diperoleh dari sistem kasir dan diolah melalui tahapan pengumpulan data, import ke RapidMiner/AI Studio, data cleaning, transformasi binominal, serta pembentukan frequent itemset dan association rules berdasarkan nilai support, confidence, dan lift. Hasil penelitian menunjukkan adanya hubungan keterkaitan yang signifikan antarproduk tertentu yang sering dibeli secara bersamaan, sehingga dapat dijadikan dasar dalam penyusunan strategi penempatan produk, promosi bundling, dan pengelolaan persediaan secara lebih efektif dan berbasis data.

VISUALISASI KORELASI PERHATIAN DIGITAL EVENT BTS FESTA TER-HADAP SAHAM HYBE PASCA WAMIL

Delia Ardiani Putri — 2026-06-10

Penelitian ini bertujuan untuk menganalisis hubungan antara perhatian digital publik dan pergerakan return saham HYBE Corporation selama periode BTS FESTA 2025 setelah wajib militer. Perhatian digital diukur menggunakan indeks pencarian kata kunci BTS dan BTS FESTA dari Naver DataLab, sedangkan data harga saham HYBE diperoleh dari Yahoo Finance. Periode pengamatan ditetapkan ±30 hari sebelum dan sesudah 13 Juni 2025 sebagai tanggal pelaksanaan event. Metode analisis meliputi perhitungan return saham, normalisasi data, uji korelasi Pearson, dan visualisasi time-series menggunakan Power BI. Hasil menunjukkan bahwa nilai korelasi antara perhatian digital dan return saham berada pada kategori sangat lemah (r = –0,013 dan r = 0,049). Meskipun rata-rata return berubah dari 0,39 sebelum event menjadi –0,50 setelah event, perubahan tersebut tidak signifikan secara statistik. Visualisasi menunjukkan bahwa lonjakan perhatian digital tidak diikuti oleh kenaikan harga saham yang konsisten. Dengan demikian, perhatian digital publik selama BTS FESTA 2025 tidak berpengaruh signifikan terhadap perubahan return saham HYBE dalam jangka pendek.

PERANCANGAN SISTEM INFORMASI MANAJEMEN PEMASARAN DAN DISTRIBUSI TELUR AYAM NEGERI BERBASIS WEB

Fahrizal Muhamad Ilham Rahmadani — 2026-06-09

Penelitian ini bertujuan untuk merancang dan mengimplementasikan Sistem Informasi Manajemen Pemasaran dan Distribusi Telur Ayam Negeri berbasis web guna meningkatkan efisiensi operasional dan akurasi pengelolaan data pada kegiatan distribusi agribisnis. Pada banyak usaha agribisnis skala kecil dan menengah, proses pemasaran dan distribusi masih dikelola secara manual, sehingga sering menimbulkan ketidaktepatan pencatatan stok, keterlambatan informasi penjualan, serta kesulitan dalam pengendalian distribusi. Metode penelitian menggunakan pendekatan pengembangan sistem Waterfall yang meliputi tahap analisis kebutuhan, perancangan sistem, implementasi, dan pengujian. Sistem dikembangkan menggunakan bahasa pemrograman PHP dan basis data MySQL. Evaluasi sistem dilakukan menggunakan metode Black Box Testing untuk memastikan seluruh fungsi sistem berjalan sesuai dengan kebutuhan pengguna. Hasil penelitian menunjukkan bahwa sistem mampu mengelola data produk, transaksi penjualan, dan proses distribusi secara terintegrasi serta menghasilkan laporan penjualan dan distribusi secara otomatis. Secara keseluruhan, sistem ini mampu menyediakan alur informasi yang terstruktur dan mendukung pengambilan keputusan manajerial pada usaha distribusi telur ayam negeri.

KLASIFIKASI KELULUSAN SISWA SMA ISLAM Al AZHAR 5 CIREBON MENGGUNAKAN METODE DECISION TREE

Muhammad Yusuf — 2026-06-10

Penentuan kelulusan siswa merupakan salah satu proses penting dalam dunia pendidikan yang memerlukan ketelitian, objektivitas, dan efisiensi. Di lingkungan sekolah, proses evaluasi kelulusan sering kali masih dilakukan secara manual sehingga membutuhkan waktu yang lama serta berpotensi menimbulkan subjektivitas dalam pengambilan keputusan. Oleh karena itu, diperlukan suatu sistem berbasis data yang mampu membantu pihak sekolah dalam menentukan kelulusan siswa secara lebih objektif dan cepat. Penelitian ini bertujuan untuk membangun model klasifikasi kelulusan siswa di SMA Islam Al Azhar 5 Cirebon tahun ajaran 2024–2025 dengan menggunakan metode Decision Tree dalam bidang Data Mining. Data yang digunakan berjumlah 615 data siswa periode 2023–2024 yang diperoleh dari SMA Islam Al Azhar 5 Cirebon, dengan variabel nilai mata pelajaran seperti PAI, PKN, Bahasa Indonesia, Matematika, Bahasa Inggris, PJOK, Seni, serta beberapa mata pelajaran lainnya, termasuk nilai rata-rata sebagai atribut pendukung. Proses pengolahan dan pemodelan data dilakukan menggunakan perangkat lunak RapidMiner dengan pembagian data training sebesar 80% dan data testing sebesar 20%. Hasil penelitian menunjukkan bahwa model Decision Tree mampu menghasilkan tingkat akurasi sebesar 100% pada data training dan data testing dengan nilai error 0%. Untuk memastikan performa model dan menghindari kemungkinan overfitting, dilakukan pengujian menggunakan teknik K-Fold Cross Validation sebanyak 10 fold yang menghasilkan akurasi sebesar 99,35% dengan classification error sebesar 0,65%, weighted mean recall sebesar 99,66%, dan weighted mean precision sebesar 95,25%. Hasil tersebut menunjukkan bahwa model Decision Tree memiliki tingkat akurasi yang sangat tinggi dan berpotensi untuk diterapkan sebagai sistem pendukung keputusan dalam proses evaluasi kelulusan siswa di sekolah.

HUBUNGAN GARIS KEMISKINAN DAN TINGKAT KEKERASAN TERHADAP PEREMPUAN DI JAWA BARAT MENGGUNAKAN ANALISIS POWER BI

aulia fitriani — 2026-06-10

Kekerasan terhadap perempuan merupakan bentuk pelanggaran hak asasi manusia yang masih banyak terjadi di berbagai wilayah Indonesia. Jawa Barat termasuk provinsi dengan tingkat kekerasan yang tinggi, dipengaruhi oleh faktor sosial, ekonomi, dan budaya. Penelitian ini bertujuan menganalisis pola kekerasan terhadap perempuan di Jawa Barat periode 2018–2024 melalui pendekatan Business Intelligence menggunakan Power BI. Data sekunder diperoleh dari Badan Pusat Statistik (BPS) dan Dinas Pemberdayaan Perempuan dan Perlindungan Anak (DP3A). Tahapan penelitian meliputi pengumpulan data, preprocessing, integrasi, visualisasi, dan analisis menggunakan dashboard Power BI. Hasil penelitian menunjukkan adanya korelasi positif antara garis kemiskinan dan jumlah kasus kekerasan, serta sebaran spasial yang menghasilkan konsentrasi kasus pada wilayah metropolitan seperti Bandung dan Bekasi. Visualisasi dalam Power BI terbukti efektif menghasilkan insight yang dapat mendukung pengambilan kebijakan berbasis data. Penelitian ini memberikan kontribusi pada pengembangan sistem informasi sosial dan analitik data dalam isu kekerasan berbasis gender.

ANALISIS POLA PEMBELIAN PARFUM MENGGUNAKAN METODE DATA MAINING ALGORITMA FP-GROWTH

Rahmat Rahmat — 2026-06-09

Perkembangan teknologi informasi mendorong pemanfaatan data sebagai aset penting dalam mendukung pengambilan keputusan bisnis, termasuk pada sektor ritel parfum. Data transaksi penjualan yang tersimpan dalam jumlah besar menyimpan potensi pengetahuan yang dapat dimanfaatkan untuk memahami perilaku dan pola pembelian konsumen. Namun, pada praktiknya, banyak pelaku usaha ritel belum memanfaatkan data tersebut secara optimal sebagai dasar strategi pemasaran dan pengelolaan produk. Permasalahan yang dihadapi Toko Fatih Parfum adalah data transaksi penjualan yang hanya digunakan sebagai arsip tanpa dilakukan analisis lebih lanjut. Akibatnya, pemilik toko mengalami kesulitan dalam menentukan kombinasi produk untuk promosi, strategi bundling, serta pengelolaan stok parfum. Akar permasalahan tersebut terletak pada belum diterapkannya metode analisis data yang sistematis untuk menggali pola pembelian konsumen dari data transaksi yang tersedia. Penelitian ini menerapkan metode data mining dengan algoritma FP-Growth untuk menganalisis pola pembelian parfum. Data yang digunakan berupa data primer transaksi penjualan parfum selama tiga bulan yang diperoleh langsung dari Toko Fatih Parfum. Tahapan penelitian meliputi pengumpulan data, pra-pemrosesan data, transformasi data ke bentuk binominal, pembentukan frequent itemset menggunakan FP-Growth, serta pembentukan association rules berdasarkan nilai minimum support dan confidence. Proses analisis dilakukan menggunakan perangkat lunak Altair AI Studio (RapidMiner).Tujuan dari penelitian ini adalah menghasilkan pola pembelian dan aturan asosiasi yang dapat menggambarkan keterkaitan antarproduk parfum yang sering dibeli secara bersamaan. Hasil penelitian menunjukkan bahwa algoritma FP-Growth berhasil mengidentifikasi frequent itemset dan association rules yang relevan. Pola yang dihasilkan dapat dimanfaatkan sebagai dasar dalam penyusunan strategi promosi, bundling produk, dan pengelolaan persediaan. Dengan demikian, penerapan algoritma FP-Growth terbukti efektif dan efisien dalam mendukung pengambilan keputusan bisnis berbasis data pada Toko Fatih Parfum.

PENERAPAN ALGORITMA FP-GROWTH UNTUK ANALISIS POLA PEMBELIAN PRODUK FRIED CHICKEN PADA CHICKEN & GEPREK RT 79

Moh Rizky Kurniawan — 2026-06-10

Perkembangan teknologi digital mendorong UMKM untuk memanfaatkan data penjualan sebagai dasar pengambilan keputusan strategis, tidak hanya sebagai arsip transaksi. Chicken & Geprek RT 79 sebagai usaha kuliner fried chicken memiliki data penjualan harian yang cukup lengkap, namun berdasarkan observasi, data tersebut belum dianalisis untuk mengidentifikasi pola pembelian konsumen secara mendalam dan terstruktur. Data hanya digunakan sebagai laporan operasional tanpa dimanfaatkan untuk mengetahui keterkaitan antarproduk yang sering dibeli bersamaan dalam satu periode transaksi. Kondisi ini menyebabkan keputusan promosi, penyusunan paket menu, dan pengelolaan stok masih bersifat intuitif serta belum sepenuhnya berbasis analisis data. Akar permasalahan terletak pada belum diterapkannya metode analisis data yang sistematis untuk mengolah transaksi menjadi informasi strategis yang bernilai tambah bagi usaha. Penelitian ini menerapkan metode association rule dengan algoritma FP-Growth menggunakan Altair AI Studio. Proses dimulai dari import data, transformasi numerik ke bentuk biner berdasarkan nilai rata-rata sebagai threshold, penentuan minimum support untuk menghasilkan frequent itemset, serta pembentukan association rules menggunakan minimum confidence. Tahapan tersebut dilakukan secara terstruktur untuk menemukan kombinasi produk yang sering muncul bersamaan. Tujuan penelitian ini adalah mengimplementasikan algoritma FP-Growth pada data penjualan serta mengidentifikasi pola pembelian produk fried chicken guna mendukung strategi penjualan berbasis data dan meningkatkan daya saing usaha. Hasil penelitian menunjukkan diperolehnya 25 frequent itemsets dengan kombinasi maksimal tiga produk, di mana Chicken Jumbo memiliki nilai support tertinggi sebesar 0,519 dan menjadi produk konsekuensi dominan dengan confidence tertinggi mencapai 0,731. Temuan ini membuktikan bahwa FP-Growth efektif dalam mengidentifikasi pola pembelian yang relevan bagi UMKM kuliner.

PENERAPAN ALGORITMA RANDOM FOREST UNTUK KLASIFIKASI STATUS PEROKOK BERDASARKAN DATA FISIOLOGIS

Fajrur Rohman — 2026-06-10

Penelitian ini bertujuan untuk mengembangkan model klasifikasi status merokok menggunakan algoritma Random Forest berbasis parameter fisiologis dari data klinis. Pendekatan ini menawarkan alternatif yang lebih objektif dibandingkan metode survei atau pelaporan mandiri yang rentan terhadap bias dan underreporting. Data yang digunakan merupakan dataset terbuka dengan total 55.692 baris dan 27 kolom yang mencakup berbagai parameter fisiologis, seperti tinggi badan, hemoglobin, tekanan darah, dan informasi demografis. Penelitian ini terdiri atas lima tahapan utama, yaitu akuisisi data, prapemrosesan, pembagian data, pelatihan model, dan evaluasi. Proses prapemrosesan mencakup Exploratory Data Analysis (EDA), pengecekan nilai hilang dan data duplikat, deteksi outlier, encoding variabel kategorikal, dan standarisasi data numerik. Model baseline Random Forest menghasilkan akurasi sebesar 75,65%. Setelah dilakukan tuning menggunakan RandomizedSearchCV, performa model meningkat menjadi 76,38%. Analisis feature importance menunjukkan bahwa fitur paling berpengaruh terhadap klasifikasi status merokok adalah gender_male, height_cm, dan hemoglobin. Hasil ini menunjukkan bahwa algoritma Random Forest dengan tuning dapat secara efektif memanfaatkan parameter fisiologis untuk mengklasifikasikan status merokok, serta memberikan kontribusi terhadap pengembangan sistem skrining kesehatan berbasis data.

KLASIFIKASI CITRA MENGGUNAKAN ARSITEKTUR MOBILENETV2 DENGAN PENDEKATAN TRANSFER LEARNING

haydar ali husnurrizqi — 2026-06-09

Perkembangan teknologi pengolahan citra digital mendorong pemanfaatan metode pembelajaran mendalam untuk menyelesaikan permasalahan klasifikasi citra secara efektif dan efisien. Namun, keterbatasan data latih dan kompleksitas model sering menjadi tantangan dalam pengembangan sistem klasifikasi citra berbasis Convolutional Neural Network (CNN). Penelitian ini bertujuan untuk menerapkan arsitektur MobileNetV2 dengan pendekatan transfer learning dalam melakukan klasifikasi citra. Dataset citra melalui tahapan preprocessing dan augmentasi data untuk meningkatkan kualitas dan keberagaman data latih. Model MobileNetV2 yang telah dipra-latih digunakan sebagai feature extractor, kemudian dilakukan pelatihan lanjutan pada lapisan klasifikasi sesuai dengan jumlah kelas penelitian. Evaluasi performa model dilakukan menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa penerapan MobileNetV2 berbasis transfer learning mampu memberikan kinerja klasifikasi yang baik dan stabil, serta efektif digunakan pada tugas klasifikasi citra dengan sumber daya komputasi yang terbatas. Penelitian ini membuktikan bahwa pendekatan transfer learning pada MobileNetV2 dapat menjadi solusi yang efisien dalam pengembangan sistem klasifikasi citra.

EXPLAINABLE DEEP LEARNING MODELS FOR ENHANCED HANDWRITTEN TEXT RECOGNITION ACCURACY

Septia Dewi Rahayu — 2026-06-10

Penelitian ini bertujuan untuk mengevaluasi kinerja dan interpretabilitas dua model deep learning untuk pengenalan tulisan tangan, yaitu Convolutional Recurrent Neural Network (CRNN) dan CNN-Transformer. Permasalahan utama yang dibahas adalah rendahnya akurasi prediksi pada tingkat kata serta keterbatasan pemahaman mengenai bagian citra yang paling berkontribusi terhadap keputusan model. Pendekatan kuantitatif dilakukan dengan mengukur Character Error Rate (CER) dan Word Error Rate (WER), sedangkan pendekatan kualitatif dilakukan melalui visualisasi sensitivity map untuk menilai konsistensi perhatian masing-masing model terhadap struktur karakter. Dataset yang digunakan terdiri atas citra tulisan tangan yang melalui tahap praproses secara sistematis, termasuk normalisasi dan penyesuaian ukuran. Hasil penelitian menunjukkan bahwa CRNN memiliki performa yang lebih stabil dan kemampuan generalisasi yang lebih baik dibandingkan CNN–Transformer, dengan tingkat kesalahan karakter yang lebih rendah meskipun kedua model menunjukkan perbedaan yang cukup besar pada kesalahan tingkat kata. Visualisasi interpretabilitas menunjukkan bahwa CRNN secara konsisten menyoroti goresan karakter yang relevan, sedangkan CNN–Transformer menampilkan pola fokus yang lebih tersebar. Temuan ini menunjukkan bahwa kemampuan dalam menangkap detail struktural karakter tulisan tangan berperan penting dalam meningkatkan akurasi pengenalan. Penelitian ini memberikan kontribusi berupa analisis terintegrasi yang menggabungkan evaluasi kuantitatif dan interpretabilitas visual, sehingga dapat menjadi dasar bagi pengembangan model pengenalan tulisan tangan yang lebih transparan dan akurat.