ILKOM Jurnal Ilmiah (Fakultas Ilmu Komputer, Universitas Muslim Indonesia)
Not a member yet
653 research outputs found
Sort by
MODEL HIBRIDA SARIMA–GRU UNTUK PERAMALAN HARGA SAHAM PT TELKOM INDONESIA TBK
No full textPenelitian ini dilatarbelakangi oleh tantangan dalam memprediksi harga saham pada pasar negara berkembang, termasuk saham PT Telkom Indonesia Tbk (TLKM), yang memiliki karakteristik volatil, nonstasioner, serta menunjukkan kombinasi pola musiman linier dan dinamika residual nonlinier. Tujuan penelitian ini adalah mengembangkan dan mengevaluasi model prediksi berbasis pendekatan hibrida Seasonal Autoregressive Integrated Moving Average – Gated Recurrent Unit (SARIMA–GRU) yang dirancang untuk menangkap struktur linier-musiman sekaligus ketergantungan nonlinier pada data deret waktu. Metode penelitian menggunakan pendekatan kuantitatif dengan desain eksperimen terstruktur, meliputi tahap pengumpulan data melalui Yahoo Finance API, pra-pemrosesan, pemodelan SARIMA, pelatihan model GRU pada residual, serta integrasi prediksi hibrida. Hipotesis penelitian menyatakan bahwa model SARIMA–GRU mampu menghasilkan kesalahan prediksi yang lebih rendah dibandingkan model SARIMA atau GRU secara individual. Hasil evaluasi menggunakan RMSE dan MAE menunjukkan bahwa model hibrida memberikan peningkatan akurasi dengan RMSE lebih rendah dibanding model linier tunggal, menandakan bahwa kombinasi kedua pendekatan lebih adaptif dalam menangani dinamika pasar yang kompleks. Secara keseluruhan, penelitian ini membuktikan bahwa model SARIMA–GRU merupakan pendekatan yang efektif untuk peramalan harga saham TLKM dan berpotensi diterapkan dalam sistem pendukung keputusan investa
Implementasi K-Means Untuk Klasterisasi Kasus Penyalahgunaan Narkoba di Provinsi Sulawesi Selatan
No full textPenyalahgunaan narkoba merupakan salah satu masalah paling mendesak dan kompleks di Indonesia, yang ditandai dengan meningkatnya jumlah pecandu narkoba, jumlah kasus kejahatan narkoba yang ditemukan, serta semakin beragamnya model dan jaringan distribusi. Penelitian ini bertujuan untuk melakukan klasterisasi penyalahgunaan narkoba di Provinsi Sulawesi Selatan dengan menerapkan metode K-Means. Klasterisasi dilakukan pada data pengguna dalam kasus penyalahgunaan narkoba di BNN Provinsi Sulawesi Selatan dengan mengelompokkan setiap sampel ke dalam klaster yang berbeda. Hasil penelitian ini memberikan informasi mengenai gambaran setiap variabel yang memiliki distribusi data berbeda berdasarkan jenis zat yang digunakan pada klaster tertentu. Pengujian metode menggunakan evaluasi Silhoutte Coefficient dan Elbow menunjukkan terhadap 4 variabel dengan K = 2 memiliki nilai terbaik sebesar 0,62
Rancang Bangun Sistem Pakar Untuk Diagnosis Sakit Kepala Akibat Penggunaan Handphone Berbasis Metode Certainty Factor
No full textPenggunaan handphone yang berlebihan dalam kehidupan sehari-hari dapat memberikan berbagai dampak terhadap kesehatan yang buruk pada kita, salah satunya adalah sakit kepala. Banyak pengguna handphone tidak menyadari bahwa intensitas dan durasi penggunaan perangkat ini dapat memicu gejala tersebut. Kurangnya pemahaman masyarakat mengenai kaitan antara penggunaan handphone dan sakit kepala menunjukkan perlunya sebuah sistem yang dapat membantu melakukan diagnosis awal. Penelitian ini bertujuan untuk merancang sistem pengambilan keputusan yang mampu mendiagnosis sakit kepala akibat penggunaan handphone dengan menggunakan metode Certainty Factor. Metode ini digunakan untuk menghitung tingkat kepastian dari diagnosis berdasarkan kombinasi gejala yang diinput oleh pengguna. Sistem ini dirancang menggunakan pendekatan sistem pakar dengan basis pengetahuan yang disusun dari referensi medis dan pendapat pakar. Dengan adanya sistem ini, diharapkan masyarakat dapat memperoleh informasi awal mengenai kondisi yang dialaminya, meningkatkan kesadaran terhadap dampak penggunaan handphone yang berlebihan, serta membantu dalam mengambil langkah pencegahan lebih lanjut secara mandir
Analisis Review Pengguna Terhadap Fitur Baru Whatsapp Menggunakan LSTM
No full textSebagai salah satu platform komunikasi paling banyak digunakan, WhatsApp terus menghadirkan berbagai fitur baru untuk meningkatkan kenyamanan penggunanya. Namun, setiap pembaruan fitur seringkali disertai dengan beragam tanggapan dari pengguna, yang banyak dituangkan melalui ulasan di Google Play Store. Penelitian ini bertujuan untuk mengklasifikasikan sentimen dari ulasan-ulasan tersebut menggunakan metode Long Short-Term Memory (LSTM), sebuah arsitektur Recurrent Neural Network yang unggul dalam menangani data teks yang bersifat sekuensial. Data diperoleh melalui teknik web scraping dan diproses melalui tahapan pra-pemrosesan seperti tokenisasi, pembersihan teks, dan embedding kata. Model LSTM dirancang menggunakan kombinasi layer embedding, bidirectional LSTM, dan dense untuk menghasilkan klasifikasi sentimen ke dalam tiga kategori: positif, negatif, dan netral. Berdasarkan hasil pelatihan, model menunjukkan peningkatan akurasi yang signifikan serta penurunan loss yang stabil, mencapai akurasi validasi di atas 85%. Hasil confusion matrix menunjukkan bahwa model mampu membedakan ketiga jenis sentimen dengan akurasi tinggi dan kesalahan klasifikasi yang minim. Uji coba pada input kalimat baru juga menunjukkan kemampuan model dalam mengenali sentimen secara kontekstual dengan baik. Dengan demikian, pendekatan LSTM terbukti efektif dalam memahami dan menganalisis opini pengguna terhadap fitur-fitur baru WhatsAp
Penanganan Data Churn tidak Seimbang Menggunakan Pembobotan pada Model Supervised Machine Learning
No full textCustomer churn merupakan tantangan strategis dalam industri digital karena berdampak langsung pada pendapatan dan biaya akuisisi pelanggan baru. Salah satu kendala utama dalam membangun model prediksi churn adalah ketidakseimbangan kelas, dimana proporsi pelanggan churn hanya 11,4% dibandingkan 88,6% non-churn, dengan imbalance ratio hampir 8:1. Ketidakseimbangan ini berpotensi menurunkan sensitivitas model terhadap kelas minoritas. Meskipun berbagai teknik penanganan imbalance telah banyak diteliti, studi yang secara sistematis mengevaluasi efektivitas class weighting pada model-model klasifikasi dasar dalam konteks churn dengan ketidakseimbangan ekstrem masih terbatas. Penelitian ini bertujuan mengevaluasi efektivitas teknik pembobotan kelas (class weighting) dalam meningkatkan kinerja model klasifikasi churn pada data telekomunikasi JABODETABEK tahun 2019. Pendekatan supervised machine learning digunakan dengan lima algoritma utama: regresi logistik, K-Nearest Neighbors (KNN), decision tree, naive Bayes, dan random forest. Evaluasi dilakukan menggunakan stratified 5-fold cross-validation dan metrik yang relevan untuk data tidak seimbang, yaitu recall, specificity, F1-score, dan AUC-ROC. Hasil penelitian menunjukkan bahwa penerapan class weighting memberikan peningkatan signifikan pada nilai recall, khususnya pada model decision tree, KNN, dan naive Bayes. Model Naive Bayes Balanced memberikan performa terbaik dengan recall di atas 0,75, meskipun terjadi sedikit penurunan specificity sebagai trade-off. Secara umum, strategi pembobotan kelas terbukti mengurangi bias terhadap kelas mayoritas dan menghasilkan keseimbangan metrik yang lebih baik. Temuan ini menegaskan bahwa teknik penyeimbangan kelas, meskipun sederhana, tetap krusial untuk meningkatkan akurasi identifikasi pelanggan berisiko churn dan dapat dijadikan referensi praktis dalam pengembangan sistem retensi pelanggan di sektor industri telekomunikasi.Customer churn merupakan tantangan strategis dalam industri digital karena berdampak langsung pada pendapatan dan biaya akuisisi pelanggan baru. Salah satu kendala utama dalam membangun model prediksi churn adalah ketidakseimbangan kelas, dimana proporsi pelanggan churn hanya 11,4% dibandingkan 88,6% non-churn, dengan imbalance ratio hampir 8:1. Ketidakseimbangan ini berpotensi menurunkan sensitivitas model terhadap kelas minoritas. Penelitian ini bertujuan mengevaluasi efektivitas teknik pembobotan kelas (class weighting) dalam meningkatkan kinerja model klasifikasi churn pada data telekomunikasi JABODETABEK tahun 2019. Pendekatan supervised machine learning digunakan dengan lima algoritma utama: regresi logistik, K-Nearest Neighbors (KNN), decision tree, naive Bayes, dan random forest. Evaluasi dilakukan menggunakan stratified 5-fold cross-validation dan metrik yang relevan untuk data tidak seimbang, yaitu recall, specificity, F1-score, dan AUC-ROC. Hasil penelitian menunjukkan bahwa penerapan class weighting memberikan peningkatan signifikan pada nilai recall, khususnya pada model decision tree, KNN, dan naive Bayes. Model Naive Bayes Balanced memberikan performa terbaik dengan recall di atas 0,75, meskipun terjadi sedikit penurunan specificity sebagai trade-off. Secara umum, strategi pembobotan kelas terbukti mengurangi bias terhadap kelas mayoritas dan menghasilkan keseimbangan metrik yang lebih baik. Temuan ini menegaskan bahwa teknik penyeimbangan kelas, meskipun sederhana, tetap krusial untuk meningkatkan akurasi identifikasi pelanggan berisiko churn dan dapat dijadikan referensi praktis dalam pengembangan sistem retensi pelanggan di sektor industri telekomunikasi
Rancangan Sistem Pengarsipan Surat Organisasi Himpunan Pelajar Mahasiswa Turatea Berbasis Web Menggunakan Metode Metadata
No full textPengelolaan arsip surat pada Himpunan Pelajar Mahasiswa Turatea (HPMT) Kabupaten Jeneponto selama ini masih dilakukan secara manual dengan mencatat pada buku agenda dan menyimpan dokumen dalam bentuk fisik. Proses tersebut menimbulkan berbagai kendala, di antaranya sulitnya pencarian arsip, risiko kehilangan atau kerusakan dokumen, serta rendahnya efisiensi administrasi organisasi. Untuk mengatasi masalah tersebut, penelitian ini merancang sistem pengarsipan surat berbasis web dengan menerapkan metode metadata sebagai sarana pengklasifikasian data agar proses pencarian lebih cepat dan terstruktur. Metode pengembangan yang digunakan adalah Software Development Life Cycle (SDLC) model Waterfall yang meliputi tahapan analisis kebutuhan, perancangan, implementasi, pengujian, serta pemeliharaan. Perancangan sistem mencakup flowchart, use case, activity diagram, sequence diagram, class diagram, dan desain antarmuka utama. Sistem dirancang agar admin dapat melakukan manajemen arsip surat masuk dan keluar, pencarian berbasis metadata, manajemen pengguna, serta pembuatan laporan dalam format PDF. Sementara itu, pengguna memiliki hak akses terbatas untuk melihat arsip dan membuat laporan tanpa dapat mengubah data. Dengan adanya sistem ini, proses pengarsipan surat pada HPMT diharapkan menjadi lebih efisien, terorganisir, dan aman, sehingga dapat meningkatkan kinerja administrasi organisasi secara menyeluru
Monitoring Kualitas Udara pada Area Pembuangan Sampah Akhir Menggunakan Internet of Things
No full textTempat Pembuangan Sampah Akhir (TPA) merupakan sumber emisi gas berbahaya seperti Metana (CH4) yang mudah terbakar dan Karbon Monoksida (CO) yang beracun, hasil dari dekomposisi sampah organik. Metode pemantauan konvensional yang periodik dan manual memiliki keterbatasan dalam penanganan dini lonjakan gas berbahaya, sehingga berpotensi membahayakan kesehatan pekerja dan lingkungan sekitar. Penelitian ini bertujuan untuk merancang sistem monitoring kualitas udara berbasis Internet of Things (IoT) di area TPA untuk mendeteksi gas-gas berbahaya tersebut secara real-time. Sistem yang dikembangkan menggunakan mikrokontroler NodeMCU ESP8266 yang terintegrasi dengan sensor gas MQ-4 (untuk CH4), MQ-7 (untuk CO), MQ-135 (untuk kualitas udara umum seperti Amonia - NH3/H2S), serta sensor DHT22 untuk mengukur suhu dan kelembaban. Data dari sensor-sensor ini dipantau secara real-time melalui aplikasi Blynk dan ditampilkan pada LCD 16x2 I2C secara lokal. Sistem ini juga dilengkapi fitur notifikasi otomatis dan alarm visual (LED) serta suara (Buzzer) yang aktif jika konsentrasi gas berbahaya, seperti CO (50ppm), CH4(1000ppm), atau nilai MQ-135 (2500), melebihi ambang batas yang ditentukan. Diharapkan sistem ini dapat memitigasi risiko pencemaran udara, meningkatkan keselamatan, dan mendukung pengelolaan lingkungan yang lebih baik di TPA, menawarkan solusi yang lebih efisien, komprehensif, dan real-timedibandingkan pendekatan konvensiona
Implementasi Support Vector Machine dan Random Forest Untuk Klasifikasi Angka dan Huruf BISINDO
No full textBahasa Isyarat Indonesia (BISINDO) adalah alat utama yang digunakan oleh orang-orang yang tidak bisa mendengar dalam berkomunikasi sehari-hari. Namun, banyak orang yang tidak memahami BISINDO, sehingga menyulitkan mereka untuk berinteraksi dengan orang lain. Karena itu, penelitian ini mencoba membuat sistem otomatis yang dapat menerjemahkan atau mengenali bahasa isyarat. Penelitian ini fokus pada pengembangan model yang dapat mengklasifikasikan gambar tangan BISINDO menggunakan metode pembelajaran mesin, yaitu Support Vector Machine (SVM) dan Random Forest. Dataset yang digunakan terdiri dari gambar tangan yang menunjukkan berbagai huruf dan angka dalam BISINDO. Gambar-gambar tersebut diproses menggunakan Histogram of Oriented Gradients (HOG) untuk menghasilkan fitur yang mampu merepresentasikan bentuk tangan secara akurat meskipun terjadi perubahan cahaya, ukuran, atau arah gambar. Pada tahap klasifikasi, SVM digunakan dengan kernel radial basis function (RBF) yang bisa menangani data yang tidak bersifat linear, sedangkan Random Forest menggunakan sejumlah pohon sebagai classifier ensemble untuk meningkatkan kemampuan model dalam pengenalan secara umum. Kedua metode ini dibandingkan untuk menentukan metode mana yang paling efektif dalam mengenali BISINDO. Hipotesis penelitian menyatakan bahwa Random Forest cenderung memberikan hasil yang lebih akurat jika data yang digunakan bersih dan terstruktur dengan baik, sedangkan SVM lebih stabil ketika menghadapi variasi dalam gambar tangan yang komplek
Analisis Sentimen Ulasan Pengguna Aplikasi Kredivo Menggunakan Algoritma Support Vector Machine (SVM) dengan Metode TF–IDF
No full textPerkembangan teknologi informasi telah mendorong peningkatan substansial dalam jumlah data teks yang dihasilkan melalui berbagai interaksi pengguna pada platform digital, khususnya di bidang layanan keuangan online. Data ulasan konsumen mengandung informasi berharga terkait tingkat kepuasan dan pandangan pelanggan terhadap suatu produk atau jasa. Kajian ini mengkhususkan diri pada penerapan analisis sentimen terhadap ulasan pengguna aplikasi Kredivo, dengan memanfaatkan algoritma Support Vector Machine (SVM) serta serangkaian langkah pra-pemrosesan teks yang komprehensif. Langkah-langkah tersebut meliputi case folding, pembersihan data, tokenisasi, penghapusan kata-kata berhenti, dan stemming dengan bantuan pustaka Sastrawi yang dirancang untuk Bahasa Indonesia. Fitur teks diekstraksi menggunakan pendekatan Term Frequency–Inverse Document Frequency (TF–IDF), kemudian diklasifikasikan melalui model SVM dengan kernel Radial Basis Function (RBF). Hasil percobaan menunjukkan bahwa model SVM menunjukkan kinerja klasifikasi yang superior, dengan tingkat akurasi yang tinggi dalam membedakan sentimen positif, negatif, dan netral. Temuan ini konsisten dengan studi sebelumnya yang menekankan bahwa penggabungan stemming, penghapusan kata-kata berhenti, dan SVM dapat meningkatkan akurasi analisis sentimen secara bermakna. Secara keseluruhan, penelitian ini memberikan sumbangan bagi pengembangan teknik analisis sentimen dalam Bahasa Indonesia, terutama di sektor teknologi keuangan, dengan membuktikan bahwa integrasi antara SVM dan TF–IDF, yang didukung oleh pra-pemrosesan yang sesuai, mampu menghasilkan model klasifikasi opini pelanggan yang efektif dan mampu menyesuaikan diri dengan nuansa linguistik Bahasa Indonesi
Filtering Konten Menggunakan Firewall dan Schedule Mikrotik
No full textPenelitian ini membahas penerapan sistem pemblokiran konten internet dengan memanfaatkan fitur firewall pada perangkat MikroTik. Studi dilakukan di lingkungan Fakultas Ilmu Komputer Universitas Muslim Indonesia, menggunakan pendekatan untuk memastikan setiap tahapan berjalan sistematis, mulai dari analisis hingga pemeliharaan. Hasil pengujian menunjukkan bahwa pemblokiran situs seperti YouTube dan Facebook berjalan sesuai jadwal yang ditentukan saat jam kuliah. Sistem ini terbukti efektif membantu menciptakan jaringan yang lebih tertib dan mendukung proses belajar- mengajar. Dengan pengelolaan yang tepat, pemanfaatan fitur ini menjadi solusi praktis untuk mengontrol akses internet agar tetap produktif dan ama