IRPI Publisher Journals (Institute of Research and Publication Indonesia)
Not a member yet
1012 research outputs found
Sort by
Pengembangan Sistem Manajemen Keanggotaan dan Pelatihan Gym Berbasis Web Menggunakan Metode Traditional Analysis dan Prototype: Development of a Web-Based Gym Membership and Training Management System Using the Traditional Analysis and Prototype Methods
No full textProses manajemen keanggotaan dan pelatihan pada banyak gym masih dilakukan secara manual, sehingga menimbulkan masalah seperti kesalahan pencatatan, ketidaktepatan jadwal, dan keterbatasan dalam pemantauan aktivitas anggota. Kondisi ini berdampak pada rendahnya akurasi data dan menurunnya efisiensi operasional. Penelitian ini bertujuan merancang dan mengembangkan sistem manajemen keanggotaan dan pelatihan gym berbasis web untuk menurunkan kesalahan administrasi minimal 50%, mempercepat proses pendaftaran anggota hingga 40%, serta meningkatkan ketepatan jadwal pelatihan hingga akurasi 95%. Pengembangan sistem dilakukan menggunakan metode Prototype, melalui proses pembuatan desain awal, evaluasi bersama pengguna, serta siklus penyempurnaan berulang hingga sistem memenuhi kebutuhan operasional. Evaluasi sistem dilakukan melalui pengujian User Acceptance Testing (UAT) untuk menilai tingkat penerimaan pengguna terhadap fungsionalitas, kemudahan penggunaan, akurasi proses, dan kesesuaian sistem dengan kebutuhan gym. Hasil pengujian UAT menunjukkan bahwa seluruh fitur utama pendaftaran anggota, pengaturan jadwal pelatihan, pencatatan kehadiran, serta pelaporan aktivitas memenuhi kriteria yang diharapkan pengguna dengan tingkat kepuasan berada pada kategori “sangat baik”. Penelitian ini berkontribusi pada pengembangan solusi digital yang adaptif untuk manajemen gym, khususnya dalam integrasi layanan keanggotaan dan pelatihan berbasis web. Secara keseluruhan, sistem yang dihasilkan dapat menjadi fondasi bagi transformasi digital layanan kebugaran yang lebih modern, terukur, dan terintegrasi
Implementasi Algoritma XGBoost Classifier untuk Klasifikasi Kerumunan Jemaah Haji dan Umrah: Implementation of the XGBoost Classifier Algorithm for Classifying Crowds of Hajj and Umrah Pilgrims
No full textEfektivitas manajemen kerumunan menjadi aspek penting dalam pelaksanaan ibadah haji dan umrah, mengingat mobilitas jemaah yang sangat tinggi pada waktu dan lokasi tertentu. Kepadatan yang tidak terkendali berpotensi menimbulkan risiko keselamatan dan mengganggu kelancaran ibadah. Penelitian ini mengusulkan pendekatan klasifikasi tingkat kepadatan kerumunan (crowd density) dengan memanfaatkan data operasional yang merepresentasikan dinamika pergerakan, perilaku individu, dan kondisi lingkungan. Dataset yang digunakan terdiri dari 10.000 entri dengan 29 fitur. Algoritma Extreme Gradient Boosting (XGBoost) dipilih karena kemampuannya mengolah data kompleks dan heterogen. Hasil pengujian menunjukkan akurasi 98.7%, precision 99%, recall 99%, dan f1-score 99% untuk kategori rendah, sedang, dan tinggi, baik pada macro maupun weighted average. Temuan ini menunjukkan bahwa model yang dikembangkan memiliki tingkat akurasi dan keandalan yang tinggi dalam memprediksi kepadatan kerumunan
Model Deteksi Pemborosan Energi Listrik Rumah Tangga Berbasis Algoritma Autoencoder dengan Konsep Internet of Things: Household Electricity Waste Detection Model Based on Autoencoder Algorithm with Internet of Things Concept
No full textPenelitian ini menyajikan pendekatan unsupervised untuk mendeteksi pemborosan energi listrik rumah tangga dari fitur jendela waktu berbasis IoT menggunakan Autoencoder (AE). Pipeline meliputi imputasi median, normalisasi RobustScaler, pemisahan berbasis waktu (70/15/15), pelatihan AE dengan AdamW dan early stopping, serta ambang adaptif per-rumah dari persentil 99,5% error rekonstruksi. Evaluasi dilakukan pada dataset energi listrik (23.028 window; dua rumah, dua kanal) dengan fitur statistik tegangan, arus, daya, faktor daya (rata-rata/deviasi standar/p95), slope, dan transien. Grid search memilih AE dangkal (depth=1, width=128, bottleneck=16, dropout=0, ReLU, lr=1e-4, wd=1e-5). Pada test set (n=3.455), rerata error rekonstruksi sebesar 3,17×10?³. Dengan treshold per-rumah (homeA=0,0634, homeB=0,0859), sistem menandai ~0,52% window sebagai pemborosan/anomali, dengan insidensi lebih tinggi pada homeA (0,81%) dibanding homeB (0,23%). Atribusi error per-fitur menonjolkan metrik faktor daya serta slope/variabilitas tegangan, arus, dan daya, pola yang konsisten dengan beban tidak efisien atau switching mendadak. Metode ini siap dioperasikan pada ekosistem IoT dan memberikan indikator yang dapat ditafsirkan untuk tindakan penghematan tanpa memerlukan label
Performance of K-Nearest Neighbors and Advanced Metaheuristic Algorithms for Feature Selection in Classifying the Purity of Civet Coffee
No full textVarious studies have shown that feature selection can improve classification accuracy, particularly in agriculture. However, most of these studies still use conventional metaheuristic algorithms, which have certain limitations, including a tendency to get stuck in local optima. Therefore, this study explores the potential of advanced metaheuristic algorithms for selecting colour and texture features to classify the purity of civet coffee. This study used k-Nearest Neighbour (K-NN) model optimized with several advanced metaheuristic algorithms, i.e. Bare Bones Particle Swarm Optimisation (BBPSO), Modified Generalised Flower Pollination Algorithm (MGFPA), Enhanced Salp Swarm Algorithm (ESSA), Improved Salp Swarm Algorithm (ISSA), and Two-Stage Modified Grey Wolf Optimizer (TMGWO). The results show that feature selection can improve model accuracy. The best model was obtained from a combination of K-NN and TMGWO with an accuracy of 0.981, precision of 0.982, recall of 0.981, F1-Score of 0.981, and Area Under Curve (AUC) close to 1 with three selected features, i.e. blue correlation, s_hsl_correlation, and s_hsv_correlation. Furthermore, the results of this study indicate that the development of advanced metaheuristic algorithms can overcome the weaknesses of conventional algorithms, as demonstrated by improvements in classification model accuracy and the number of selected features
Pemodelan Topik dan Analisis Sentimen pada Ulasan Pengguna Aplikasi Trans Jatim: Topic Modeling and Sentiment Analysis on Trans Jatim Application User Reviews
No full textTransportasi publik berperan penting dalam menyediakan mobilitas masyarakat, mengurangi kemacetan, dan menekan dampak lingkungan akibat penggunaan kendaraan pribadi. Untuk menunjang efektivitas layanan tersebut, Pemerintah Provinsi Jawa Timur menghadirkan aplikasi Trans Jatim Ajaib sebagai sarana digital yang memberikan informasi jadwal, rute, dan pelacakan bus Trans Jatim secara real-time. Keberhasilan aplikasi ini tidak hanya bergantung pada fitur teknologi, tetapi juga pada pengalaman dan persepsi pengguna yang tercermin dalam ulasan di platform digital. Penelitian ini bertujuan untuk memodelkan topik ulasan pengguna aplikasi Trans Jatim menggunakan Latent Dirichlet Allocation (LDA) dan menganalisis sentimennya menggunakan model IndoBERT. Hasil analisis menunjukkan bahwa LDA berhasil mengidentifikasi 5 topik utama dengan fokus terbesar pada aspek kenyamanan dan jadwal rute. Analisis sentimen menggunakan model IndoBERT mencapai tingkat akurasi sebesar 88,2% yang menunjukkan kinerja model yang andal dalam mengklasifikasikan sentimen pengguna. Secara umum, mayoritas ulasan pengguna bersentimen positif terutama pada aspek informasi aplikasi dan jalur sedangkan perbaikan prioritas diperlukan pada fitur pembayaran untuk meningkatkan kualitas layanan secara keseluruhan
Performance Analysis of Google Cloud Platform for Web-Based Applications
No full textSelecting an appropriate cloud computing service remains a major challenge in web-based application development, as it directly affects performance, scalability, security, and operational costs. Google Cloud Platform (GCP) offers multiple computing services, yet empirical comparisons among its core services are still limited. This study aims to evaluate and compare the performance of Compute Engine, App Engine, and Kubernetes Engine in hosting web-based applications. A quantitative experimental approach was employed using a Node.js and PostgreSQL-based e-commerce application, tested under various workload scenarios using Apache JMeter. Performance metrics, including response time, throughput, latency, scalability, reliability, security, and cost, were analyzed. The results indicate that Compute Engine provides stable performance for predictable workloads, App Engine delivers low latency with higher operational costs, and Kubernetes Engine offers the best scalability and resource efficiency. Performance optimization techniques such as caching and CDN integration further improved API responsiveness. This study concludes that Kubernetes Engine is the most suitable choice for large-scale and dynamic web applications. Optimal GCP service selection should align with workload characteristics and organizational requirements
Development of Augmented Reality-Based Anatomy Learning Media (ARANOMI) for Vocational Health Students
No full textThis study aims to develop and implement the Augmented Reality Anatomy and Physiology (ARANOMI) application as an innovative learning medium in nursing education, specifically for understanding anatomy and physiology and promoting the practice of clean and healthy living (PHBS). The application is designed as a mobile-based platform supported by WebAR and contains content such as 3D organ models, explanations of physiological functions, and integrated PHBS education. The research employed a Research and Development (R&D) approach, consisting of stages of design, development, and implementation. The implementation results among nursing students showed a positive impact on their understanding and learning motivation. Based on the evaluation, 87% of students reported that learning became more engaging, while 82% stated they felt more motivated to study anatomy and physiology. In addition, most students actively participated in group discussions and independent exploration through the application. Student enthusiasm indicates that ARANOMI provides a more realistic, interactive, and contextual learning experience. However, several technical challenges were identified, including long loading times for 3D models on low-specification devices and dependence on a stable internet connection. This study concludes that the ARANOMI application effectively supports the anatomy and physiology learning process using augmented reality technology, enhances student engagement
Analisis Clustering Menggunakan Metode K-Means untuk Mengidentifikasi Pola Kepuasan Alumni: Clustering Analysis Using the K-Means Method to Identify Alumni Satisfaction Pattern
No full textTracer study berperan penting dalam mengevaluasi kualitas layanan pendidikan berdasarkan pengalaman alumni. Analisis kepuasan alumni terhadap fasilitas pembelajaran umumnya masih terbatas pada statistik deskriptif, sehingga belum mampu mengungkap pola kepuasan secara tersegmentasi pada data berskala besar. Penelitian ini bertujuan untuk mengidentifikasi pola segmentasi kepuasan alumni terhadap fasilitas pembelajaran di Universitas Islam Negeri Sultan Syarif Kasim Riau (UIN Suska Riau) sebagai indikator penting dalam evaluasi kualitas layanan pendidikan. Metode yang digunakan adalah K-Means Clustering, diimplementasikan melalui tahapan Knowledge Discovery in Database (KDD) pada 6.508 data tracer study alumni S1 lulusan 2010–2023. Proses preprocessing mencakup normalisasi data numerik menggunakan Min-Max Scaling untuk menyamakan skala enam indikator kepuasan (Perpustakaan, Teknologi Informasi, Modul Belajar, Ruang Belajar, Laboratorium, dan Variasi Mata Kuliah), sehingga meminimalkan bias dalam perhitungan jarak Euclidean. Berdasarkan Elbow Method, diperoleh jumlah klaster optimal adalah K=3, dan kualitas pengelompokan divalidasi dengan nilai Davies-Bouldin Index (DBI) sebesar 0,874, mengonfirmasi stabilitas klaster yang terbentuk. Analisis menghasilkan tiga klaster berbeda: Klaster 0 (Tingkat Kepuasan Tinggi) yang dominan, Klaster 1 (Tingkat Kepuasan Rendah), dan Klaster 2 (Tingkat Kepuasan Sangat Tinggi). Hasil ini memberikan segmentasi kepuasan yang eksplisit sebagai dasar bagi universitas untuk merumuskan strategi peningkatan fasilitas secara terarah dan berkelanjutan
Predictive Analytics for Property Valuation Using Random Forest in Malang City
No full textThe property market in Malang City continues to expand alongside rising housing demand, yet limited price transparency still constrains informed decision-making for buyers, sellers, and developers. This study develops a data-driven property price prediction model using the Random Forest algorithm, selected for its robustness and ability to capture complex nonlinear relationships. An initial dataset of 4,358 property listings was collected through web scraping from Rumah123.com, and after thorough preprocessing including data cleaning, handling missing values, and feature refinement 1,573 valid observations remained for analysis. The model incorporates key property characteristics, covering temporal variables (month, year), physical attributes (land area, building area, number of bedrooms and bathrooms, electricity capacity, number of floors), property characteristics (certificate type, property type, property condition, furniture condition, hook position), and price information. Using optimally tuned hyperparameters, the final Random Forest model achieved an R² of 76.66% and a MAPE of 25.27%, indicating strong predictive performance relative to standard regression benchmarks. These findings offer managerial implications by providing objective, data-driven price estimates that can support developers, agents, and prospective buyers in pricing decisions, marketing strategies, and fair value assessments during negotiations
Evaluasi Machine Learning untuk Prediksi Pembatalan Hotel dengan Threshold Adjustment dan Cost-Based Evaluation: Machine Learning Evaluation for Hotel Cancellation Prediction with Threshold Adjustment and Cost-Based Evaluation
No full textPembatalan pemesanan hotel merupakan permasalahan krusial yang berdampak langsung pada pendapatan dan perencanaan operasional. Penelitian ini mengevaluasi penerapan threshold adjustment dan cost-based evaluation untuk meningkatkan kualitas pengambilan keputusan bisnis. Penelitian ini melibatkan perbandingan beberapa jenis model machine learning menggunakan dataset hotel booking demand. Kinerja model dinilai menggunakan metrik F0.5-Score, precision, ROC AUC, dan pendekatan cost-based evaluation berbasis net revenue. Hasil penelitian menunjukkan bahwa Random Forest memberikan kinerja terbaik dengan F0.5-Score 0.8279, precision 0.878 dan ROC AUC 0.9165. Model lain seperti Logistic Regression (baseline) dengan F0.5-Score 0.7816, XGBoost dengan F-.5-Score 0.8108 dan ANN dengan F0.5-Score 0.8091 menunjukan performa lebih relatif lebih rendah, mengindikasikan bahwa dataset ini lebih cocok menggunakan pendekatan ensamble learning. Temuan penting mengungkapkan bahwa penyesuaian threshold berdasarkan F0.5-Score tidak selalu menghasilkan keuntungan ekonomi maksimum. Penggunaan threshold (0.52) terbukti menghasilkan nilai net revenue lebih tinggi dibandingkan threshold optimal berbasis F0.5-Score. Pendekatan ini diharapkan dapat meningkatkan kualitas pengambilan keputusan bisnis bagi manajer hotel dalam pengelolaan risiko finansial