Jurnal Sistem Informasi dan Sistem Komputer

Perbandingan Model ARIMA dan SARIMA untuk Peramalan Harga Emas Harian

2026-07-26T03:22:57+00:00

Volatilitas harga emas mencapai 68,75% pada periode 2022–2025, mengakibatkan kerugian investor akibat ketidakakuratan model konvensional yang mengabaikan pola musiman jangka pendek. Penelitian ini mengidentifikasi kesenjangan literatur: belum ada studi yang mengeksplorasi pola musiman sub-bulanan (<30 hari) pada data harian, meskipun siklus perdagangan memiliki periodesitas 20–23 hari kerja. Kami mengembangkan model SARIMA (0,1,1) (1,1,1) yang mengintegrasikan pola musiman 23 hari menggunakan metodologi Box-Jenkins pada 963 observasi periode Januari 2022–Oktober 2025. Hasil menunjukkan SARIMA meningkatkan akurasi prediksi sebesar 36,41% (MAPE 10,16% vs 15,98%) dan secara signifikan mereduksi indikasi overfitting, yang ditandai dengan penyempitan disparitas error antara data latih dan uji dibandingkan ARIMA. Model ini dapat mengurangi kerugian prediksi hingga USD 58.200 per siklus perdagangan untuk portofolio USD 1 juta, memberikan keunggulan kompetitif bagi trader institusional. Sistem ini direkomendasikan sebagai alat bantu keputusan operasional dengan pembaruan parameter setiap 3–6 bulan.

Analisa dan Perancangan Technical Support System Untuk Meningkatkan Efisiensi Dan Efektivitas Dukungan Teknis Pada PT. Intikom Berlian Mustika dengan Metode Clustering

2026-07-27T03:25:57+00:00

Dalam lingkungan perusahaan berbasis teknologi informasi, layanan dukungan teknis berperan penting dalam menjaga kelancaran operasional. Di PT Intikom Berlian Mustika, pengelolaan tiket gangguan internal masih dilakukan secara konvensional sehingga menyebabkan keterlambatan penanganan, kesalahan pencatatan, dan kesulitan pemantauan status tiket. Penelitian ini bertujuan merancang dan membangun Technical Support System berbasis web untuk meningkatkan efektivitas dan efisiensi layanan dukungan teknis. Metode K-Means clustering diterapkan untuk mengelompokkan tiket secara otomatis berdasarkan kategori kerusakan dan tingkat urgensi. Pengembangan sistem menggunakan model Waterfall yang meliputi analisis kebutuhan, perancangan, implementasi menggunakan PHP, Laravel, dan MySQL, serta pengujian dengan metode black box dan white box. Hasil penelitian menunjukkan bahwa sistem mampu mengelola tiket secara terstruktur, memantau status secara real-time, serta meningkatkan kecepatan dan ketepatan penanganan gangguan teknis.

Implementasi Teknologi Gamifikasi Pada Platform Penugasan Dengan Design Thinking di SMP PGRI 8 Bogor

2026-07-26T03:22:42+00:00

Rendahnya motivasi belajar siswa di SMP PGRI 8 Kota Bogor dipicu oleh sistem penugasan konvensional berbasis kertas yang monoton, sekaligus membebani guru secara administratif. Penelitian ini bertujuan merancang platform penugasan berbasis web dengan integrasi teknologi gamifikasi. Metodologi yang digunakan adalah pendekatan hibrida, menggabungkan Design Thinking untuk analisis kebutuhan berpusat pada pengguna dan Agile Scrum untuk pengembangan sistem. Platform ini mengimplementasikan elemen poin, lencana, level, dan papan peringkat. Hasil pengujian Black-Box menunjukkan fungsionalitas sistem berjalan valid secara keseluruhan. Implementasi gamifikasi terbukti efektif meningkatkan motivasi akademik siswa dengan skor indeks 83,15% (Kategori Sangat Kuat) dan mengefisienkan proses rekapitulasi nilai bagi pendidik.

Perbandingan Metode Naive Bayes Yang Dioptimalkan Dengan Algoritma Genetika Untuk Prioritas Pasien

2026-07-27T03:26:12+00:00

Penentuan prioritas pasien di Instalasi Gawat Darurat (IGD) merupakan proses krusial yang rentan terhadap keterbatasan sumber daya dan subjektivitas pengambilan keputusan. Penelitian ini bertujuan membandingkan kinerja model Naïve Bayes dengan Naïve Bayes yang dioptimasi menggunakan Algoritma Genetika (NB+GA) dalam klasifikasi prioritas pasien (Red, Orange, Yellow, Green). Dataset yang digunakan berasal dari Kaggle Patient Priority Classification dengan 17 fitur demografis dan klinis, dibagi menjadi 80% data latih dan 20% data uji. Hasil evaluasi menunjukkan adanya ketidakseimbangan data, terutama pada kelas “Yellow”. Model Naïve Bayes menghasilkan akurasi 64% dengan Precision 0,44, Recall 0,69, dan F1-Score 0,44. Setelah optimasi, Algoritma Genetika menyeleksi 8 fitur paling relevan dan meningkatkan performa model NB+GA dengan akurasi 96%, Precision 0,87, Recall 0,80, dan F1-Score 0,81. Hasil ini membuktikan bahwa Algoritma Genetika efektif meningkatkan kinerja Naïve Bayes dan berpotensi sebagai sistem pendukung keputusan triase yang objektif di IGD.

Penerapan Metode Support Vector Machine Untuk Analisis Sentimen Ulasan Aplikasi Threads di Google Play Store

2026-08-03T03:40:09+00:00

Pertumbuhan penggunaan media sosial mendorong meningkatnya jumlah ulasan pengguna yang mencakup pendapat dan pengalaman terhadap suatu aplikasi. Dengan menggunakan algoritma Support Vector Machine (SVM), penelitian ini menyelidiki persepsi pengguna aplikasi Threads di Google Play Store. Data diperoleh melalui teknik scraping sebanyak 5.000 ulasan berbahasa Indonesia. Data tersebut kemudian diproses melalui tahap prapemrosesan teks yang mencakup pembersihan data, case folding, normalisasi, tokenisasi, stopword removal, stemming, serta penghapusan data kosong. Proses pelabelan sentimen dilakukan secara semi-otomatis berdasarkan nilai rating dan dikelompokkan ke dalam tiga kategori, yaitu positif, netral, dan negatif. Metode Frequency-Inverse Document Frequency (TF-IDF) dipakai untuk membangun representasi fitur. Kemudian, klasifikasi dilakukan menggunakan model SVM dengan kernel Radial Basis Function (RBF), dan metrik akurasi dan confusion matrix digunakan untuk mengevaluasi. Hasil penelitian menunjukkan tingkat akurasi 96,29% pada data pelatihan dan 77,68% pada data pengujian, sehingga menunjukkan bahwa kombinasi TF-IDF dan SVM efektif dalam analisis sentimen ulasan aplikasi berbahasa Indonesia.

Perbandingan Sentimen Ulasan Aplikasi Gemini Pada Google Play Store Menggunakan Metode SVM dan Naive Bayes

2026-08-13T03:56:32+00:00

Teknologi kecerdasan buatan (AI) berkembang pesat dan telah diterapkan di berbagai aspek kehidupan masyarakat, termasuk chatbot seperti Gemini AI dari Google. Meskipun memiliki banyak fitur menarik, beberapa pengguna telah mengungkapkan ketidakpuasan terhadap fungsionalitas aplikasi tersebut. Berdasarkan ulasan dari Google Play Store, penelitian ini menyelidiki persepsi pengguna terhadap aplikasi Gemini. Metode Support Vector Machine dan Naive Bayes digunakan untuk menganalisis 1.000 ulasan yang dikumpulkan melalui proses scraping. Pra-pemrosesan, pembobotan TF-IDF, pemisahan data, implementasi algoritma, dan evaluasi model Google Colab merupakan bagian dari fase penelitian. Berdasarkan temuan penelitian ini, SVM mencapai akurasi 81,4%, sedangkan teknik Naive Bayes mencapai akurasi terbaik sebesar 82,4%. Hasil analisis mengindikasikan bahwa kedua metode memiliki kemampuan yang lebih baik dalam klasifikasi sentimen positif relatif terhadap sentimen negatif.

Autentikasi Kehadiran Mahasiswa Menggunakan Teknik Pengenalan Wajah Dengan Metode Eigenface Studi Kasus STMIK Bina Bangsa Kendari

2026-08-23T04:18:40+00:00

Perkembangan teknologi informasi mendorong penggunaan sistem komputer dalam berbagai bidang, termasuk sistem absensi berbasis pengenalan wajah. Penelitian ini bertujuan membangun sistem autentikasi kehadiran mahasiswa menggunakan metode Eigenface pada STMIK Bina Bangsa Kendari. Metode yang digunakan meliputi proses registrasi wajah, penyimpanan dataset, training citra wajah, dan proses identifikasi wajah saat absensi melalui kamera webcam. Sistem bekerja dengan membandingkan citra wajah yang diambil dengan data wajah yang telah dilatih sebelumnya. Hasil pengujian dilakukan terhadap 21 citra wajah, dengan 9 wajah berhasil dikenali dan 12 wajah tidak terdeteksi, sehingga diperoleh tingkat akurasi sistem 42,85 %. Berdasarkan hasil pengujian, seluruh fitur sistem telah berjalan sesuai dengan fungsinya. Namun tingkat akurasi tersebut menunjukkan bahwa sistem masih memerlukan pengembangan lebih lanjut, terutama pada aspek kualitas citra, pencahayaan, dan jumlah data latih agar dapat diterapkan secara optimal sebagai sistem absensi berbasis pengenalan wajah.

Sistem Informasi Pengelolaan Dan Monitoring Kegiatan Siswa Pada SMA Negeri 1 Runjung Agung

2026-09-05T04:38:03+00:00

Pengelolaan kegiatan kesiswaan non-kurikulum di SMA Negeri 1 Runjung Agung saat ini masih mengandalkan prosedur manual, sehingga proses pendataan, pemantauan, dan penyusunan laporan kegiatan belum dapat dilakukan secara optimal. Untuk mengatasi permasalahan tersebut, penelitian ini merancang dan mengimplementasikan Sistem Informasi Monitoring Kegiatan Siswa (SIMKS) berbasis web dengan menerapkan metode Rapid Application Development (RAD) menggunakan Framework Laravel. Pengelolaan hak akses dirancang berdasarkan konsep Role-Based Access Control (RBAC) yang membedakan kewenangan enam jenis pengguna, yaitu administrator, wakil kepala dekolah bidang kesiswaan, wakil kepala sekolah bidang kurikulum, guru, siswa, dan orang tua. Evaluasi sistem melalui Blackbox Testing menunjukkan fungsional setiap fitur berjalan sesuai rancangan. Sementara itu, pengujian User Acceptance Test (UAT) menghasilkan skor penerimaan pengguna sebesar 91,06%, yang mengindikasikan bahwa sistem telah memenuhi kebutuhan pengguna. Dengan demikian, SIMKS mampu mendukung pengelolaan dan monitoring kegiatan siswa melalui platform yang terintegrasi, terpusat, dan mudah diakses oleh pihak sekolah maupun orang tua.

Prediksi Kegagalan Build Real-Time Pada Pipeline CI/CD Menggunakan Pendekatan Machine Learning Berbasis Data Streaming

2026-09-05T04:37:48+00:00

Kegagalan proses build pada lingkungan Continuous Integration/Continuous Deployment (CI/CD) dapat menghambat rilis perangkat lunak, meningkatkan biaya perbaikan, dan menurunkan efisiensi pengembangan. Hal ini menunjukkan perlunya sistem prediksi yang cepat, adaptif, serta mampu menangani data yang terus mengalir secara real-time. Penelitian ini bertujuan untuk menganalisis dan membandingkan kinerja beberapa algoritma online machine learning dalam memprediksi kegagalan build pada pipeline CI/CD. Dataset yang digunakan berasal dari TravisTorrent yang mencakup aktivitas repositori, perubahan kode, metrik pengujian, serta riwayat build. Tahapan penelitian meliputi preprocessing data, pembentukan skema data streaming, penerapan model Hoeffding Tree, Adaptive Random Forest (ARF), dan Online Logistic Regression, serta evaluasi menggunakan metrik accuracy. Hasil eksperimen menunjukkan model terbaik mencapai accuracy 97,35%, lebih tinggi dibandingkan penelitian sebelumnya sebesar 95,9%. Peningkatan absolut sebesar 1,45 poin persentase atau sekitar 1,51% ini membuktikan bahwa pendekatan yang digunakan lebih efektif dalam mengenali pola kegagalan build pada lingkungan CI/CD berbasis streaming data.

Perancangan Aplikasi Financial Technology Dengan Metode Mobile Application Development Lifecycle Berdasarkan Analisis Kebutuhan Pengguna

2026-09-05T04:36:57+00:00

Perkembangan Financial Technology (FinTech) sebagai integrasi layanan keuangan dan teknologi digital telah memberikan dampak signifikan dalam aktivitas ekonomi modern. Penggunaan FinTech semakin meningkat seiring tingginya penetrasi smartphone di Indonesia, sehingga memudahkan masyarakat dalam melakukan berbagai transaksi secara daring. Namun, implementasi FinTech masih menghadapi kendala dalam aspek efisiensi, kemudahan penggunaan, dan pemenuhan kebutuhan pengguna. Penelitian ini bertujuan untuk merancang solusi aplikasi FinTech yang berorientasi pada kebutuhan pengguna melalui pendekatan survei terhadap 204 responden. Hasil penelitian menunjukkan sebanyak 143 responden (70,1%) membutuhkan aplikasi e-wallet yang merupakan layanan FinTech yang paling banyak digunakan, dengan fitur utama yang diharapkan meliputi kemudahan transaksi, kecepatan, serta pembayaran tagihan. Berdasarkan hasil analisis, dikembangkan prototipe aplikasi e-wallet bernama Collec yang menyediakan fitur transaksi, riwayat keuangan, reward, dan akun merchant. Evaluasi melalui User Acceptance Testing menunjukkan bahwa aplikasi ini mampu meningkatkan efektivitas dan efisiensi serta memberikan pengalaman pengguna yang lebih baik, dengan success rate sebesar 98%.

Analisis Perbandingan Sentimen Ulasan Pengguna Aplikasi MyBCA dan BCA Mobile Menggunakan Naïve Bayes

2026-09-05T04:37:14+00:00

Perkembangan teknologi informasi mendorong Bank Central Asia (BCA) mengoperasikan dua platform mobile banking secara bersamaan, yakni MyBCA dan BCA Mobile. Tingginya volume ulasan pengguna di Google Play Store memerlukan pendekatan komputasional untuk memahami persepsi pengguna secara objektif. Penelitian ini bertujuan mengklasifikasikan, membandingkan distribusi, dan mengukur kinerja model Naïve Bayes pada kedua aplikasi. Data dikumpulkan melalui web scraping, dengan total 8.000 ulasan. Tahapan penelitian meliputi preprocessing teks, pelabelan otomatis menggunakan metode Lexicon-Based dengan kamus InSet, pembobotan TF-IDF, dan klasifikasi Naïve Bayes dengan rasio 80:20. Hasil menunjukkan MyBCA memperoleh sentimen positif 54,31%, negatif 34,66%, dan netral 11,03%, sedangkan BCA Mobile memperoleh positif 63,70%, negatif 25,10%, dan netral 11,19%. Model MyBCA menghasilkan accuracy 63,70% dan BCA Mobile 73,62%. Penelitian ini menyimpulkan bahwa BCA Mobile memperoleh persepsi pengguna yang lebih positif dibandingkan MyBCA.

Analisis Clustering Kriminalitas Berdasarkan Tingkat Pendidikan Warga Binaan Pemasyarakatan Menggunakan Metode Agglomerative Hierarchical Clustering

2026-09-05T04:37:30+00:00

Kriminalitas merupakan permasalahan sosial yang memengaruhi keamanan dan ketertiban masyarakat, dan tingkat pendidikan diduga berkaitan dengan pola kriminalitas pada Warga Binaan Pemasyarakatan (WBP). Penelitian ini menganalisis pengelompokan kriminalitas berdasarkan tingkat pendidikan WBP di Rutan Kelas II Ternate menggunakan metode Agglomerative Hierarchical Clustering (AHC) dan mengevaluasi kualitas cluster menggunakan Silhouette Coefficient. Data yang digunakan adalah data sekunder WBP tahun 2018-2023 sebanyak 1.490 data yang mencakup tingkat pendidikan, jenis tindak pidana, usia, dan tahun perkara, yang diproses melalui preprocessing, transformasi data, pembentukan cluster dengan AHC, visualisasi dendrogram, serta evaluasi menggunakan Silhouette Coefficient. Hasil penelitian menunjukkan AHC membentuk tiga cluster utama dengan nilai Silhouette Coefficient sebesar 0,3294, termasuk kategori weak structure yang masih dapat diterima dalam penelitian eksploratif dan menunjukkan pola pengelompokan awal pada data. Penelitian ini menghasilkan visualisasi tren cluster tahun 2018-2023 yang menggambarkan dinamika distribusi cluster dari waktu ke waktu, sehingga dapat menjadi dasar penyusunan strategi pembinaan yang lebih tepat sasaran.