Jurnal Sistem Informasi dan Sistem Komputer

Perbandingan Model ARIMA dan SARIMA untuk Peramalan Harga Emas Harian

2026-07-18T03:13:44+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

2026-07-19T08:51:05+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

2026-07-19T08:53:52+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

2026-07-19T08:36:10+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.