Publication Search

Penelitian ini bertujuan untuk mengevaluasi Sistem Surat Keterangan Pendamping Ijazah (SKPI) di Universitas Semarang melalui audit dengan menggunakan kerangka kerja COBIT 2019, dengan fokus pada domain Deliver, Service and Support (DSS) dan Monitor, Evaluate and Assess (MEA). SKPI berfungsi sebagai dokumen resmi yang memberikan informasi tambahan mengenai kompetensi lulusan di luar nilai akademik (ijazah), sehingga penting untuk memastikan kualitas dan relevansinya dengan kebutuhan industri. Metodologi yang digunakan dalam penelitian ini meliputi pengumpulan data primer melalui observasi, wawancara, dan kuesioner, serta data sekunder dari literatur terkait. Hasil penelitian menunjukkan bahwa tingkat kapabilitas pada sub-domain DSS dan MEA berada pada level 4 yang dilabeli sebagai terkelola, dengan nilai rata-rata masing-masing 3,73 untuk DSS dan 3,85 untuk MEA. Meskipun demikian, terdapat sejumlah rekomendasi untuk meningkatkan nilai Maturity Level sistem, dengan GAP masing-masing sebesar 1,07 untuk DSS dan 1,04 untuk MEA. Rekomendasi yang disampaikan meliputi peningkatan kompetensi petugas teknis, pengembangan aplikasi mobile, dan sosialisasi prosedur penyajian SKPI secara digital. Dengan adanya rekomendasi tersebut, diharapkan dapat memberikan masukan positif dalam pengelolaan SKPI di Universitas Semarang dan meningkatkan daya saing lulusan di pasar kerja.Kata Kunci: Audit Sistem, Maturity Level, Rekomendasi, Deliver, Service and Support (DSS), Monitor, Evaluate and Assess (MEA)

This study aims to develop a predictive model using linear regression to identify potential arrhythmias in the elderly based on electrocardiogram (ECG) data. Data were collected through observations at healthcare facilities from elderly patients with indications of arrhythmia, then preprocessed such as cleaning, normalization, feature selection, and outlier checking were carried out. The features used include PR interval, QRS duration, QT interval, and heart rate. The dataset was divided into training data (80%) and test data (20%) to build and evaluate the model. The training results showed that the model was able to predict the risk of arrhythmia with a Mean Squared Error (MSE) value of 0.15 and a coefficient of determination (R²) close to 1. Evaluation using a confusion matrix showed an accuracy of 76.19%, precision of 82.80%, recall of 76.19%, and F1 score of 72.70%. These results prove that linear regression can be used as an initial approach in the early detection of arrhythmias non-invasively in the elderly. This study provides a foundation for the development of ECG data-based clinical decision support systems and suggests future exploration of more complex models and integration with real-time monitoring technologies.

Penelitian ini mengevaluasi performa tiga algoritma deteksi komunitas Louvain, Infomap, dan Walktrap dalam konteks social network analysis pada jaringan undang-undang Republik Indonesia periode 2014–2024. Jaringan dibangun dari hubungan kutipan antar undang-undang Republik Indonesia pada rentang waktu antara tahun 2014 sampai dengan tahun 2024. Kutipan antar undang-undang diperoleh pada bagian “Mengingat” pada setiap undang-undang, menghasilkan sebuah konstruksi struktur graf berarah dan tak berbobot. Setiap algoritma diuji berdasarkan empat metrik evaluasi: modularity, coverage, conductance, dan inter-cluster density. Evaluasi terhadap tiga algoritma deteksi komunitas Infomap, Louvain, dan Walktrap pada jaringan undang-undang menunjukkan perbedaan karakteristik dalam membentuk struktur komunitas. Louvain unggul dalam hal modularity (0.522387) dan conductance (0.287157), yang mencerminkan kemampuan optimal dalam memisahkan komunitas besar yang kohesif dan minim koneksi keluar. Infomap menempati posisi menengah dengan modularity dan inter-cluster density yang cukup baik, menawarkan keseimbangan antara segmentasi dan kepadatan komunitas. Walktrap memiliki keunggulan pada coverage (0.809586) dan inter-cluster density (0.50640), menandakan kemampuannya membentuk komunitas kecil yang sangat padat secara internal, meskipun cenderung kurang terstruktur secara global karena modularity-nya paling rendah (0.464787). Dengan demikian, Louvain direkomendasikan sebagai algoritma paling sesuai untuk analisis jaringan undang-undang, terutama jika tujuan utama adalah memperoleh segmentasi komunitas yang terstruktur kuat dan representatif secara makro terhadap arsitektur hukum nasional.

This study aims to evaluate and compare the performance of two neural network architectures under the Recurrent Neural Network (RNN) category, namely Gated Recurrent Unit (GRU) and Long Short-Term Memory (LSTM), in predicting earthquake magnitude in Indonesia. The dataset used consists of daily earthquake magnitude records from 2008 to 2023, preprocessed into time series format and normalized using the MinMax method. The training process was conducted using various combinations of batch size and epoch, and evaluated using Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), and relative prediction accuracy. The evaluation results show that LSTM with a batch size of 32 and 50 epochs provides the best prediction performance, achieving a MAE of 0.2227 and 93.65% accuracy. Meanwhile, GRU performed optimally at a batch size of 64 and 50 epochs, with a MAE of 0.2229 and 93.66% accuracy. The prediction visualization shows that LSTM offers greater stability and precision in tracking actual data patterns. These findings indicate that LSTM holds stronger potential for supporting earthquake prediction systems based on time series data.

Penelitian ini dilakukan untuk menganalisis dan membandingkan sentimen pelanggan terhadap lima restoran Sunda di Kota Bogor menggunakan metode Aspect-Based Sentiment Analysis (ABSA) berbasis Fine-Tuning IndoBERT. Ulasan pelanggan di platform digital seperti Google Review berpengaruh besar terhadap citra dan keputusan konsumen, sementara jumlah ulasan yang besar sulit dijelaskan secara manual. Data penelitian diperoleh dari 3.232 ulasan Google Review dan diproses menjadi 3.010 data yang dikelompokkan berdasarkan lima aspek utama, yaitu makanan, pelayanan, harga, suasana, dan fasilitas. Metode Fine-Tuning IndoBERT digunakan untuk mengklasifikasikan sentimen positif, netral, dan negatif, dengan evaluasi melalui metrik akurasi, presisi, recall, dan F1-score. Hasil menunjukkan bahwa model memiliki performa sangat baik dengan akurasi tertinggi sebesar 97,51% pada aspek pelayanan dan terendah 92,52% pada aspek makanan, serta nilai F1-score makro di atas 0,91. Analisis menunjukkan bahwa Bumi Aki unggul pada aspek makanan dan fasilitas, Saung Abah pada pelayanan, Saung Kuring pada harga, dan Gumati pada suasana. Hasil penelitian ini menunjukkan bahwa Fine-Tuning IndoBERT efektif dalam memahami opini pelanggan berbahasa Indonesia dan dapat menjadi acuan bagi pelaku usaha kuliner dalam meningkatkan kualitas layanan.

Penelitian ini mengevaluasi efisiensi tiga algoritma sorting hybrid, yaitu TimSort, IntroSort, dan Merge-Insertion Sort, pada dataset skala menengah yang memiliki jumlah elemen antara 10.000 hingga 1.000.000. Tujuan utama penelitian adalah untuk menganalisis performa algoritma berdasarkan waktu eksekusi, konsumsi memori, dan stabilitas, dengan pengujian dilakukan pada berbagai jenis dataset, termasuk data acak, terurut, hampir terurut, dan data dengan banyak elemen duplikat. Pengujian dilakukan melalui simulasi komputasi menggunakan bahasa pemrograman Python dalam lingkungan terkontrol untuk memastikan hasil yang konsisten. Dataset sintetis dibuat untuk mencerminkan kasus dunia nyata, seperti pengolahan log sistem, pengurutan data pelanggan dalam aplikasi e-commerce, atau pengolahan data sensor dalam sistem Internet of Things (IoT). Hasil pengujian menunjukkan bahwa TimSort memiliki performa unggul pada dataset hampir terurut dengan waktu eksekusi rata-rata 0,12 detik untuk 1.000.000 elemen, sedangkan IntroSort lebih cepat pada dataset acak dengan waktu 0,09 detik dan konsumsi memori rendah sekitar 120 MB. Merge-Insertion Sort menonjol dalam hal stabilitas, tetapi memerlukan memori lebih besar, yaitu sekitar 180 MB untuk dataset yang sama. Analisis mendalam menunjukkan bahwa pemilihan algoritma yang optimal sangat bergantung pada karakteristik dataset dan kebutuhan aplikasi, seperti kecepatan untuk data acak atau stabilitas untuk pengurutan data berurutan. Penelitian ini merekomendasikan TimSort untuk aplikasi yang memerlukan stabilitas tinggi, seperti pengolahan data transaksi keuangan, dan IntroSort untuk aplikasi yang mengutamakan kecepatan pada data acak, seperti analitik data real-time. Untuk pengembangan lebih lanjut, penelitian ini menyarankan eksplorasi optimasi paralel atau implementasi algoritma pada perangkat dengan sumber daya terbatas guna meningkatkan skalabilitas dan efisiensi.

This study compares two service management models to evaluate the governance of the Wi-Fi network in Dusun Gita Nagari Baru. The main objective is to measure user satisfaction and service quality following the implementation of the COBIT 2019 framework, particularly the DSS02 domain (Manage Service Requests and Incidents). The research employed a mixed methods approach, using historical-comparative document analysis and Likert scale questionnaires distributed to 21 active users. The data were analysed through gap analysis, capability level mapping, and descriptive statistical analysis to identify performance differences between two periods. The results indicate that most indicators in the COBIT 2019 capability model are at Level 4 (Predictable), one indicator reaches Level 5 (Optimising), and another indicator is at Level 3. Indicators directly related to the DSS02 domain, such as ease of reporting, response speed, schedule accuracy, and repair time, demonstrate the most significant improvements. These findings support the hypothesis that implementing COBIT 2019-based governance for DSS02 can enhance user satisfaction and the quality of Wi-Fi network services in rural areas. This study also provides practical recommendations for the sustainable management of digital infrastructure in areas with limited access.

This study aims to analyze the factors that influence students' interest in continuing their education to college using a machine learning approach. Data was collected through an online questionnaire completed by 727 students between July 27 and August 22, 2025, covering 23 variables consisting of respondent identity (gender, grade level, major) as well as internal and external factors such as parental support, learning motivation, and preferred type of college. The data preparation stage was carried out through column cleaning, deletion of empty data, encoding of categorical variables, and division of the dataset into 80% training data and 20% test data. The Naive Bayes algorithm of the CategoricalNB type was used because it was suitable for the categorical nature of the data. The evaluation results showed that the model was able to predict student interest with 96% accuracy. For the class of students interested in continuing their studies, the precision, recall, and F1-score values were above 0.95, while the performance in the class of students who were not interested was slightly lower due to the smaller amount of data. These findings show that Naive Bayes is proven to be effective and reliable in classifying students' interest in continuing their studies and can be the basis for decision-making in designing more targeted educational strategies.

Credit card fraud is a critical issue in digital financial transactions. This study aims to develop and evaluate fraud detection models using Logistic Regression and Gradient Boosting on an imbalanced dataset, where fraudulent transactions constitute only a small portion of the data. To address this imbalance, the Synthetic Minority Over-sampling Technique (SMOTE) was applied during preprocessing. Logistic Regression, used as a baseline model, achieved 95% accuracy, 78.6% precision, 55.9% recall, and a 65.3% F1-score. After applying class weighting and SMOTE, recall improved to 88.7%, but precision dropped to 52%, indicating that the model became overly sensitive and prone to false positives. Gradient Boosting initially produced better results, with 98% accuracy, 95.5% precision, 84.3% recall, and an 89.5% F1-score. After hyperparameter tuning and resampling, its performance improved further to 96.7% precision, 86.1% recall, and a 91.1% F1-score. These results indicate that Gradient Boosting is more effective in handling imbalanced data and offers greater reliability in detecting fraudulent transactions. The findings support the growing evidence in favor of ensemble learning techniques in fraud detection applications. This research contributes practical insights into improving the accuracy and security of machine learning-based fraud detection systems in financial services.

This study evaluates the efficiency of two artificial intelligence models, DeepSeek and OpenAI, in generating code for algorithmic systems. Efficiency is assessed through execution speed, code accuracy, and the number of code characters produced. Data were collected from 100 tests covering search, sorting, graph, dynamic programming, optimization, data processing, text, and machine learning algorithms. The objective is to compare the performance of both models to support the development of efficient information retrieval systems. The method involves algorithm testing with statistical analysis of execution time, accuracy, and code length. Results indicate that DeepSeek has an average execution time of 28.74 seconds, slightly slower than OpenAI’s 28.49 seconds. However, DeepSeek’s accuracy (85.88%) surpasses OpenAI’s (85.03%). The average number of code characters is identical at 96.35 characters. The study concludes that DeepSeek excels in accuracy, while OpenAI is faster in certain cases, providing valuable insights for developers in selecting AI models for information retrieval applications.

Behind the success of the Free Nutritious Meal Program (MBG), there are several problems related to the health factors of the program targets, namely, there are several cases of allergies that occur in schools, inadequate understanding of allergen management owned by food processing vendors, and the high cost of laboratory tests and the process that takes a long time. So, to overcome these problems, an application is proposed that can help detect allergens in food products using data mining and machine learning approaches. SVM and AdaBoost algorithms each have advantages that can be used to help build an optimal allergen detection model. This research uses a cross-validation model validation method with a value of K = 10 to help improve the performance of the model built. In this study, from the entire fold, an average accuracy value of 98.74% was obtained. To evaluate the model built, this research has also conducted several new data inputs, and in each new data input, the accuracy value is obtained above 99%. This indicates that the model built, namely the combination of SVM and AdaBoost algorithms with the cross-validation model validation method, produces high accuracy, so this model can greatly assist the allergen detection process in food products.

Aritmia merupakan gangguan irama jantung yang umum terjadi pada lansia dan dapat menimbulkan risiko kesehatan serius jika tidak terdeteksi secara dini. Penelitian yang dilakukan bertujuan untuk mengidentifikasi aritmia pada lansia menggunakan algortima K- Nearest Neighbor (KNN) berdasarkan data elektrokardiogram (EKG). Data yang digunakan berjumlah 105 data EKG lansia yang diperoleh dalam format CSV. Proses awal melibatkan pembersihan dan normalisasi data menggunakan metode StandardScaler, serta pelabelan awal menggunakan algoritma K-Means Clustering untuk mengelompokkan data ke dalam dua kelas: Normal dan Sangat Berpotensi Aritmia. Data kemudian dibagi menjadi 70% data latih dan 30% data uji dengan metode stratified split untuk menjaga proporsi label. Model KNN dilatih dengan parameter k = 3, dan dievaluasi menggunakan confusion matrix serta classification report. Hasil pengujian menunjukkan akurasi model sebesar 97% dengan nilai precision dan recall yang tinggi pada kedua kelas. Hasil ini menunjukkan bahwa algoritma KNN efektif dalam mengklasifikasikan kondisi aritmia pada lansia dan memiliki potensi untuk diterapkan dalam sistem pendukung diagnosis berbasis data EKG.

Credit scoring is an important element in decision-making for providing financing, especially for microfinance institutions. Several methods for predicting credit scoring include Decession Tree, Gradient Boosted, Neural Network, K-NN, and Rule Induction. This study aims to improve the accuracy of financing risk prediction by efficiently integrating historical data. The Neural Network (NN) algorithm is a machine learning algorithm consisting of neurons (nodes) connected to each other in several layers (input, hidden, and output). NN is used for pattern recognition, classification, regression, and complex non-linear modeling. The NN algorithm has the advantage of working well on large and diverse data and unstructured data. However, the NN algorithm has weaknesses such as overfitting and data dependence. In this study, the integration of the Sample Bootstrapping and Weighted Principal Component Analysis (PCA) methods is proposed to improve optimal accuracy in the NN algorithm. The Sample Bootstrapping method is used to reduce the amount of training data to be processed. The Weighted PCA method is used to reduce attributes. This study uses a financing customer dataset. The results of the study show that the integration of the NN algorithm with Sample Bootstrapping and Weighted PCA resulted in an accuracy increase of 1-3% (97%-99%) compared to other algorithms. Therefore, it can be concluded that the integration of the NN algorithm with Sample Bootstrapping and Weighted PCA produces better accuracy than other algorithms

Current advances in information technology have encouraged universities to utilize student academic data as a basis for decision-making, one of which is predicting academic achievement. This study aims to apply the C4.5 algorithm to develop a system for predicting student academic success in the Islamic Religious Education Study Program. This method was chosen because it produces a decision tree model that is easy to understand and has a high level of accuracy. The data used comes from student achievement indexes from semesters 1 to 5. The research results showed that the prediction system achieved 99.62% accuracy and achieved high recall precision across each class category. This demonstrates the effectiveness of the C4.5 algorithm in predicting student academic achievement and has the potential to serve as a valuable tool for decision-makers in higher education.

Indonesia merupakan salah satu negara agraris dengan hasil bumi yang berlimpah. Salah satunya adalah buah pinang yang berasal dari Pulau Sumatera. Dalam pendistribusiannya, CV. XYZ yang menjadi distributor buah pinang tersebut mengalami beberapa kendala dalam distribusi, yaitu biaya dan jarak yang tidak optimal, sehingga dibutuhkan sebuah pendekatan untuk memperoleh hasil optimal dalam kegiatan distribusi tersebut. Metode transportasi adalah suatu metode pemecahan masalah dengan tujuan untuk meminimalisir biaya pengiriman produk dari beberap sumber ke beberapa tujuan. Dua tahapan metode transportasi yang digunakan merupakan solusi awal yang terdiri dari north west cornet method dan least cost, serta solusi optimal yang terdiri atas stepping stone dan modified distribution. Berdasarkan penerapan metode yang dilaksanakan, CV. XYZ memperoleh penghematan sebesar Rp 5.765.149.

This study aims to analyze and compare the performance of the Naive Bayes, K-Nearest Neighbors (KNN), and Decision Tree algorithms in predicting the purchase intention of e-commerce visitors using the Online Shoppers Purchasing Intention Dataset, which consists of 12,330 records and 18 variables, with the Revenue variable serving as the classification target. The preprocessing stage involved transforming categorical and boolean variables into numerical form, standardizing features using StandardScaler, and splitting the dataset into 80 percent training data and 20 percent testing data. Model evaluation was conducted using accuracy, precision, recall, F1-score, and ROC-AUC metrics, and was further strengthened by 10-fold cross-validation to obtain more stable results. The findings indicate that KNN achieved the highest accuracy of 0.866180, while Naive Bayes produced the highest recall value of 0.690998 and the highest ROC-AUC value of 0.821696. Meanwhile, Decision Tree demonstrated relatively balanced performance with an accuracy of 0.857259 and an F1-score of 0.571776, whereas the cross-validation results identified KNN as the model with the highest average accuracy of 0.8770. These findings suggest that the selection of a classification model for purchase intention prediction cannot rely solely on a single evaluation metric, as each algorithm possesses different strengths. Therefore, a comparative approach among algorithms can help determine the most suitable model for supporting consumer behavior analysis on e-commerce platforms.

Penyakit jantung merupakan salah satu penyakit dengan angka kematian tertinggi di negara maju bahkan dunia. Penyakit jantung dapat mengancam jiwa jika tidak ditangani dengan serius. Jumlah penderita penyakit jantung meningkat setiap tahunnya. Penyakit jantung dapat disebabkan oleh beberapa faktor, yang utama adalah konsumsi alkohol berlebihan, kebiasaan merokok, dan faktor keturunan. Penelitian ini bertujuan untuk memprediksi dan mencegah penyakit jantung sejak dini menggunakan algoritma pembelajaran mesin, yaitu regresi logistik. Data yang digunakan untuk pelatihan dan pengujian algoritma regresi logistik sebanyak 1.190 data, yang terbagi menjadi 80% data pelatihan dan 20% data pengujian. Hasil pengujian menunjukkan bahwa model dapat memprediksi dengan akurasi sebesar 86%. Setelah model dibuat, model tersebut diimplementasikan ke dalam situs web. Penelitian ini diharapkan dapat berkontribusi pada diagnostik yang dapat membantu deteksi dini penyakit jantung.

K- means termasuk kedalam algoritma partisi yang memiliki tujuan untuk membagi data kedalam jumlah  klaster yang ditentukan, hasil dari algoritma K means tergantung pada pemilihan pusat klater awal  namun permasalahan yang sering terjadi jika pada pemilihan centroid awal yang masih dilakukan secara acak jauh dari solusi maka kemungkinan hasil dari pengelompokan tersebut kurang tepat. Untuk mengatasi masalah tersebut akan menggunakan tahapan preprocessing berupa normalisasi minmax untuk mengatasi skala pengukuran berbeda pada dataset, setelah itu menggunakan algoritma PSO dalam pemilihan centroid awal untuk algoritma K- means, dalam penelitian ini juga dibandingkan pemilihan centroid dengan 3 cara yang pertama sesuai dengan acak, kedua sesuai standar pemerintah untuk nilai kualitas air minum yang tingi, menengah dan rendah kemudian yang ketiga dengan metode yang diusulkan algortima PSO dan kemudian akan diuji dengan Index Davies Bouldin. Hasil pengujian berupa tersebut metode K-means dengan pemilihan centroid awal acak dengan nilai 0,208856082, metode K-means dengan pemilihan centroid sesuai dengan standar pemerintah tentang kondisi SAM  sebesar 0,280077, dan terakhir metode pemilihan yang terbaik adalah dengan menggunakan normalisasi minmax K-means PSO dengan nilai 0,177796. Sehingga pengujian data PAMSIMAS menggunakan normalisasi minmax k-means PSO yang didapat bahwa metode tersebut lebih optimal

Di era digital yang terus berkembang, kebutuhan akan layanan web yang lebih cepat dan lebih andal menjadi sangat penting. Solusi umum yang digunakan untuk meningkatkan kinerja dan ketersediaan layanan web adalah teknologi kompensasi beban. Penelitian ini menganalisis perbandingan kinerja round robin robin dan last connection sebagai load balancer dari last connection. Metode penelitian menggunakan pendekatan eksperimental dengan menjalankan pengujian dalam dua skenario beban yang sama dan tegangan yang tidak merata. Pengujian dijalankan menggunakan Apache Jmeter  dan menghasilkan lalu lintas per detik per detik hingga 1000/500, 1200/600, 100/700, 1600/800, dan 1800/900 dalam fase per detik. Hasil pengujian menunjukkan bahwa Algoritma least connection memiliki waktu respons yang rendah di sekitar round-robin dalam semua skenario, dengan waktu respons rata-rata yang rendah sebesar 118 ms pada koneksi 1000/500, dan nilai tertinggi untuk koneksi 1800/900 adalah 150 ms. Sementara itu, waktu respons rata-rata untuk algoritma round-robin adalah antara 125 ms hingga 155 ms dalam skenario yang sama. Dalam hal throughput, algoritma round robin dalam skenario beban tinggi menghasilkan throughput yang tinggi, mencapai puncaknya pada 10.362 kb/s dengan koneksi 1800/900 dan least connection  pada 10.330 kb/s dengan skenario yang sama.

Gangguan tidur pada mahasiswa merupakan permasalahan yang dapat berdampak pada kesehatan jantung, khususnya melalui perubahan aktivitas listrik jantung yang terekam dalam sinyal EKG. Penelitian ini bertujuan mengembangkan sistem klasifikasi otomatis untuk mendeteksi kondisi jantung berdasarkan sinyal EKG menggunakan algoritma K-Nearest Neighbor (KNN) dan reduksi fitur dengan Principal Component Analysis (PCA). Dataset yang digunakan terdiri dari 159 citra sinyal EKG yang dibagi menjadi dua kelas, yaitu Good Heart dan Bad Heart. Citra diproses melalui tahap preprocessing, reduksi dimensi menggunakan PCA, dan diklasifikasikan menggunakan KNN dengan berbagai nilai parameter. Model terbaik diperoleh pada kombinasi 20 komponen PCA dan nilai K = 6, dengan akurasi mencapai 96,23%, precision 98,46%, recall 92,75%, dan f1-score 95,50%. Hasil penelitian menunjukkan bahwa metode ini mampu mengenali kondisi jantung dengan baik dan efisien. Sistem ini berpotensi dikembangkan sebagai alat bantu deteksi dini gangguan jantung, khususnya pada kelompok mahasiswa yang mengalami gangguan tidur.