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)

Demam berdarah dengue merupakan tantangan kesehatan masyarakat yang terus berulang di wilayah tropis, termasuk Indonesia. Penelitian ini bertujuan untuk memprediksi jumlah kasus tahunan dengan memanfaatkan lima algoritma pembelajaran mesin, yaitu Regresi Linier, Decision Tree, Random Forest, Support Vector Machine (SVM), dan Neural Network. Data historis tahun 2017–2024 diolah menggunakan teknik windowing deret waktu untuk menghasilkan fitur lag yang sesuai bagi pembelajaran terawasi. Evaluasi kinerja dilakukan melalui metrik Mean Absolute Error (MAE), Mean Squared Error (MSE), Root Mean Squared Error (RMSE), serta koefisien determinasi (R²). Model Decision Tree menunjukkan performa paling unggul pada sebagian besar indikator. Prediksi untuk tahun 2025 mengindikasikan adanya peningkatan moderat jumlah kasus. Namun, rendahnya nilai R² pada seluruh model mengisyaratkan perlunya pendekatan multivariat yang lebih kompleks dengan mempertimbangkan faktor iklim, lingkungan, dan demografi. Hasil penelitian ini menegaskan pentingnya kualitas data dan pemilihan fitur yang tepat dalam peramalan epidemiologis guna mendukung perencanaan kesehatan yang lebih efektif.

Meningkatnya ketergantungan pada sistem komunikasi digital telah memperkuat kebutuhan akan metode yang andal untuk melindungi data sensitif dari akses tidak sah. Studi ini memperkenalkan mekanisme keamanan terintegrasi yang menggabungkan enkripsi ChaCha20 dengan steganografi citra Least Significant Bit (LSB), yang menargetkan perlindungan data berbasis citra digital. ChaCha20, sebuah cipher aliran modern yang dikenal akan kecepatan dan keamanannya, digunakan untuk mengenkripsi pesan teks biasa (plaintext), menghasilkan ciphertext yang sangat aman. Data terenkripsi kemudian disematkan ke dalam citra sampul — khususnya, logo universitas — menggunakan teknik LSB, yang mengubah bit paling tidak signifikan dari nilai piksel untuk menyembunyikan informasi tanpa memengaruhi kualitas citra secara signifikan. Pendekatan dua lapis ini memastikan kerahasiaan dan penyembunyian informasi sensitif. Sistem ini dievaluasi menggunakan metrik objektif seperti Rasio Sinyal terhadap Derau Puncak (PSNR) dan Indeks Kesamaan Struktural (SSIM) untuk menilai fidelitas citra setelah penyisipan data. Hasil menunjukkan bahwa metode ini mempertahankan integritas visual (PSNR > 50 dB) sekaligus memungkinkan ekstraksi data yang akurat. Integrasi ChaCha20 dan steganografi LSB menawarkan solusi yang ringan, aman, dan efektif untuk perlindungan informasi digital, khususnya cocok untuk komunikasi akademis atau kelembagaan di mana gambar logo berfungsi sebagai pembawa konten terenkripsi yang tersembunyi.

Deteksi nyeri secara objektif merupakan tantangan penting dalam dunia medis, terutama bagi pasien yang tidak mampu menyampaikan rasa sakitnya secara verbal, seperti bayi, lansia, atau penderita gangguan komunikasi. Teknologi non- invasif berbasis sensor menjadi solusi potensial untuk mengatasi keterbatasan metode subjektif. Penelitian ini bertujuan meninjau secara sistematis literatur terkini mengenai penerapan Radar MIMO dan algoritma kecerdasan buatan dalam deteksi nyeri non-invasif. Metode yang digunakan adalah Systematic Literature Review (SLR) dengan pedoman PRISMA 2020, melalui penelusuran basis data IEEE Xplore, ScienceDirect, PubMed, Google Scholar, dan SpringerLink untuk periode 2021– 2025. Dari hasil seleksi diperoleh 17 artikel inklusi yang mencakup penggunaan Radar MIMO, UNBC-McMaster, BioVid, Medical Imaging (CT/MRI), Radar SISO, serta studi review, survey, bibliometrik, dan teoretis. Dari sisi algoritma, CNN dan SVM menjadi pendekatan paling dominan, diikuti Neural Network dan metode lain, dengan tren yang mengarah pada penggunaan multimodal untuk meningkatkan akurasi. Hasil penilaian kualitas dengan GRADE menunjukkan mayoritas studi berkualitas sedang, dengan keterbatasan utama pada ukuran sampel kecil, pelabelan nyeri yang belum konsisten, bias populasi, serta kurangnya validasi klinis nyata. Kesimpulannya, Radar MIMO dan algoritma deep learning memiliki potensi besar untuk deteksi nyeri non-invasif. Namun, penelitian lanjutan perlu difokuskan pada pembangunan dataset yang lebih inklusif, standarisasi pelabelan nyeri, serta pengujian dalam konteks klinis, dengan memperhatikan aspek etika dan privasi agar teknologi ini dapat diimplementasikan secara luas dalam layanan kesehatan.

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.

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.

Penelitian ini bertujuan untuk mengimplementasikan sistem Supply Chain Management (SCM) dalam pengelolaan persediaan sembako di Toko Grosir Rohman guna meningkatkan efisiensi operasional dan mengatasi permasalahan kehabisan atau kelebihan stok. Metode penelitian yang digunakan adalah kualitatif dengan pendekatan studi kasus, melalui observasi, wawancara, dan dokumentasi. Sistem SCM yang dirancang berbasis website menggunakan PHP dan MySQL, dengan pemodelan UML untuk menganalisis kebutuhan dan perancangan sistem. Hasil dari implementasi sistem menunjukkan peningkatan akurasi data stok, efisiensi dalam proses pemesanan, serta tersedianya informasi real-time yang membantu pengambilan keputusan. Dengan sistem ini, Toko Grosir Rohman mampu mengelola persediaan sembako secara lebih optimal, meningkatkan kepuasan pelanggan, dan memperkuat daya saing usaha.

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.

Persaingan industri distribusi yang semakin ketat menuntut perusahaan untuk memiliki sistem manajemen persediaan yang efisien dan terintegrasi. PT. Nindy Glow Beauty Aesthetic, sebuah klinik kecantikan yang bergerak di bidang penjualan produk skincare di Sei Piring, saat ini masih menggunakan nota pembelian manual sebagai acuan informasi persediaan barang. Hal ini mengakibatkan data stok tidak akurat dan menghambat pengambilan keputusan. Penelitian ini bertujuan untuk mengembangkan sistem informasi persediaan barang berbasis metode Supply Chain Management (SCM) yang dapat membantu perusahaan dalam merencanakan kebutuhan stok berdasarkan data penjualan, permintaan, dan ketersediaan barang. Hasil dari pengembangan sistem ini diharapkan dapat meningkatkan efisiensi pengelolaan persediaan, mengurangi kerugian akibat kelebihan atau kekurangan stok, serta mendukung proses distribusi produk skincare secara optimal. Studi ini juga mengacu pada penelitian sebelumnya yang menunjukkan keberhasilan penerapan metode SCM di berbagai sektor industri

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.

Kota Bandar Lampung merupakan sebuah kota yang terletak di Provinsi Lampung, Lampung merupakan Provinsi yang terletak di ujung selatan Pulau Sumatera sekaligus menjadi pintu gerbang antar Pulau Jawad an Pulau Sumatera dan dijuluki sebagai kota “Tapis Berseri” menggambarkan kota yang aman, patuh, sejahtera, bersih, sehat dan indah. Pada tahun 2023 jumlah wisatawan mencapai 13,7 juta jiwa meningkat 25% dibandingkan tahun 2022. Berdasarkan dari data Badan Pusat Statistik (BPS) kunjungan wisatawan tahun 2024 tercatat sejumlah 17,8 juta jiwa dengan peningkatan 25% dari target yang di tetapkan oleh pemerintah Provinsi Lampung. Dengan ini menunjukan bahwa perkembangan sektor pariwisata di Lampung terus menunjukan tren positif dalam beberapa tahun terakhir, dengan ini hotel-hotel berbintang dan penginapan terus bertambah sering kali membuat wisatawan sulit dalam menentukan pilihan hotel. Dengan adanya penelitian ini bertujuan untuk mempermudah wisatawan dalam memilih hotel dengan menerapkan metode Analythic Hierarchy Process (AHP) dan Elimination and Choice Expressing Reality (ELECTRE) dalam proses pemilihan hotel yang relavan di Bandar Lampung. Pemilihan hotel yang tepat membutuhkan pertimbangan berbagai kriteria seperti harga, fasilitas, lokasi, dan pelayanan. Dengan menggunakan metode AHP dan ELECTRE hasil yang diperoleh nanti yaitu memberikan rekomendasi hotel yang optimal berdasarkan perbandingan alternatif yang ada. Penelitian ini diharapakan dapat memberikan kontribusi dalam Sistem Pengambilan Keputusan (SPK) yang lebih efisien dan objektif dalam pemilihan hotel di Bandar Lampung.

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.

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

Deteksi nyeri objektif merupakan tantangan dalam dunia medis, terutama bagi pasien yang tidak mampu mengungkapkan rasa sakit secara verbal. Dengan kemajuan teknologi sensor dan kecerdasan buatan, sistem otomatis untuk mendeteksi nyeri berbasis sinyal fisiologis dan ekspresi wajah mulai dikembangkan. Studi ini bertujuan mengidentifikasi tren, metode, dan kualitas metodologis dari penelitian yang menggunakan database publik seperti BioVid Heat Pain, UNBC-McMaster, dan SenseEmotion dalam pengembangan sistem deteksi nyeri berbasis sensor. Penelitian dilakukan dengan pendekatan Systematic Literature Review (SLR) berdasarkan protokol PRISMA 2020 melalui pencarian artikel di Google Scholar dalam rentang tahun 2015–2024. Setelah seleksi berdasarkan kriteria inklusi dan eksklusi, 26 studi dimasukkan ke dalam sintesis naratif. Data dianalisis berdasarkan jenis sensor, metode algoritma, akurasi, dan ukuran sampel, serta dievaluasi menggunakan pendekatan GRADE. Hasil menunjukkan bahwa BioVid dan UNBC-McMaster adalah database paling sering digunakan, dengan sensor EDA, EMG, dan ekspresi wajah sebagai modalitas dominan. Metode klasifikasi umum mencakup CNN, SVM, dan Random Forest. Studi menyimpulkan bahwa pendekatan multimodal dan deep learning meningkatkan akurasi deteksi nyeri, namun validasi klinis dan perhatian terhadap keragaman demografis masih dibutuhkan.

Produksi padi di Indonesia, termasuk Kabupaten Sidoarjo, menghadapi berbagai tantangan seperti alih fungsi lahan, perubahan iklim, dan keterbatasan infrastruktur. Penelitian ini bertujuan untuk memetakan potensi produksi padi secara spasial di Kabupaten Sidoarjo dengan memanfaatkan pendekatan Sistem Informasi Geografis (SIG). Metode yang digunakan meliputi analisis spasial untuk menggambarkan sebaran luas baku sawah, tanam, panen, irigasi, dan produktivitas di tingkat kecamatan, serta analisis deskriptif untuk menafsirkan hasil pemetaan. Hasil penelitian menunjukkan bahwa wilayah dengan sistem irigasi teknis dan luas baku sawah yang masih terjaga, seperti Kecamatan Tarik, Sukodono, dan Wonoayu, memiliki produktivitas yang relatif tinggi. Pemetaan spasial berbasis SIG terbukti efektif dalam mengidentifikasi wilayah potensial yang mendukung pengelolaan produksi padi secara lebih terarah. Penelitian ini merekomendasikan pemanfaatan SIG sebagai alat strategis dalam perencanaan pertanian dan pengambilan kebijakan yang berbasis data spasial untuk meningkatkan ketahanan pangan di Kabupaten Sidoarjo.

Perkembangan teknologi layanan internet di Indonesia memengaruhi berbagai sektor industri, termasuk sektor makanan di PT Sarimelati Kencana Tbk. Perusahaan awalnya menggunakan layanan IndiHome, namun menghadapi tantangan seperti tingginya biaya dan ketidakstabilan jaringan yang berdampak pada efisiensi operasional. Sebagai alternatif, layanan Starlink hadir dengan jaringan satelit yang menjangkau wilayah luas dan mendapat respons publik yang lebih positif. Penelitian ini bertujuan untuk menganalisis sentimen masyarakat terhadap IndiHome dan Starlink menggunakan metode Naïve Bayes yang dievaluasi melalui K-Fold Cross Validation. Data dikumpulkan dari media sosial X (sebelumnya Twitter) dengan total 14.200 tweet (7100 tweet untuk IndiHome dan 7100 untuk Starlink), yang kemudian diproses melalui tahapan preprocessing seperti cleansing, tokenizing, stopword removal, dan stemming. Hasil pengujian menunjukkan bahwa metode Naïve Bayes memberikan akurasi terbaik pada data Starlink sebesar 83,74%, sedangkan pada IndiHome sebesar 73,31%. Analisis preferensi menunjukkan bahwa sentimen positif terhadap IndiHome sebesar 34%, sedangkan Starlink mencapai 47%.Temuan ini menunjukkan bahwa Starlink lebih unggul dalam persepsi publik dibandingkan IndiHome. Oleh karena itu, hasil penelitian ini dapat menjadi dasar pertimbangan strategis bagi PT Sarimelati Kencana Tbk. dalam memilih penyedia layanan internet yang lebih stabil, efisien, dan mendukung kelancaran operasional perusahaan.

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.

Bitcoin sebagai salah satu cryptocurrency paling populer yang menawarkan peluang investasi besar namun disertai dengan volatilitas harga yang tinggi. Penelitian ini bertujuan untuk memprediksi harga Bitcoin menggunakan model Support Vector Machine (SVM) dan menganalisis risiko pasar yang melekat. Dataset historis Bitcoin digunakan untuk melatih model dengan fitur seperti harga pembukaan, harga tertinggi, harga terendah, dan volume perdagangan. Penelitian menggunakan model SVM yang dioptimalkan melalui tuning parameter untuk meningkatkan akurasi prediksi. Evaluasi model dilakukan menggunakan metrik Mean Absolute Error (MAE) dan Root Mean Squared Error (RMSE). Hasil evaluasi menunjukkan performa model yang baik dengan MAE sebesar 0,0036 dan RMSE sebesar 0,0050. Korelasi fitur menunjukkan hubungan yang kuat antara harga penutupan dengan variabel harga lainnya, sementara volume memiliki hubungan moderat. Analisis risiko menggunakan pengembalian harian mengidentifikasi volatilitas signifikan, yang menjadi tantangan dalam pengambilan keputusan investasi. Penelitian ini menyimpulkan bahwa model SVM efektif dalam memprediksi tren harga Bitcoin. Namun, analisis risiko tetap penting untuk mendukung strategi investasi yang lebih bijaksana.    

Instagram merupakan salah satu media sosial paling populer di Indonesia dengan jumlah unduhan dan ulasan yang sangat tinggi di Google Play Store. Penelitian ini dilakukan untuk menganalisis sentimen dari ulasan bintang lima terhadap aplikasi Instagram guna mengkaji lebih lanjut apakah seluruh ulasan dengan rating tertinggi benar-benar mencerminkan sentimen positif. Data dikumpulkan melalui tahap scraping, kemudian dilakukan pembersihan data dengan teknik normalisasi sederhana seperti penghapusan URL, karakter khusus, angka, dan spasi berlebih, serta tahap preprocessing menggunakan metode tokenisasi. Model IndoBERT digunakan sebagai alat klasifikasi untuk mendeteksi sentimen dari setiap ulasan ke dalam tiga kategori: positif, netral, dan negatif. Hasil klasifikasi menunjukkan bahwa 59,7% ulasan tergolong positif, 11,2% netral, dan 29,1% negatif. Model evaluasi dilakukan melalui perbandingan hasil prediksi dengan pelabelan manual dan otomatis yang menghasilkan f1-score sebesar 0,901 untuk sentimen positif, 0,834 untuk negatif, dan 0,449 untuk netral, dengan akurasi keseluruhan sebesar 83,2%. Visualisasi word cloud ditampilkan setelah proses klasifikasi sentimen untuk menggambarkan kata-kata yang dominan di masing-masing kategori. Temuan ini menunjukkan bahwa rating numerik tidak selalu selaras dengan isi ulasan, serta pentingnya analisis sentimen dalam memahami persepsi pengguna secara lebih mendalam.