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.

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.

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 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.

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 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.

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

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.