Publication Search

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

This study compares the effectiveness of MAUT (Multi-Attribute Utility Theory), SMART (Simple Multi-Attribute Rating Technique), and WASPAS (Weighted Aggregated Sum Product Assessment) methods in a decision support system for determining the best employees at Sisilia Boutique. The quality of human resources is crucial in the retail business, but performance evaluation is often influenced by subjectivity. To address this, a multi-criteria-based decision support system is needed. MAUT translates preferences into a numerical scale, SMART calculates the average value of attributes based on weights, while WASPAS combines weighted summation (WSM) and weighted multiplication (WPM) for more balanced results. Employee performance data from Sisilia Boutique in June 2025, including attendance, store layout, customer service, and discipline, were used as the research object. The comparison results show consistency in the highest (K3) and lowest (K7) ratings across the three methods, with differences in the middle ratings. WASPAS offers a more balanced distribution of final scores, making it a comprehensive alternative for performance evaluation.

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.

The rapid development of information technology in today's digital era has significantly impacted organizational performance, particularly in data management and resource planning. One organization that heavily relies on accurate data availability is the Indonesian Red Cross (PMI), especially its Blood Donor Unit (UDD). UDD PMI of Asahan Regency faces challenges in determining monthly blood donor targets to maintain stable blood stock. A shortage of blood supply can be fatal for patients requiring transfusions. Therefore, a system is needed to forecast the number of blood donors, allowing for more accurate decision-making. This study utilizes the Weighted Moving Average (WMA) method to predict the number of blood donors for the following month based on historical data from March 2024 to March 2025. The WMA method is chosen for its ability to assign greater weight to recent data, making the forecast more relevant and accurate. The results of this research are expected to assist UDD PMI Asahan Regency in anticipating blood needs and maintaining optimal stock availability.

Perkembangan teknologi informasi telah meningkatkan kebutuhan akan sumber daya manusia yang kompeten di bidang analitik data dan pemrograman, khususnya bagi mahasiswa Program Studi Sistem Informasi. Penelitian ini bertujuan untuk membangun model klasifikasi guna mengidentifikasi kecenderungan mahasiswa sebagai Data Analyst atau Programmer menggunakan algoritma Naive Bayes. Sebanyak 220 data dikumpulkan melalui kuesioner daring, dengan indikator penilaian yang dikelompokkan dalam dua dimensi: kemampuan analis data dan kemampuan pemrograman. Data kemudian dilabeli berdasarkan skor per dimensi dan diolah menggunakan model Complement Naive Bayes pada platform Google Colab. Hasil evaluasi menunjukkan bahwa model mampu mengklasifikasikan dua kelas mayoritas (Data Analyst dan Programmer) dengan baik, ditandai dengan akurasi keseluruhan sebesar 80,30% dan nilai precision, recall, serta f1-score yang tinggi. Namun, performa model terhadap kelas minoritas (Netral) masih rendah akibat ketidakseimbangan distribusi data. Penelitian ini menyarankan penggunaan teknik lanjutan seperti resampling, class weight, atau model ensemble untuk mengatasi bias terhadap kelas mayoritas. Temuan ini dapat digunakan sebagai dasar dalam pembimbingan akademik dan pengembangan kurikulum berbasis potensi mahasiswa.

Stunting occurs due to malnutrition which inhibits growth in toddlers. Stunting can also be caused by problems during pregnancy. This study aims to identify the risk of stunting during pregnancy and determine pregnant women who are at risk of this condition. By identifying and prioritizing critical factors that contribute to stunting in children under five, this research is expected to assist policy makers in developing effective solutions to reduce stunting rates. Handling the problem of stunting is important for the Government because it relates to the future generation of Golden Indonesia 2045. This study evaluates appropriate actions or therapies to reduce the risk of having children born with the potential to experience stunting. In the process of selecting pregnant women who are at risk of giving birth to children with the risk of stunting, a selection procedure is carried out that considers several factors such as the mother's age, mother's nutritional intake, arm circumference, hemoglobin level, parity, birth spacing, height, and mother's body mass index (BMI). The analytic network process (ANP) approach is used to determine the outcome of the selection process. The ranking is determined based on the calculation of the weighting of the criteria and sub-criteria in the ANP method. Based on the results of calculations using the ANP approach, PM 1 pregnant women get the highest score and are ranked first. These pregnant women are considered to have the highest risk of giving birth to babies with stunting risk.

Kemudahan proses pembelian rumah menyebabkan peningkatan permintaan akan produksi rumah. Citragrand merupakan satu dari banyak perusahaan  real estate di Semarang, Jawa Tengah. Penjualan yang tidak menentu setiap bulannya, membuat perusahaan kesulitan dalam menentukan target penjualan pada awal tahun dan juga dalam menentukan top product di tahun tersebut. Dengan masalah tersebut, perusahaan membutuhkan solusi yang dapat meramalkan penjualan di tahun mendatang, serta menentukan tipe rumah apa yang bisa menjadi top product hingga penjualan paling sedikit, sehingga dapat memperbaiki kualitas rumah dan menguntungkan perusahaan. Peramalan penjualan atau forecasting adalah metode analisa perhitungan dengan hasil perkiraan peristiwa di masa depan yang membutuhkan data masa lalu sebagai referensi dan memakai pendekatan kualitatif ataupun kuantitatif. Forecasting yang digunakan dalam hal ini menggunakan metode Double Exponential Smoothing. Selain di ramalkan penjualannya, juga dilakukan proses perangkingan produk perumahan terbaik yang dihitung menggunakan metode simple additive weighting (SAW). Dengan menggabungkan forecasting dan perangkingan produk, diharapkan mampu mengatasi salah satu masalah penjualan yang dialami oleh perusahaan Citragrand Semarang. Kedua metode ini dibuat dengan berbasis website yang dibangun dengan bahasa permrogaman PHP dan framework Codeigniter sebagai server program. Hasil dari sistem ini yaitu Sistem Pendukung keputusan dan peramalan dengan tujuan mendapatkan hasil top product dan peramalan penjualan untuk tahun berikutnya.

Salaam Organizer perusahaan yang bergerak dibidang jasa untuk melayani service wedding. Kendala yang sedang dihadapi Salaam Organizer masih mengunakan cara tradisional untuk promosi, komunikasi, memantau, dan melalukan transaksi pembayaran dengan telepon dan jejaring sosial. Salaam Organizer perlu adanya aplikasi web mobile sebagai media penunjang. Metode yang digunakan dalam implementasi ini menggunakan metode breakdown and weighted. Hasil penelitian yang dibuat, terciptanya sistem aplikasi e-service berbasis web mobile untuk pelayanan jasa wedding dan menjadikan sistem aplikasi yang interaktif dan multifungsi. Sistem yang dibuat nantinya akan memudahkan pelayanan dikantor Salaam Organizer.

Daerah rentan banjir adalah daerah yang mudah atau mempunyai kecenderungan untuk terlanda banjir. Maka kawasan rentan banjir merupakan kawasan yang sering atau berpotensi tinggi mengalami bencana banjir. Daerah atau kawasan tersebut dapat diidentifikasi dengan menggunakan pendekatan geomorfologi khususnya aspek morfogenesa, karena kenampakan seperti teras sungai, tanggul alam, dataran banjir, rawa belakang, kipas aluvial, dan delta yang merupakan bentukan banjir yang berulang-ulang yang merupakan bentuk lahan detil yang mempunyai topografi datar, sesuai karakteristik penyebab banjir.Sedangkan tingkat kerentanan banjir dapat ditentukan berdasarkan paramater-parameter yang berpengaruh terhadap terjadinya banjir. Dari beberapa penelitian mengenai banjir, telah diketahui bahwa kondisi lahan seperti penutup lahan, topografi, dan geomorfologi juga curah hujan, sebagai salah satu unsur iklim yang utama adalah merupakan faktor-faktor berpengaruh dalam menentukan terjadinya banjir di Indonesia.Terungkap juga bahwa Sistem Informasi Geografis (SIG) terbukti mampu menyediakan informasi data geospasial untuk setiap objek di permukaan bumi secara cepat. Sekaligus juga mampu menyediakan sistem analisa keruangan yang akurat. Selain itu, siapapun dapat menggunakan informasi tersebut untuk mengantisipasi dampak bencana baik untuk respon darurat, pemulihan pasca bencana, penetapan strategi mitigasi bencana, ataupun perencanaan pembangunan berkelanjutan.Maka dalam penelitian ini diharapkan dapat menghasilkan ulasan contoh-contoh parameter, metoda dan tahapan langkah dalam penentuan tingkat kerentanan banjir secara geospasial. Dalam hal ini, parameter rentan banjir yang ditentukan berdasarkan aspek lingkungan, dapat diterapkan untuk data geospasial indikator banjir dan yang nantinya akan dibentuk berupa data yang komprehensif antara data spasial dan atributnya data non spasial. Kemudian penentuan tingkat kerentanan banjir menggunakan metoda Analisis Weighted Scorring dalam perhitungan penentuan tingkatan parameter-parameter rentan banjir dan Analisis Penentuan Tingkat Rentan Banjir, sehingga menghasilkan model klasifikasi tingkat rentan Banjir.Hasil akhir dari penelitian ini adalah menghasilkan suatu model klasifikasi tingkat rentan banjir yang terlihat implementasinya dalam model data tabel untuk data geospasial tingkat rentan banjir.

Dalam menentukan penerimaan beasiswa, banyak sekali kriteria-kriteria yang harus dimiliki oleh individu sebagai syarat dalam mendapatkan beasiswa. Masing-masing sekolah pasti memiliki kriteria-kriteria untuk menentukan siapa yang akan terpilih untuk menerima beasiswa. Pembagian beasiswa dilakukan oleh beberapa lembaga untuk membantu seseorang yang kurang mampu ataupun berprestasi selama menempuh studinya. Untuk membantu penentuan dalam menetapkan seseorang yang layak menerima beasiswa maka dibutuhkan sebuah sistem pendukung keputusan. Pada penelitian ini akan diangkat suatu kasus yaitu mencari alternative terbaik bedasarkan kriteria-kriteria yang telah ditentukan dengan menggunakan metode SAW (Simple Additive Weighting) Penelitian dilakukan dengan mencari nilai bobot untuk setiap atribut, kemudian dilakukan proses perankingan yang akan menentukan alternatif yang optimal, yaitu siswa terbaik.

Decision support system of credit giving is a computer-based information system that can be used as a tool for manager of the credit department to decide received  whether or not the loan application that submitted by customers. In the decision support system of credit giving uses principles of assessment called the 5 C. The 5 C are character, capacity, capital, collateral,  dan condition. Principles of  the 5 C will be taken for credit giving consideration. While preference for the weighting of criteria using Analytical Hierarchy Process. Overall, the existing process on the decision support system  of  credit giving is manager assigned the criteria, sub criteria, sub-sub criteria and the score. Then manager give preference of criteria to generate criteria weights. The data has been inputted by manager is used by staff of credit department  to perform the assessment so that can be produced a credit decision is received or rejected.