Journal of Artificial Intelligence and Technology Information (JAITI)

Kombinasi Metode MEREC dan TOPSIS dalam Seleksi Penerimaan Calon Karyawan Baru

Ilham Nasul Fathon Muhaji. P — 2026-09-21

The employee candidate selection process in many companies is still often carried out manually, resulting in decision-making that is subjective, inconsistent, and ineffective, especially when having to evaluate many applicants based on various criteria simultaneously. This situation makes it difficult for companies to determine the best candidate objectively and accurately. Therefore, this study aims to develop a Decision Support System (DSS) in the selection of new employee candidates by combining the MEREC (Method based on the Removal Effects of Criteria) and TOPSIS (Technique for Order Preference by Similarity to Ideal Solution) methods. The MEREC method is used to determine the weight of criteria objectively based on the influence of each criterion on the change in alternative performance, while the TOPSIS method is used to rank prospective employees based on their closeness to the positive ideal solution and their distance from the negative ideal solution. The criteria used in this study include education, work experience, technical skills, communication, and age. The results of the study indicate that the proposed method combination is able to produce a more objective, systematic, and accurate employee selection process. Based on the ranking results, alternative A7-IP obtained the highest preference value of 0.9945 and ranked first, followed by A5-EK with a value of 0.9427 in second place, and A1-AR with a value of 0.8946 in third place. The application of the MEREC and TOPSIS methods also successfully increased consistency and reduced subjectivity in the employee selection decision-making process.

Pendekatan Machine Learning Untuk Prediksi Motif Batik Indonesia

Wahyu Marzian Putra — 2026-09-21

Batik merupakan warisan budaya tak benda Indonesia yang diakui UNESCO sejak tahun 2009. Perkembangan teknologi kecerdasan buatan, khususnya deep learning, membuka peluang otomatisasi klasifikasi visual batik. Namun, klasifikasi otomatis batik Indonesia masih menghadapi tantangan utama, yaitu ketidakseimbangan kelas pada dataset (imbalanced dataset) dan kemiripan visual antarkelas yang tinggi . Penelitian ini mengembangkan sistem klasifikasi 20 jenis batik Indonesia menggunakan model YOLOv11 yang diintegrasikan dengan teknik Synthetic Minority Over-sampling Technique (SMOTE) serta skema 5-Fold Stratified Cross-Validation guna memperoleh evaluasi yang objektif. Dataset terdiri atas 983 gambar yang diakuisisi dari repositori Kaggle. SMOTE diterapkan pada representasi fitur piksel berdimensi tinggi (d = 12.288) untuk menyeimbangkan distribusi antarkelas tanpa mengorbankan informasi kelas mayoritas. Model YOLOv11 dilatih pada setiap lipatan dengan konfigurasi hyperparameter terkontrol menggunakan pengoptimasian AdamW. Hasil penelitian menunjukkan nilai mean Average Precision (mAP) keseluruhan sebesar 0,8251 dan rata-rata mAP per lipatan sebesar 0,8788 ± 0,0264, dengan konsistensi metrik yang tinggi di seluruh lipatan validasi. Analisis matriks kebingungan mengindikasikan bahwa misclassification cenderung terjadi antara kelas batik yang memiliki kemiripan visual tinggi. Kerangka kerja yang diusulkan berpotensi diimplementasikan sebagai sistem identifikasi batik otomatis untuk mendukung pelestarian warisan budaya, autentifikasi produk pada platform e-commerce, serta dokumentasi koleksi museum di era digital.

Analisis Sistem Informasi Pelayanan Konsumen Dengan Metode Pieces Pada PT Bintang Property Lampung

Amelia Maharani — 2026-09-21

Penelitian ini membahas analisis dan pengembangan sistem informasi pelayanan konsumen pada PT Bintang Property Lampung yang masih menggunakan sistem manual berupa dokumen fisik dan spreadsheet yang belum terintegrasi. Kondisi tersebut menyebabkan keterlambatan pelayanan, kesulitan pengelolaan data, proses verifikasi yang lambat, risiko kehilangan data, serta rendahnya efektivitas pelayanan konsumen. Penelitian ini bertujuan untuk menganalisis kelemahan sistem yang berjalan dan mengembangkan sistem berbasis website menggunakan metode PIECES yang mencakup aspek Performance, Information, Economy, Control, Efficiency, dan Service. Metode penelitian yang digunakan adalah pendekatan kuantitatif melalui observasi, wawancara, dokumentasi, dan penyebaran kuesioner kepada 15 konsumen aktif. Hasil analisis menunjukkan nilai rata-rata sebesar 2,681 dengan kategori “Cukup”, di mana aspek Economy dan Efficiency berada pada kategori “Buruk”. Sebagai solusi, dikembangkan sistem berbasis website dengan fitur pengelolaan data, tracking keluhan, verifikasi pembayaran, serta laporan otomatis. Hasil penelitian menunjukkan bahwa sistem yang dikembangkan mampu meningkatkan efektivitas, efisiensi, dan kualitas pelayanan konsumen pada PT Bintang Property Lampung.

Rancang Bangun Sistem Informasi Penerimaan Mahasiswa Baru Berbasis Web Terintegrasi AI Chatbot sebagai Layanan Helpdesk

Rahmat Kausar — 2026-09-21

Penelitian ini bertujuan merancang, membangun, dan menguji efektivitas Sistem Informasi Penerimaan Mahasiswa Baru (PMB) berbasis web terintegrasi AI Chatbot sebagai layanan helpdesk pada Alifa Institute. Permasalahan penelitian berangkat dari proses PMB yang sebelumnya menggunakan Blogspot dan Google Form, sehingga data belum terpusat, rekapitulasi masih semi-manual, serta layanan informasi belum tersedia otomatis selama 24 jam. Metode penelitian menggunakan Research and Development yang dipadukan dengan model Waterfall. Sistem dikembangkan menggunakan PHP Native, MySQL, Bootstrap 5, JavaScript, AJAX, PHPMailer, Dompdf, dan Groq API dengan model Llama-3.3-70b-versatile. Kebaruan penelitian terletak pada integrasi sistem PMB one gate system dengan AI Chatbot berbasis knowledge base, prompt engineering, dan context retrieval yang mampu membedakan layanan tamu dan mahasiswa login berdasarkan status pendaftaran. Hasil pengujian menunjukkan 35 skenario ahli sistem dan 36 skenario ahli materi seluruhnya valid dengan keberhasilan 100%. Evaluasi khusus chatbot menunjukkan akurasi dan relevansi respons tervalidasi 100%, sedangkan uji pengguna memperoleh efektivitas 95,86% dengan kategori sangat efektif. Sistem berkontribusi dalam memperkuat layanan PMB digital yang responsif, terpusat, dan kontekstual.

Pengembangan Framework Business Intelligence Berbasis Open Source di Institusi Pendidikan Tinggi

Tirta Anhari — 2026-09-21

Pengembangan solusi Business Intelligence (BI) berbasis open source semakin relevan untuk institusi akademik di Indonesia guna mengatasi masalah tingginya biaya BI komersial dan sulitnya mengintegrasikan sistem informasi lama (legacy systems). Makalah ini bertujuan merancang dan mengimplementasikan framework BI open source yang disesuaikan dengan arsitektur data perguruan tinggi. Penelitian ini menggunakan pendekatan deskriptif kualitatif melalui tahapan studi literatur, analisis kebutuhan pengguna (melibatkan 15 responden pemangku kepentingan), desain arsitektur integrasi, serta evaluasi implementasi. Hasil penerapan menunjukkan bahwa framework yang diusulkan—menggunakan PostgreSQL, Talend, dan Metabase/Apache Superset yang terintegrasi Single Sign-On (SSO)—berhasil memangkas waktu penyusunan laporan operasional hingga 70% dan meningkatkan aksesibilitas data. Temuan utama menegaskan bahwa keberhasilan adopsi BI open source tidak hanya dipengaruhi oleh integrasi teknologi, tetapi sangat bergantung pada manajemen perubahan dan literasi data pengguna. Studi ini berkontribusi memberikan model arsitektur tata kelola data yang aman, hemat biaya, dan siap direplikasi oleh sektor pendidikan tinggi.

Analisis Clustering Pemerataan Fasilitas Pendidikan Desa di Indonesia Menggunakan Metode K-Means Berbasis Data BPS Tahun 2025

Gamaliel Jones Gerardo Hutapea — 2026-09-21

Pemerataan fasilitas pendidikan desa merupakan salah satu faktor penting dalam mendukung pembangunan pendidikan yang berkelanjutan di Indonesia. Perbedaan ketersediaan fasilitas pendidikan antar wilayah dapat menyebabkan terjadinya ketimpangan akses pendidikan pada setiap provinsi. Penelitian ini bertujuan untuk melakukan clustering pemerataan fasilitas pendidikan desa di Indonesia menggunakan metode K-Means Clustering berdasarkan data Badan Pusat Statistik (BPS) Tahun 2025. Variabel yang digunakan dalam penelitian meliputi Sekolah Dasar (SD), Sekolah Menengah Pertama (SMP), Sekolah Menengah Atas (SMA), Sekolah Menengah Kejuruan (SMK), dan Perguruan Tinggi (PT). Penelitian ini menggunakan pendekatan kuantitatif berbasis data mining dengan tahapan analisis meliputi pengumpulan data, normalisasi data menggunakan metode Min-Max Normalization, penentuan jumlah cluster optimal menggunakan Elbow Method, dan proses clustering menggunakan aplikasi IBM SPSS Statistics. Hasil penelitian menunjukkan bahwa jumlah cluster optimal yang diperoleh adalah empat cluster. Mayoritas provinsi berada pada cluster dengan tingkat pemerataan fasilitas pendidikan rendah, sedangkan hanya beberapa provinsi yang berada pada cluster dengan tingkat pemerataan tinggi. Hasil penelitian ini menunjukkan bahwa pemerataan fasilitas pendidikan desa di Indonesia masih belum merata antar wilayah. Penelitian ini diharapkan dapat menjadi bahan pertimbangan dalam mendukung pengambilan kebijakan pembangunan pendidikan yang lebih tepat sasaran.

Peningkatan Akurasi Klasifikasi Risiko Serangan Jantung Menggunakan Feature Selection dan Random Forest dengan Pendekatan Cross Validation

Bima Aditya — 2026-09-21

Penyakit kardiovaskular, khususnya serangan jantung, menyumbang beban morbiditas dan mortalitas tertinggi di Indonesia, namun pengembangan model prediktif berbasis machine learning untuk skrining dini menghadapi tantangan fundamental berupa ketidakseimbangan kelas (class imbalance), dimensionalitas fitur tinggi, serta risiko overfitting pada evaluasi konvensional. Penelitian ini bertujuan membangun pipeline klasifikasi yang sistematis dengan menangani ketidakseimbangan data, mereduksi redundansi fitur, dan mengevaluasi generalisasi model secara robust. Dataset Heart Attack Prediction Indonesia terdiri dari 158.355 sampel dengan 27 fitur prediktor. Tahapan metodologi meliputi prapemrosesan data, penyeimbangan kelas menggunakan Synthetic Minority Over-sampling Technique (SMOTE) kustom dengan k-nearest neighbors = 5, seleksi fitur dua-tahap berbasis Mutual Information dan Random Forest Feature Importance dengan SelectFromModel, serta pelatihan model Random Forest yang dioptimasi melalui penyetelan hyperparameter. Evaluasi performa dilakukan dengan Stratified 5-Fold Cross-Validation menggunakan metrik accuracy, precision, recall,F1-score, dan ROC-AUC. Hasil menunjukkan bahwa SMOTE berhasil menyeimbangkan distribusi kelas menjadi 94.854 sampel per kelas (rasio 1:1), sementara seleksi fitur mereduksi 27 fitur menjadi 13 fitur terpilih yang klinis relevan. Evaluasi pada data full resampled menghasilkan performa mendekati sempurna (ROC-AUC 0,9997), namun Stratified 5-Fold Cross-Validation mengungkapkan estimasi yang lebih realistis dengan rata-rata accuracy 0,7758, precision 0,7943, recall 0,7444, F1-score 0,7685, dan ROC-AUC 0,8721. Temuan ini mengidentifikasi generalization gap sebesar ~21,5 poin persentase yang mengindikasikan adanya data leakage struktural akibat implementasi SMOTE sebelum validasi silang. Kontribusi utama penelitian ini terletak pada demonstrasi pipeline end-to-end yang mengintegrasikan teknik resampling,seleksi fitur berbasis domain, dan evaluasi robust, sekaligus memberikan argumentasi kritis mengenai interpretasi metrik pada data sintetis dan perlunya estimasi performa berbasis cross-validation sebagai acuan klinis yang lebih valid.

Implementasi Finite State Machine dan Fisher-Yates Shuffle pada Game Platformer 2D Edukasi Berbasis Godot Engine

Muhamad Davi Ferzagie — 2026-09-21

Pengelolaan aktivitas karakter dan penyajian konten yang bervariasi merupakan dua aspek penting dalam pengembangan game platformer 2D edukasi. Perubahan aktivitas karakter yang terjadi secara cepat berpotensi menimbulkan konflik logika apabila tidak dikelola secara terstruktur, sedangkan penyajian soal yang berulang dapat mengurangi tingkat tantangan dan keterlibatan pemain. Penelitian ini bertujuan mengimplementasikan Finite State Machine (FSM) untuk mengelola aktivitas karakter pemain dan algoritma Fisher-Yates Shuffle untuk mengacak urutan soal pada game platformer 2D edukasi Archipellago Hollow berbasis desktop menggunakan Godot Engine. FSM diterapkan pada delapan state karakter yang terdiri dari Idle, Walk, Jump, Fall, Attack, Interact, Hurt, dan Dead. Sementara itu, algoritma Fisher-Yates Shuffle digunakan untuk mengacak 20 soal sehingga menghasilkan kombinasi soal yang berbeda pada setiap sesi permainan. Evaluasi sistem dilakukan melalui Black Box Testing, validasi metode, dan User Acceptance Testing (UAT). Hasil pengujian menunjukkan bahwa seluruh fungsi sistem berjalan dengan tingkat keberhasilan 100%. Validasi FSM menghasilkan transisi state yang valid dengan waktu respons di bawah 16 ms. Algoritma Fisher-Yates Shuffle mampu menghasilkan distribusi soal yang lebih merata dibandingkan metode random biasa dengan waktu eksekusi kurang dari 0,01 detik. Selain itu, hasil UAT yang melibatkan 61 responden memperoleh nilai rata-rata 4,47 pada kategori sangat memuaskan. Hasil penelitian menunjukkan bahwa integrasi FSM dan Fisher-Yates Shuffle mampu meningkatkan konsistensi perilaku karakter sekaligus menghasilkan variasi soal yang lebih dinamis dalam permainan.

Dampak Prapemrosesan Citra dan Teks Terhadap Tingkat Akurasi OCR dan Skor ROUGE

Fajar Hamdani — 2026-09-21

Dokumen digital berformat PDF yang memuat tulisan tangan atau hasil pindaian beresolusi rendah sering kali sulit untuk diekstraksi informasinya. Penelitian ini mengkaji dampak prapemrosesan citra dan teks dalam meningkatkan akurasi proses ekstraksi menggunakan teknologi Optical Character Recognition (OCR) serta peringkasan otomatis menggunakan Natural Language Processing (NLP). Fokus penelitian tidak diarahkan pada perancangan model OCR atau NLP baru, melainkan pada signifikansi tahapan prapemrosesan terhadap kualitas teks masukan pada sistem. Tahapan prapemrosesan citra yang diterapkan bersifat adaptif, meliputi pemotongan area teks, deskew, resize bikubik, konversi grayscale, denoising, Contrast Limited Adaptive Histogram Equalization (CLAHE), Gaussian blur, adaptive threshold, dan morfologi opening. Teks hasil OCR kemudian dibersihkan dan diperbaiki secara adaptif sebelum diringkas menggunakan model T5 bahasa Indonesia. Hasil pengujian terhadap 23 sampel dokumen menunjukkan bahwa intervensi prapemrosesan berhasil meningkatkan akurasi pengenalan karakter dari 65,31% menjadi 75,10%. Selain itu, pada tahap evaluasi peringkasan teks juga terjadi peningkatan skor ROUGE-1 dari 21,89% menjadi 32,24%, ROUGE-2 dari 8,69% menjadi 16,16%, dan ROUGE-L dari 16,93% menjadi 26,43%. Hasil pengujian ini membuktikan bahwa tahapan prapemrosesan citra dan teks sangat penting dalam memperbaiki kinerja pengenalan karakter dan peringkasan dokumen

Pemilihan Lapangan Futsal Terbaik di Kota Semarang Menggunakan Metode Simple Multi-Attribute Rating Technique (SMART)

Salwa Ramadhania — 2026-09-21

Pemilihan lapangan futsal yang tepat merupakan persoalan pengambilan keputusan multikriteria yang kompleks karena melibatkan kriteria biaya dan manfaat yang saling bertentangan, sementara dalam praktiknya pemilihan masih didominasi penilaian subjektif tanpa dasar perhitungan yang terukur. Studi terdahulu mengenai metode Simple Multi-Attribute Rating Technique (SMART) umumnya berhenti pada tahap implementasi sistem dan jarang menyatukan preferensi riil dari berbagai pemangku kepentingan olahraga sekaligus menguji validitas serta kekukuhan model secara statistik. Penelitian ini bertujuan membangun dan memvalidasi model Sistem Pendukung Keputusan (SPK) pemilihan lapangan futsal terbaik di Kota Semarang yang objektif dan kukuh. Metode SMART dipadukan dengan agregasi Rata-rata Geometrik (Geometric Mean) untuk menyatukan penilaian 12 responden ahli dalam pembobotan kriteria dan 25 responden pengguna dalam penilaian performansi 10 alternatif lapangan atas enam kriteria. Konsensus antar-penilai diuji menggunakan koefisien konkordansi Kendall dan menghasilkan nilai W = 0,573 (p < 0,001), yang menunjukkan kesepakatan signifikan. Solid Sport Center terpilih sebagai alternatif terbaik dengan skor 0,731, diikuti GOR Manunggal Jati (0,624) dan Futsal Undip (0,553). Validitas konvergen dibuktikan melalui kesesuaian peringkat SMART dengan metode SAW (ρ = 1,000) dan TOPSIS (ρ = 0,976), serta analisis sensitivitas atas lima skenario bobot menunjukkan stabilitas peringkat tiga besar. Validasi eksternal menghasilkan korelasi Spearman sebesar 0,927. Dengan demikian, model terbukti valid, akurat, kukuh, dan dapat digeneralisasi sebagai kerangka evaluasi fasilitas olahraga.

Application of AI Agentic Workflow Algorithms in Contemporary Business Process Automation

Dita Novita Sari — 2026-09-21

Contemporary business process automation faces a critical anomaly: conventional Robotic Process Automation (RPA) frameworks often experience fatal runtime crashes when encountering minor structural variations in enterprise documents. This instability triggers severe operational bottlenecks and exponentially increases manual intervention costs. To resolve this fragility, this study proposes and evaluates a novel AI Agentic Workflow architecture based on Multi-Agent Reinforcement Learning. The dynamic system orchestrates specialized sub-agents, specifically Planning, Tool-Execution, and Self-Reflection agents, to enable autonomous fault tolerance and contextual reasoning without relying on rigid scripts. Experimental testing was conducted across standard, structural drift, and ambiguous input scenarios using 5,000 synthetic and real-world supply chain documents. The empirical results demonstrate that the multi-agent architecture drastically outperforms legacy RPA and single-prompt Large Language Models, achieving a 98.9% Task Success Rate under severe structural drift. Furthermore, the system recorded a 99.2% Error Self-Correction Efficiency, successfully resolving runtime faults autonomously without human triage. Although the cognitive reasoning loops introduced an increased mean latency of 19.8 seconds, the computational trade-off is justified by the elimination of technical debt. Ultimately, this framework ensures highly adaptive enterprise resource planning ecosystems, safeguarding business continuity against unpredictable data fluctuations and volatile external integrations.

Error Checker Berbasis Neural Network pada Pembentukan Soal Cerita Matematika Dasar

Ferri Nurdiansah — 2026-09-21

Soal cerita matematika (Math Word Problem/MWP) berperan penting dalam melatih kemampuan penalaran logis siswa Sekolah Dasar. Perkembangan Large Language Model (LLM) telah memungkinkan pembuatan soal secara otomatis, namun soal yang dihasilkan kerap mengandung berbagai jenis kesalahan. Penelitian ini bertujuan: (1) mengembangkan dataset MWP berbahasa Indonesia beranotasi 11 kategori kesalahan secara multi-label; (2) merancang model multi-label classification berbasis IndoBERT dan Feed Forward Neural Network (FFNN) untuk mendeteksi kesalahan secara simultan; serta (3) mengevaluasi kinerja model menggunakan metrik Micro F1-Score, Macro F1-Score, dan Hamming Loss. Dataset dikembangkan melalui error-inducing prompting, menghasilkan 2.517 soal cerita yang dianotasi secara manual oleh dua anotator dengan rasio pembagian 80:20 menggunakan stratified random sampling. Model dilatih selama 40 epoch dengan Binary Cross Entropy loss dan optimizer AdamW. Model optimal diperoleh pada epoch ke-13 dengan validation loss 0,2616. Evaluasi pada testing set menghasilkan Micro F1-Score sebesar 0,7657, Macro F1-Score sebesar 0,7631, dan Hamming Loss sebesar 0,1387. Topic Unsafety mencapai F1-Score sempurna (1,000) dan Misspellings mendekati sempurna (0,986), sementara Grade Mismatch menjadi kategori paling sulit dideteksi (F1 = 0,591). Penelitian ini menyimpulkan bahwa pendekatan multi-label classification berbasis IndoBERT efektif untuk deteksi error pada MWP berbahasa Indonesia.

Analisis Groundedness Model LLM dalam Pembentukan Soal Cerita Matematika dari Teks Bacaan Berbahasa Indonesia

Feri Andriawan Saputra — 2026-09-21

Soal cerita matematika (Math Word Problem/MWP) merupakan instrumen evaluasi penting yang mengintegrasikan kemampuan literasi dan numerasi. Perkembangan Large Language Model (LLM) membuka peluang otomatisasi pembuatan MWP dari teks bacaan. Namun, tantangan utama adalah fenomena hallucination yang menurunkan kualitas pedagogis soal. Penelitian ini bertujuan: (1) mengembangkan kerangka evaluasi groundedness berbasis enam aspek sebagai produk utama, dan (2) mengevaluasi tingkat groundedness MWP yang dihasilkan model gemma3:1b dari teks bacaan berbahasa Indonesia. Pendekatan Research and Development (R&D) dengan model ADDIE digunakan. Enam aspek groundedness dikembangkan: Entity Consistency (EC), Event Consistency (EV), Context Alignment (CA), Semantic Alignment (SA), Numerical Groundedness (QN), dan Question Relevance (QR), masing-masing dinilai menggunakan skala biner 0–1. Evaluasi dilakukan terhadap 460 soal cerita matematika valid dari empat teks bacaan BSE SD Kurikulum Merdeka menggunakan model gemma3:1b dengan lima konfigurasi parameter (E1–E5). Hasil menunjukkan gemma3:1b grounded pada teks sederhana–menengah (Teks 1: 73,25%; Teks 3: 75,91%) namun gagal pada teks kompleks (Teks 4: 47,22%). Konfigurasi E3 (temperature=0,3; top_p=0,9) memberikan keseimbangan terbaik. Kerangka evaluasi terbukti reliabel dengan Cohen's Kappa 0,68–0,81.

Comparative Analysis of the SMART and MFEP Methods for Selecting Baking Ingredient Suppliers for Bakery MSMEs in East Bekasi District

Elvi Fetrina — 2026-09-21

The selection of raw material suppliers is one of the key factors in maintaining product quality and operational efficiency for Micro, Small, and Medium Enterprises (MSMEs) in the bakery industry. Supplier selection processes that are still conducted subjectively have the potential to cause problems such as inconsistent material quality, delayed deliveries, and increased operational costs. This study aims to analyze and compare the performance of the Simple Multi-Attribute Rating Technique (SMART) and the Multifactor Evaluation Process (MFEP) methods in supporting decision-making for the selection of baking ingredient suppliers for bakery MSMEs in East Bekasi District. The research employed a comparative quantitative approach, with data collected through observations, interviews, and questionnaires administered to five bakery MSME owners. The evaluation was based on five main criteria: base price, material quality, delivery timeliness, service quality, and payment term flexibility. The collected data were then processed using the SMART and MFEP methods to generate preference scores and supplier rankings. The results indicate that both methods consistently identified the best supplier, namely alternative S1, with a SMART score of 0.845 and an MFEP score of 8.25. Differences in ranking were found among the middle alternatives, indicating variations in the sensitivity of the calculations between the two methods. The SMART method produced rankings that were more responsive to changes in criterion weights due to its linear utility approach, whereas the MFEP method tended to provide more stable results through direct weighted factor evaluation. Based on these findings, the SMART method is more suitable for dynamic supply chain environments, while the MFEP method is better applied in relatively stable and standardized evaluation conditions.

Sistem Informasi Layanan Surat Digital dan Pengelolaan Data Penduduk Berbasis Web Menggunakan Metode Waterfall pada Desa Lebakgowah

Nabilah Aisyi Az-zahra — 2026-09-21

Pelayanan administrasi di Desa Lebakgowah masih menghadapi berbagai kendala akibat proses kerja yang belum sepenuhnya terdigitalisasi. Pengajuan surat dilakukan secara langsung di kantor desa, sedangkan pengelolaan data kependudukan dan penyimpanan arsip masih menggunakan cara konvensional. Kondisi tersebut menyebabkan proses pelayanan memerlukan waktu lebih lama, meningkatkan risiko kesalahan pencatatan, serta menyulitkan pencarian kembali dokumen ketika dibutuhkan. Penelitian ini bertujuan mengembangkan sistem informasi berbasis web yang mengintegrasikan layanan surat digital dengan pengelolaan data penduduk untuk mendukung penyelenggaraan administrasi desa yang lebih efektif dan terorganisasi. Pengembangan aplikasi menerapkan pendekatan Software Development Life Cycle (SDLC) menggunakan model Waterfall yang meliputi analisis kebutuhan, perancangan, implementasi, pengujian, dan pemeliharaan. Sistem dibangun menggunakan framework Laravel 10, MySQL sebagai basis data, serta Bootstrap untuk mendukung tampilan antarmuka. Evaluasi fungsional dilakukan melalui Black Box Testing guna memastikan setiap fitur berjalan sesuai kebutuhan pengguna. Hasil pengembangan menunjukkan bahwa aplikasi mampu mengintegrasikan pengelolaan data penduduk dengan berbagai layanan administrasi, seperti pengajuan surat secara daring, pemantauan status permohonan, pengelolaan arsip surat digital, buku tamu elektronik, serta fasilitas penyampaian kritik dan saran. Penerapan sistem ini memberikan dukungan terhadap peningkatan efisiensi kerja perangkat desa sekaligus memudahkan masyarakat memperoleh layanan administrasi secara lebih cepat, tertata, dan mudah diakses..

Analisis Performa Siswa Menggunakan K-Means dan Random Forest pada Ekstrakurikuler Robotik

Aldyansyah Tarigan — 2026-09-21

Penilaian performa siswa pada kegiatan ekstrakurikuler robotik umumnya masih dilakukan secara manual sehingga memerlukan waktu yang relatif lama dan berpotensi menimbulkan subjektivitas dalam proses evaluasi. Penelitian ini bertujuan menganalisis performa siswa menggunakan pendekatan hybrid yang mengombinasikan algoritma K-Means dan Random Forest. Dataset yang digunakan terdiri atas 1.369 data siswa dengan atribut Practical Skill, Academic Skill, Life Skill, dan persentase kehadiran. Tahapan penelitian meliputi transformasi data, preprocessing, proses clustering menggunakan algoritma K-Means dengan tiga cluster, kemudian hasil clustering digunakan sebagai label pada proses klasifikasi menggunakan algoritma Random Forest. Evaluasi model dilakukan menggunakan metode Stratified 10-Fold Cross Validation dengan metrik Accuracy, Precision, Recall, F1-Score, Area Under the Curve (AUC), dan Matthews Correlation Coefficient (MCC). Hasil penelitian menunjukkan bahwa algoritma K-Means berhasil mengelompokkan siswa ke dalam tiga kelompok performa dengan karakteristik yang berbeda. Model Random Forest memperoleh nilai Accuracy sebesar 89,8%, Precision sebesar 90,9%, Recall sebesar 89,8%, F1-Score sebesar 88,0%, AUC sebesar 98,1%, dan MCC sebesar 69,1%. Hasil tersebut menunjukkan bahwa kombinasi K-Means dan Random Forest mampu menghasilkan analisis performa siswa yang efektif serta dapat mendukung proses evaluasi dan pengambilan keputusan dalam pembinaan siswa pada kegiatan ekstrakurikuler robotik.

Implementasi Integrasi QR Code Terenkripsi Berbasis AES-128 untuk Pencegahan Pemalsuan Sertifikat English Test Program (ETP): Studi Kasus UPA Bahasa Universitas Maritim Raja Ali Haji

Irwan Saputra — 2026-09-21

Pemanfaatan Sertifikat English Test Program (ETP) dalam bentuk digital di Unit Penunjang Akademik (UPA) Bahasa Universitas Maritim Raja Ali Haji (UMRAH) masih menghadapi permasalahan keamanan karena penggunaan QR Code yang dibuat secara manual sehingga rentan terhadap duplikasi dan pemalsuan. Penelitian ini bertujuan mengembangkan mekanisme verifikasi keaslian Sertifikat ETP melalui integrasi algoritma Advanced Encryption Standard (AES-128) dengan QR Code terenkripsi. Kebaruan penelitian ini terletak pada penyematan ciphertext hasil enkripsi AES-128 ke dalam QR Code sebagai mekanisme autentikasi yang mendukung verifikasi keaslian sertifikat digital secara cepat, akurat, dan andal. Penelitian menggunakan pendekatan pengembangan sistem dengan membangun aplikasi berbasis web menggunakan React, Node.js, MongoDB, dan pustaka CryptoJS. Data sertifikat yang meliputi NIM, nama mahasiswa, dan skor ETP dienkripsi menggunakan AES-128, kemudian hasil enkripsi dalam format Base64 disematkan ke dalam QR Code pada sertifikat digital. Pengujian sistem dilakukan menggunakan metode Black Box Testing, pengujian avalanche effect, serta simulasi berbagai skenario pemalsuan sertifikat. Hasil penelitian menunjukkan bahwa seluruh fungsi sistem berjalan sesuai kebutuhan dengan tingkat keberhasilan Black Box Testing sebesar 100%, sedangkan pengujian avalanche effect menghasilkan nilai rata-rata 49,87% yang menunjukkan karakteristik keamanan AES-128 telah terpenuhi. Selain itu, sistem mampu mendeteksi seluruh skenario pemalsuan, meliputi modifikasi dokumen, penggantian maupun pembuatan QR Code tiruan, serta pemalsuan total sertifikat melalui proses verifikasi keaslian. Dengan demikian, mekanisme verifikasi berbasis integrasi AES-128 dan QR Code terenkripsi terbukti mampu meningkatkan keamanan dan integritas data serta mendukung autentikasi Sertifikat ETP secara efektif di lingkungan UPA Bahasa UMRAH.

Perbandingan Ruang Warna HSV dan LAB pada Klasifikasi Tingkat Roasting Biji Kopi Menggunakan Jaringan Syaraf Tiruan Backpropogation

Uswatun Hasanah — 2026-09-21

Kopi menjadi salah satu jenis tanaman perkebunan yang memiliki nilai ekonomis tinggi dan telah lama dibudidayakan oleh masyarakat Indonesia, namun banyak petani dan produsen kopi masih kesulitan dalam menentukan tingkat hasil penyangraian (roasting) biji kopi. Oleh karena itu, penelitian ini bertujuan untuk mengklasifikasikan tahapan biji kopi roasting secara konsisten. Penelitian ini berfokus pada implementasi fitur HSV dan LAB untuk membandingkan efektivitas masing-masing fitur dalam mengidentifikasi variansi warna berdasarkan tingkat roasting biji kopi yang diklasifikasikan menggunakan algoritma Jaringan Syaraf Tiruan (JST) Backpropogation. Klasifikasi ini terdiri dari 4 kategori kelas yaitu green bean, light roast, medium roast dan dark roast. Dataset yang digunakan mencangkup 1600 citra tingkat roasting biji kopi yang dibagi menjadi 1200 data latih dan 400 data uji. Data latih terdiri dari 300 citra sedangkan data uji terdiri dari 100 citra untuk masing-masing tingkat kategori roasting. Proses eksperimen dilakukan dengan pengujian beberapa variasi parameter jaringan untuk memperoleh konfigurasi terbaik. Variasi yang diuji meliputi arsitektur jaringan 3-7-4 dan 3-8-4, fungsi aktivasi menggunakan sigmoid dan softmax, learning rate sebesar 0,005, 0,01, dan 0,05, serta jumlah epoch sebanyak 1000, 1500, dan 2000. Berdasarkan hasil pengujian, kinerja terbaik pada fitur HSV diperoleh dengan tingkat akurasi sebesar 99,25%, sedangkan fitur LAB menghasilkan akurasi tertinggi sebesar 99,75%. Hasil tersebut menunjukkan bahwa fitur LAB mampu memberikan kinerja klasifikasi yang lebih baik dibandingkan fitur HSV dalam mengenali perbedaan tingkat roasting biji kopi. Penelitian ini diharapkan dapat diimplementasikan secara langsung untuk membantu petani dan produsen kopi dalam membedakan tingkat roasting biji kopi.

Klasifikasi Spesies Teripang (Holothuroidea) Menggunakan YOLOv11

Grea Nur Fadillah — 2026-09-21

Teripang merupakan sumber daya hayati laut yang memiliki nilai ekologis dan ekonomis tinggi, namun identifikasi spesiesnya masih dilakukan secara manual sehingga rentan terhadap kesalahan akibat kemiripan karakteristik morfologi antarspesies. Penelitian ini bertujuan membangun model klasifikasi spesies teripang berbasis citra digital menggunakan YOLOv11. Dataset yang digunakan terdiri atas 1.000 citra tiga spesies teripang, yaitu Holothuria scabra, Holothuria atra, dan Holothuria leucospilota, yang diperoleh dari wilayah perairan Desa Serei dan Desa Paputungan, Kabupaten Minahasa Utara. Tahapan penelitian meliputi validasi ahli, pelabelan data, pembagian dataset dengan rasio 70:20:10, preprocessing, augmentasi pada data latih, pelatihan model YOLOv11n selama 50 epoch, evaluasi menggunakan data uji, serta implementasi model ke dalam sistem berbasis Gradio. Hasil evaluasi pada 100 data uji menunjukkan bahwa model memperoleh Precision sebesar 99,70%, Recall 100,00%, F1-Score 99,85%, mAP50 99,50%, dan mAP50-95 99,00%. Hasil tersebut menunjukkan bahwa model memiliki kemampuan yang sangat baik dalam mengidentifikasi ketiga spesies teripang serta mampu mempertahankan performa pada data yang tidak digunakan selama proses pelatihan. Penelitian ini juga menghasilkan prototipe sistem berbasis web yang dapat membantu proses identifikasi spesies teripang secara otomatis melalui citra digital