Indonesian Journal of Multidisciplinary Scientific Studies

Sistem Pendukung Keputusan Penentuan Lokasi Kolam Retensi Berbasis AHP dan GIS di Kota Medan

2026-10-03T01:17:22+07:00

Banjir merupakan bencana yang rutin melanda Kota Medan dengan tren meningkat, tercatat 71 kejadian pada 2022, 112 kejadian pada 2023, dan 120 kejadian pada 2024. Salah satu solusi infrastruktur pengendalian banjir yang dapat diterapkan adalah kolam retensi, namun penentuan lokasinya memerlukan pertimbangan multikriteria yang objektif dan berbasis data spasial. Penelitian ini bertujuan merancang dan mengimplementasikan Sistem Pendukung Keputusan (SPK) berbasis web untuk menentukan prioritas lokasi pembangunan kolam retensi di Kota Medan dengan mengintegrasikan metode Analytical Hierarchy Process (AHP) dan Geographic Information System (GIS). Enam kriteria digunakan dalam evaluasi, yaitu curah hujan, kemiringan lereng, jarak dari sungai, kepadatan penduduk, penggunaan lahan, dan elevasi lahan. Hasil perhitungan matriks perbandingan berpasangan menghasilkan nilai Consistency Ratio (CR) sebesar 0,0552, yang lebih kecil dari batas 0,10, sehingga penilaian pakar dinyatakan konsisten. Kriteria elevasi lahan memiliki bobot tertinggi (37,93%), diikuti jarak dari sungai (24,89%) dan curah hujan (16,04%). Dari tiga alternatif lokasi yang dievaluasi, Kecamatan Medan Tembung memperoleh skor tertinggi (91,98), diikuti Kecamatan Medan Johor (84,02), dan Kecamatan Medan Selayang (66,53). Sistem dikembangkan menggunakan PHP, MySQL, Bootstrap 5, dan Leaflet.js, sehingga mampu menyajikan hasil perangkingan sekaligus visualisasi peta GIS secara interaktif. Sistem ini diharapkan dapat menjadi alat bantu pengambilan keputusan yang objektif bagi Pemerintah Kota Medan dalam perencanaan infrastruktur pengendalian banjir.

Analisis Sentimen Publik terhadap Kenaikan UKT pada Platform X Menggunakan Support Vector Machine

2026-10-03T01:15:43+07:00

Kenaikan Uang Kuliah Tunggal (UKT) pada 2024 memicu perdebatan luas di media sosial X yang menghasilkan data teks tidak terstruktur. Penelitian ini memetakan sentimen publik terhadap isu tersebut, membandingkan tiga kernel Support Vector Machine (SVM), yaitu linear, polynomial, dan Radial Basis Function (RBF), dan mengimplementasikan model terbaik ke prototipe web. Data berupa 1.500 postingan berbahasa Indonesia periode Mei–Juli 2024 yang dipraproses, dilabeli otomatis dengan InSet Lexicon, dan dibobotkan dengan TF-IDF. Evaluasi memakai hold-out 80:20 dan 10-fold stratified cross validation dengan F1-macro, uji t berpasangan, dan uji Wilcoxon, serta Multinomial Naive Bayes sebagai pembanding. Sentimen negatif mendominasi (84,27%), diikuti positif (11,93%) dan netral (3,80%). Tema keberatan terbanyak adalah tuntutan transparansi penetapan kelompok UKT dan beban finansial keluarga. Pada validasi silang, F1-macro kernel RBF, linear, dan polynomial adalah 0,6571, 0,6520, dan 0,6479, tetapi selisihnya tidak signifikan (p > 0,05) sehingga ketiganya setara pada data ini. Kelas netral paling sulit diprediksi (F1 ≤ 0,38). Prototipe lolos 12 skenario black-box dengan waktu respons rata-rata 10,5 milidetik, namun hanya 4 dari 10 teks baru yang sesuai penilaian manusia karena semua diprediksi negatif. Label manual dan data yang lebih beragam diperlukan sebelum model digunakan di luar konteks datasetnya.

Penerapan Metode Simple Additive Weighting dalam Sistem Pendukung Keputusan Perankingan Kinerja Agen Mandiri Link Berbasis Data Transaksi

2026-10-05T00:47:54+07:00

Penilaian kinerja Agen Mandiri Link selama ini dilakukan secara manual melalui rekapitulasi sederhana, sehingga hasilnya cenderung subjektif dan sulit dibandingkan antaragen. Penelitian ini bertujuan menerapkan metode Simple Additive Weighting (SAW) dalam Sistem Pendukung Keputusan (SPK) berbasis web untuk menganalisis kinerja dan melakukan perankingan Agen Mandiri Link berdasarkan data transaksi. Tujuh kriteria digunakan, yaitu jumlah transaksi, frekuensi pembayaran, frekuensi transfer, frekuensi top up, nominal transaksi, transaksi gagal, dan keaktifan agen, dengan bobot total 1,00. Metode SAW diterapkan melalui empat tahapan: pembentukan matriks keputusan, normalisasi berdasarkan jenis atribut benefit atau cost, perhitungan nilai preferensi terbobot, dan perankingan. Sistem dibangun dengan arsitektur decoupled menggunakan framework NestJS pada sisi server dan Next.js pada sisi antarmuka, didukung basis data MySQL dengan tipe data DECIMAL untuk menjamin presisi perhitungan. Pengujian pada lima agen periode Juni 2026 menunjukkan bahwa AGT-003 menempati peringkat pertama dengan nilai preferensi 0,928782. Validasi hasil menunjukkan kesesuaian 100% antara perhitungan sistem dan perhitungan manual, dengan selisih 0,000000 pada seluruh agen dan urutan peringkat yang identik. Pengujian black box menyatakan 15 dari 18 skenario valid. Analisis sensitivitas menunjukkan urutan peringkat bersifat robust terhadap perubahan bobot, kecuali ketika prioritas beralih ke nominal transaksi dan frekuensi top up. Sistem ini membuktikan bahwa metode SAW dapat menggantikan penilaian manual menjadi proses yang terstruktur, transparan, dan dapat dipertanggungjawabkan.

Analisis Sentimen Penentuan Prioritas Perbaikan Layanan Museum Provinsi Sumatera Utara Berdasarkan Ulasan Pengunjung Menggunakan Metode Naïve Bayes

2026-10-05T13:53:04+07:00

Museum Provinsi Sumatera Utara menerima ulasan pengunjung secara terus-menerus melalui platform Google Maps, namun proses analisis ulasan secara manual tidak efektif akibat besarnya volume data. Penelitian ini bertujuan membangun sistem analisis sentimen berbasis web yang mampu mengklasifikasikan ulasan pengunjung secara otomatis ke dalam kategori positif, negatif, dan netral, serta menentukan prioritas perbaikan layanan berdasarkan hasil analisis tersebut. Data sebanyak 500 ulasan dikumpulkan menggunakan teknik web scraping melalui platform Apify. Data kemudian diproses melalui tahapan preprocessing teks yang meliputi case folding, cleaning, tokenizing, stopword removal, dan stemming, dilanjutkan dengan pembobotan fitur menggunakan TF-IDF (Term Frequency–Inverse Document Frequency) dan klasifikasi menggunakan algoritma Multinomial Naïve Bayes. Pelabelan sentimen dilakukan berdasarkan nilai rating pengunjung, yaitu rating 4–5 sebagai positif, rating 3 sebagai netral, dan rating 1–2 sebagai negatif. Hasil klasifikasi menggunakan data latih 80% dan data uji 20% menunjukkan akurasi sebesar 88,0%. Dari keseluruhan 500 ulasan, diperoleh 441 ulasan (88,2%) bersentimen positif, 28 ulasan (5,6%) netral, dan 31 ulasan (6,2%) negatif. Analisis aspek layanan berbasis keyword matching terhadap lima aspek—fasilitas, pelayanan, koleksi museum, kebersihan, dan aksesibilitas—menunjukkan bahwa aspek fasilitas dan pelayanan memperoleh jumlah sentimen negatif tertinggi masing-masing delapan ulasan sehingga menjadi prioritas utama perbaikan. Sistem yang dibangun telah diuji menggunakan metode Black Box Testing dan seluruh fungsi berjalan sesuai yang diharapkan. Hasil penelitian ini memberikan rekomendasi berbasis data bagi pengelola museum untuk meningkatkan kualitas layanan secara lebih terarah dan efektif.

Sistem Informasi Geografis untuk Penentuan Kesesuaian Lahan Tanaman Kelapa Sawit di Desa Parhundalian Jawadipar Menggunakan Metode Analytic Hierarchy Process (AHP)

2026-10-05T17:38:31+07:00

Kelapa sawit merupakan komoditas perkebunan strategis yang produktivitasnya sangat bergantung pada kesesuaian lahan tempat ia dibudidayakan. Di Desa Parhundalian Jawadipar, Kecamatan Hatonduhan, Kabupaten Simalungun, penentuan kesesuaian lahan untuk tanaman kelapa sawit masih dilakukan secara konvensional tanpa dukungan sistem informasi yang terkomputerisasi, sehingga rawan menghasilkan keputusan yang kurang objektif. Penelitian ini bertujuan membangun Sistem Informasi Geografis (SIG) berbasis web yang mengintegrasikan metode Analytic Hierarchy Process (AHP) untuk menentukan tingkat kesesuaian lahan tanaman kelapa sawit. Sistem dikembangkan menggunakan bahasa pemrograman PHP, basis data MySQL, serta visualisasi peta interaktif menggunakan Leaflet.js yang terintegrasi dengan OpenStreetMap. Penilaian kesesuaian lahan dilakukan berdasarkan lima kriteria, yaitu Kualitas Tanah, Topografi, Iklim, Ketersediaan Air, dan Aksesibilitas, yang masing-masing memiliki sub kriteria dan bobot yang dihitung melalui proses perbandingan berpasangan menggunakan Skala Saaty. Hasil pengujian menunjukkan nilai Consistency Ratio (CR) sebesar 0,0141 (CR < 0,1), yang berarti matriks perbandingan kriteria dinyatakan konsisten. Pada lahan sampel uji, sistem menghasilkan skor akhir AHP sebesar 0,9015 dengan kategori "Sangat Sesuai" untuk budidaya kelapa sawit. Pengujian sistem menggunakan metode Black Box Testing menunjukkan bahwa seluruh fungsi sistem, mulai dari login, pengelolaan data kriteria dan lahan, perhitungan AHP, hingga penyajian peta interaktif dan rekomendasi, telah berjalan sesuai kebutuhan fungsional. Sistem ini diharapkan dapat menjadi alat bantu pengambilan keputusan bagi petani dan pemangku kepentingan dalam menentukan lahan yang layak untuk budidaya kelapa sawit secara lebih objektif, terukur, dan efisien.

Penentuan Rute Transportasi Terpendek Pengantaran Barang Jaminan Menggunakan Algoritma Saving Matrix

2026-10-05T17:38:17+07:00

Proses pengantaran barang jaminan antar outlet pada PT. Indonesia Gadai OKE selama ini dilakukan secara manual tanpa mempertimbangkan efisiensi jarak tempuh, sehingga mengakibatkan rute yang tidak optimal, pemborosan bahan bakar, dan meningkatnya biaya operasional. Penelitian ini bertujuan merancang dan membangun sistem berbasis web yang menerapkan algoritma Saving Matrix untuk menentukan rute transportasi terpendek pada proses pengantaran barang jaminan. Metode yang digunakan adalah engineering research melalui tahapan pengumpulan data primer berupa koordinat geografis outlet, perancangan sistem menggunakan UML, implementasi algoritma, serta pengujian sistem dengan black box testing. Perhitungan jarak antar titik dilakukan menggunakan formula Haversine, kemudian nilai saving dihitung untuk setiap pasangan outlet dan digabungkan menjadi rute optimal berdasarkan nilai penghematan tertinggi. Hasil penelitian menunjukkan bahwa sistem berhasil dibangun dengan seluruh 19 skenario pengujian dinyatakan valid. Penerapan algoritma Saving Matrix menghasilkan rute optimal dengan total jarak 37,69 km, lebih efisien 29,04% dibandingkan rute manual sebelumnya sebesar 53,12 km. Penghematan tersebut setara dengan pengurangan konsumsi bahan bakar sebesar 1,54 liter dan penghematan biaya operasional sebesar Rp15.424 per sesi pengantaran. Dengan demikian, sistem yang dikembangkan terbukti mampu meningkatkan efisiensi distribusi barang jaminan secara signifikan.

Implementasi Absensi Cerdas Berbasis QR Code untuk Meningkatkan Disiplin Kehadiran Siswa

2026-10-05T18:01:43+07:00

Pencatatan kehadiran siswa secara manual masih banyak diterapkan di sekolah-sekolah, namun metode tersebut rentan terhadap kesalahan pencatatan dan penyalahgunaan seperti praktik titip absen. Penelitian ini bertujuan merancang dan mengimplementasikan sistem absensi cerdas berbasis QR Code yang mampu mencatat kehadiran siswa secara otomatis sekaligus mengurangi potensi manipulasi data absensi di SMAN 1 Hamparan Perak. Metode pengembangan yang digunakan adalah model Prototype dengan pendekatan kuantitatif melalui eksperimen rekayasa perangkat lunak. Sistem dibangun menggunakan PHP dan MySQL, serta mengintegrasikan algoritma Linear Congruential Method (LCM) untuk membangkitkan token QR Code unik berbasis parameter jadwal pelajaran. Setiap token yang dihasilkan memiliki masa berlaku terbatas dan hanya valid pada sesi pembelajaran yang sedang aktif, sehingga penggunaan ulang QR Code dapat dicegah. Pengujian dilakukan menggunakan metode Black Box Testing terhadap seluruh fitur utama sistem. Hasil pengujian menunjukkan bahwa semua fitur berjalan dengan baik, meliputi manajemen data siswa, pengelolaan jadwal pelajaran, proses generate QR Code, scanning absensi, rekap kehadiran, dan cetak laporan. Implementasi algoritma LCM berhasil menghasilkan token pseudo-random yang unik pada setiap sesi pelajaran, sehingga keamanan proses absensi meningkat secara signifikan. Sistem ini memberikan kontribusi nyata dalam modernisasi administrasi kehadiran di lingkungan pendidikan menengah.

Deteksi Manipulasi Citra Bukti Struk Pembayaran Uang Kuliah Menggunakan Metode Error Level Analysis dan Histogram Color Shift Berbasis Web

2026-10-06T00:28:26+07:00

Kemudahan penggunaan teknologi digital dalam transaksi keuangan menyebabkan bukti pembayaran berupa struk atau tangkapan layar semakin sering digunakan sebagai dokumen transaksi. Namun, kemudahan dalam menyunting citra digital dapat dimanfaatkan untuk memanipulasi bukti pembayaran sehingga tampak seolah-olah merupakan transaksi yang sah. Kondisi ini menimbulkan risiko penipuan, khususnya pada bukti pembayaran Uang Kuliah Tunggal (UKT). Penelitian ini bertujuan menerapkan metode Error Level Analysis (ELA) dan Histogram Color Shift dalam mendeteksi indikasi manipulasi pada citra struk pembayaran uang kuliah, serta membangun sistem deteksi berbasis web sebagai alat bantu verifikasi awal. Data penelitian terdiri dari 148 citra struk asli dan 150 citra struk manipulasi yang dibuat menggunakan aplikasi desain grafis Canva serta model kecerdasan buatan generatif ChatGPT dan Gemini, dengan total 298 data uji. Proses deteksi dilakukan dengan menganalisis perbedaan riwayat kompresi citra menggunakan ELA dan pergeseran distribusi warna menggunakan Histogram Color Shift. Hasil dari kedua metode digabungkan menggunakan skema pembobotan untuk menghasilkan klasifikasi berupa citra asli atau terindikasi manipulasi. Evaluasi pada threshold 6.0 dengan bobot ELA 0.2 dan bobot Histogram 0.8 menunjukkan akurasi 71.81%, precision 75.0%, recall 66.0%, dan F1-Score 70.21%. Sistem yang dikembangkan menampilkan visualisasi peta ELA, histogram warna, serta hasil klasifikasi melalui antarmuka web yang dapat diakses tanpa keahlian teknis. Penelitian ini diharapkan membantu pihak kampus maupun orang tua atau wali mahasiswa dalam melakukan verifikasi awal terhadap keaslian bukti pembayaran uang kuliah.

Pendekatan Forensik Dokumen Dalam Verifikasi Keaslian Tanda Tangan Menggunakan Metode Histogram of Oriented Gradients (HOG) dan Support Vector Machine (SVM)

2026-10-06T01:18:39+07:00

Pemalsuan tanda tangan pada dokumen resmi merupakan permasalahan serius yang dapat menimbulkan kerugian hukum dan finansial, sementara metode verifikasi secara manual oleh pakar terbukti bersifat subjektif, lambat, dan tidak skalabel. Penelitian ini menerapkan pendekatan forensik dokumen berbasis komputasi dengan mengombinasikan metode Histogram of Oriented Gradients (HOG) sebagai ekstraksi fitur dan algoritma Support Vector Machine (SVM) sebagai klasifikator untuk membedakan tanda tangan asli (genuine) dan tanda tangan palsu (forgery). Data yang digunakan adalah dataset CEDAR yang terdiri dari 2.640 citra tanda tangan dari 55 writer, dengan pembagian 1.980 citra untuk training dan 660 citra untuk testing. Tahapan pra-pemrosesan meliputi konversi grayscale, Gaussian Filter, Otsu Thresholding, serta resize dan padding hingga ukuran 128 × 64 piksel. Ekstraksi fitur HOG dikonfigurasi dengan 9 orientations, pixels per cell 8 × 8, cells per block 2 × 2, dan normalisasi L2-Hys sehingga menghasilkan 3.780 fitur per citra. Optimasi hyperparameter SVM dilakukan menggunakan Grid Search dengan 5-fold cross validation. Hasil pengujian menunjukkan accuracy sebesar 75,00%, precision 74,34%, recall 76,36%, dan F1-score 75,34%. Sistem kemudian diimplementasikan dalam aplikasi berbasis web berbasis Flask untuk memungkinkan verifikasi tanda tangan secara praktis dan otomatis.

Klasifikasi Tingkat Risiko Kardiovaskular Berbasis Pola Aktivitas Harian Menggunakan Random Forest

2026-10-06T02:19:43+07:00

Penyakit kardiovaskular merupakan penyebab kematian utama di dunia, sementara pemantauan mandiri yang non-invasif masih terbatas. Penelitian ini bertujuan membangun model klasifikasi tingkat risiko kardiovaskular (rendah, sedang, tinggi) berbasis pola aktivitas harian dan indikator kesehatan menggunakan algoritma Random Forest, serta mengimplementasikannya pada purwarupa sistem berbasis web. Data sekunder bersumber dari dataset Sleep Health and Lifestyle di Kaggle sebanyak 940 data mentah, dengan enam variabel masukan: tekanan darah, kategori indeks massa tubuh, detak jantung, tingkat stres, durasi dan gangguan tidur, serta jumlah langkah harian. Label risiko dibentuk dengan aturan ambang indikator kesehatan karena dataset tidak memiliki label risiko. Pra-pemrosesan meliputi pembersihan data, transformasi, standardisasi, dan penyeimbangan kelas dengan SMOTE pada data latih, menghasilkan 507 data bersih yang dibagi dengan rasio 80:20. Model dengan 100 pohon keputusan dievaluasi menggunakan confusion matrix. Hasil menunjukkan akurasi 99,77% dengan satu kesalahan klasifikasi pada data uji, serta F1-score rata-rata makro 99,80%. Karena label diturunkan dari variabel yang sama dengan fitur model, capaian ini mencerminkan kemampuan model mereplikasi aturan pelabelan dan belum merupakan bukti kemampuan prediksi klinis. Sistem web yang dikembangkan menyediakan formulir masukan, visualisasi hasil, grafik kepentingan fitur, dan riwayat pemeriksaan. Penelitian lanjutan memerlukan data berlabel diagnosis klinis dan validasi eksternal.

Analisis Sentimen Berita Skandal Korupsi pada Media Sosial X Menggunakan Metode Linear Support Vector Machine Berbasis Android

2026-10-06T11:16:22+07:00

Korupsi merupakan permasalahan serius yang berdampak pada keuangan negara, tatanan sosial, dan kepercayaan publik terhadap institusi pemerintahan. Banyaknya opini masyarakat yang tersebar di media sosial X (sebelumnya Twitter) menjadikan analisis sentimen sebagai pendekatan efektif untuk memahami kecenderungan persepsi publik terhadap berita skandal korupsi. Penelitian ini bertujuan menganalisis sentimen publik menggunakan metode Linear Support Vector Machine (SVM) serta mengimplementasikan hasil analisis ke dalam aplikasi berbasis Android. Tahapan penelitian meliputi scraping data menggunakan ntscraper dan API X, preprocessing (cleansing, case folding, tokenization, normalization, stopword removal, dan stemming), pelabelan sentimen secara manual, pembobotan fitur menggunakan TF-IDF, pembagian data latih dan uji, serta evaluasi model menggunakan confusion matrix dan metrik accuracy, precision, recall, dan F1-Score. Penelitian berhasil mengumpulkan 1.011 tweet terkait skandal korupsi pada periode 1 Mei–15 Agustus 2026. Hasil pengujian menunjukkan model Linear SVM mencapai akurasi 89% pada 203 data uji, dengan weighted precision 89%, weighted recall 89%, dan weighted F1-Score 89%. Temuan ini menunjukkan bahwa Linear SVM efektif mengklasifikasikan sentimen pada teks berdimensi tinggi dan layak diterapkan sebagai dasar pengembangan aplikasi analisis sentimen berbasis Android.

Analisis Sentimen Efektivitas Pembelajaran Daring Menggunakan Hybrid Naive Bayes dan SVM

2026-10-06T17:39:09+07:00

Pembelajaran daring berkembang pesat pascapandemi COVID-19, namun efektivitasnya masih menimbulkan pro dan kontra di kalangan masyarakat Indonesia, yang banyak diungkapkan melalui opini pada aplikasi X. Volume opini yang besar dan bersifat tidak terstruktur menyulitkan pemantauan kecenderungan sentimen publik secara manual sehingga diperlukan metode klasifikasi otomatis. Penelitian ini bertujuan menganalisis sentimen publik mengenai efektivitas pembelajaran daring di Indonesia menggunakan pendekatan hybrid Multinomial Naive Bayes dan Support Vector Machine (SVM) melalui mekanisme soft voting. Data penelitian berupa 2.655 tweet berbahasa Indonesia yang dikumpulkan melalui crawling dan dilabeli ke dalam tiga kelas sentimen, yaitu positif, netral, dan negatif, kemudian diproses melalui case folding, cleansing, penanganan negasi, stopword removal, stemming, dan pembobotan TF-IDF, lalu dibagi dengan proporsi 75:25 menggunakan stratifikasi kelas. Hasil pengujian menunjukkan model hybrid mencapai accuracy sebesar 76,05%, precision berbobot 69,54%, recall berbobot 76,05%, dan F1-score berbobot 72,10%, lebih tinggi dibandingkan model tunggal Naive Bayes (62,90%) dan SVM (70,43%). Meskipun demikian, model masih mengalami kesulitan mengenali kelas netral akibat ketidakseimbangan jumlah data antarkelas. Penelitian ini menyimpulkan bahwa pendekatan hybrid soft voting mampu meningkatkan performa klasifikasi sentimen secara keseluruhan, tetapi penanganan kelas minoritas masih memerlukan perbaikan lebih lanjut.

Penerapan Content-Based Filtering untuk Optimalisasi Pencarian Rekan Tim Lomba Mahasiswa Berbasis Vektor Fitur Hard Skill dan Soft Skill pada Aplikasi Web

2026-10-06T18:23:59+07:00

Pembentukan tim Program Kreativitas Mahasiswa (PKM) di perguruan tinggi umumnya masih dilakukan secara informal berbasis kedekatan sosial, sehingga pemetaan kompetensi anggota tim menjadi kurang objektif. Penelitian ini mengembangkan sistem rekrutmen tim PKM berbasis web menggunakan metode Content-Based Filtering (CBF) dengan algoritma Cosine Similarity untuk mencocokkan profil kompetensi mahasiswa pelamar dengan kebutuhan ketua tim. Sistem melibatkan tiga aktor: Admin SRCC (Student Research and Creative Center), Mahasiswa Ketua Tim, dan Mahasiswa Pelamar. Profil kompetensi direpresentasikan dalam bentuk vektor fitur berdimensi 15, terdiri dari 8 dimensi hard skill (V1–V8: MS Office, Desain Grafis, Editing Video, Public Speaking, Manajemen Keuangan, Pemrograman, Riset Lapangan, Metodologi dan Analisis Data) dan 7 dimensi soft skill (V9–V15: Kerja Sama Tim, Komunikasi, Kepemimpinan, Tanggung Jawab, Manajemen Waktu, Problem Solving, Kedisiplinan), masing-masing dinilai dengan skala Likert 1–5. Cosine Similarity dihitung secara real-time setiap kali pelamar men-submit formulir lamaran, menghasilkan skor kemiripan antara Vektor Query ketua dan Vektor Profil pelamar yang disimpan ke basis data MySQL dan ditampilkan sebagai ranking di dashboard ketua. Pengujian Black-Box Testing terhadap 15 skenario menunjukkan seluruh fitur berjalan valid. Pengujian akurasi terhadap 10 data pelamar membuktikan hasil perhitungan sistem identik dengan perhitungan manual (akurasi 100%), dengan nilai similarity berkisar 0,9598–0,9999. Sistem ini menghasilkan rekomendasi yang objektif, terukur, dan berbasis data, serta berpotensi meningkatkan kualitas komposisi tim PKM dibandingkan metode konvensional.

Sistem Pendukung Keputusan Penentuan Zona Risiko Longsor Berbasis Geographic Information System Menggunakan Metode Fuzzy Multi-Criteria Decision Making

2026-10-07T06:13:09+07:00

Kecamatan Berastagi, Kabupaten Karo, memiliki topografi perbukitan hingga pegunungan yang rentan longsor, sedangkan analisis kerawanan sebelumnya umumnya memakai skoring dengan batas kelas tegas dan berhenti pada peta statis. Penelitian ini bertujuan menganalisis sebaran risiko longsor dan membangun Sistem Pendukung Keputusan (SPK) berbasis Geographic Information System (GIS) dengan metode Fuzzy Multi-Criteria Decision Making (Fuzzy-MCDM). Lima kriteria digunakan, yaitu kemiringan lereng, curah hujan, jenis tanah, penggunaan lahan, dan jarak terhadap jalan, dengan bobot awal 0,30; 0,25; 0,20; 0,15; dan 0,10. Nilai tiap kriteria difuzzifikasi menggunakan fungsi keanggotaan linear naik, linear turun, dan nilai kategori, lalu diagregasi menjadi indeks risiko pada 10 titik data Badan Penanggulangan Bencana Daerah (BPBD) Kabupaten Karo. Hasil menunjukkan 3 titik (30%) berada pada zona risiko tinggi dan 7 titik (70%) pada zona sedang, tanpa titik pada zona rendah. Indeks tertinggi terdapat di Lereng Doulu (P09) sebesar 0,7198, dengan kemiringan lereng sebagai kontributor terbesar (rata-rata 35% dari indeks). Analisis sensitivitas pada empat skenario bobot alternatif menunjukkan jumlah titik zona tinggi berkisar 1–4 sehingga bobot perlu dikalibrasi dengan pendapat ahli. Sistem WebGIS berbasis PHP, MySQL, dan Leaflet.js yang dibangun lulus 11 skenario pengujian black box. Sistem ini dapat membantu penentuan prioritas mitigasi, dengan keterbatasan jumlah data dan belum adanya validasi statistik formal.

Perbandingan Algoritma Yamamoto’s Recursive Code Dan Lzw Untuk Kompresi File Video

2026-10-10T07:22:43+07:00

Ukuran file video digital yang besar menimbulkan kebutuhan akan metode kompresi lossless yang andal untuk menghemat ruang penyimpanan tanpa mengurangi kualitas data. Penelitian ini bertujuan mengimplementasikan dan membandingkan kinerja dua algoritma kompresi lossless, yaitu Yamamoto's Recursive Code (YRC) dan LZW (Lempel-Ziv-Welch), dalam sistem kompresi video berbasis web bernama VidCompress yang dibangun menggunakan Python dengan framework Flask. Pengujian dilakukan terhadap 6 sesi kompresi yang mencakup 5 file video MP4/H.264 unik dengan variasi ukuran 0,94–6,20 MB, dengan satu file diuji dua kali sebagai replikasi, menghasilkan 12 data kompresi yang diukur berdasarkan Ratio of Compression (RC), Compression Ratio (CR), Space Saving (SS), dan waktu proses, serta divalidasi melalui pengujian dekompresi langsung terhadap seluruh berkas hasil kompresi. Hasil penelitian menunjukkan bahwa Algoritma YRC secara konsisten memperbesar ukuran file pada seluruh 6 sesi (rata-rata SS −47,18%), namun seluruh hasil dekompresinya (6/6) tervalidasi identik dengan file asli. Algoritma LZW hanya berhasil mengompresi 3 dari 6 sesi (rata-rata SS −2,24%), dan seluruh hasil dekompresinya (6/6) dinyatakan tidak valid akibat keterbatasan implementasi lebar bit kode kamus yang dibatasi 16 bit tanpa mekanisme reset. Keunggulan kedua algoritma bersifat bersyarat: LZW unggul pada rasio kompresi namun belum andal, sedangkan YRC andal namun tidak efisien pada data video MP4/H.264 yang telah terkompresi oleh codec. Perbaikan mekanisme lebar bit LZW direkomendasikan untuk penelitian selanjutnya.

Penerapan AHP dan TOPSIS untuk Penentuan Prioritas Wilayah Promosi Penerimaan Peserta Didik Baru

2026-10-10T02:00:29+07:00

Persaingan antar lembaga pendidikan dasar mendorong perlunya strategi Penerimaan Peserta Didik Baru (PPDB) yang terukur dan berbasis data. SD Swasta Muhammadiyah 28 Pulo Brayan, Medan, menghadapi kendala dalam menentukan wilayah prioritas promosi karena selama ini kegiatan promosi dilakukan secara merata tanpa mempertimbangkan potensi masing-masing wilayah. Penelitian ini menerapkan metode Analytical Hierarchy Process (AHP) dan Technique for Order Preference by Similarity to Ideal Solution (TOPSIS) secara terintegrasi untuk menganalisis 12 wilayah kelurahan asal siswa berdasarkan 5 kriteria: jumlah siswa existing, jarak ke sekolah, jumlah TK/PAUD, jumlah SD/MI pesaing, dan skor aksesibilitas jalan. AHP digunakan untuk menentukan bobot setiap kriteria melalui perbandingan berpasangan, sedangkan TOPSIS digunakan untuk meranking seluruh wilayah alternatif. Sistem Pendukung Keputusan (SPK) berbasis web dibangun menggunakan PHP dan MySQL sebagai antarmuka penerapan metode tersebut. Hasil perhitungan AHP menunjukkan bahwa kriteria jumlah siswa existing memiliki bobot tertinggi (38,65%) dengan nilai Consistency Ratio (CR) sebesar 0,0039, jauh di bawah ambang batas 0,1 yang disyaratkan. Hasil perankingan TOPSIS menempatkan Kelurahan Pulo Brayan Darat II pada peringkat pertama (nilai preferensi 0,7877), diikuti oleh Kelurahan Tanjung Mulia (0,7607) dan Kelurahan Pulo Brayan Bengkel (0,6549). Pengujian fungsionalitas sistem menggunakan black box testing terhadap 13 skenario menunjukkan tingkat keberhasilan 100%. Penelitian ini memberikan kontribusi pada penerapan SPK berbasis AHP-TOPSIS pada domain pemasaran pendidikan di tingkat kelurahan.

Penentuan Lokasi Pelayanan Kesehatan Berbasis GIS Menggunakan Metode Rank Reciprocal dan Simple Additive Weighting

2026-10-12T07:02:02+07:00

Ketersediaan fasilitas pelayanan kesehatan yang terbatas di Kecamatan Panyabungan Selatan, Kabupaten Mandailing Natal — yang hanya memiliki satu UPTD Puskesmas untuk melayani 11 desa dengan total populasi 9.816 jiwa — menciptakan ketimpangan akses layanan kesehatan yang signifikan. Penelitian ini bertujuan mengembangkan Sistem Pendukung Keputusan (SPK) berbasis Geographic Information System (GIS) untuk menentukan lokasi prioritas pembangunan fasilitas pelayanan kesehatan baru secara objektif dan berbasis data. Sistem mengintegrasikan metode Rank Reciprocal untuk pembobotan kriteria secara objektif dan metode Simple Additive Weighting (SAW) untuk perangkingan 11 alternatif desa berdasarkan lima kriteria: jumlah penduduk, jarak ke puskesmas terdekat (dihitung otomatis menggunakan formula Haversine), angka kematian, akses jalan, dan jumlah fasilitas kesehatan. Sistem dibangun menggunakan PHP Native, MySQL, Leaflet.js, dan Tailwind CSS, dilengkapi fitur drag-and-drop untuk pembobotan dinamis. Pengujian black box dengan 14 skenario seluruhnya menunjukkan hasil valid, dan validasi perhitungan manual terhadap keluaran sistem membuktikan konsistensi implementasi algoritma tanpa selisih. Dengan bobot Rank Reciprocal default (C1: 43,80%; C2: 21,90%; C3: 14,60%; C4: 10,95%; C5: 8,76%), sistem merekomendasikan Desa Roburan Lombang (Vi = 0,9825), Desa Roburan Dolok (Vi = 0,8850), dan Desa Lumban Dolok (Vi = 0,8584) sebagai tiga lokasi prioritas tertinggi pembangunan pelayanan kesehatan baru. Sistem ini menghasilkan rekomendasi yang objektif, transparan, dan mudah ditafsirkan oleh pemangku kepentingan dalam perencanaan kesehatan daerah.

Implementasi Convolutional Neural Network Berbasis Word Embedding untuk Klasifikasi Pertanyaan Chatbot

2026-10-12T08:44:35+07:00

Chatbot merupakan sistem percakapan berbasis kecerdasan buatan yang mampu memberikan respons otomatis terhadap pertanyaan pengguna secara real-time. Penelitian ini mengimplementasikan metode Convolutional Neural Network (CNN) yang diintegrasikan dengan Word Embedding berbasis Word2Vec untuk mengklasifikasikan pertanyaan pada chatbot Nova AI yang dikembangkan khusus bagi mahasiswa Fakultas Ilmu Komputer dan Teknologi Informasi (FIKTI) Universitas Muhammadiyah Sumatera Utara (UMSU). Dataset terdiri dari 619 pertanyaan dalam bahasa Indonesia yang dikategorikan ke dalam enam kelas intent: dekan, dosen, fakultas, kaprodi, sapaan, dan UKT, dengan pembagian 495 data latih (79,97%) dan 124 data uji (20,03%). Pipeline praproses teks mencakup case folding, tokenisasi, representasi Word2Vec berdimensi 100, pengindeksan kata, dan padding dengan max_len=10. Arsitektur CNN yang dibangun terdiri atas lapisan Embedding, Conv1D (64 filter, kernel 3, ReLU), GlobalMaxPooling1D, Dense 64 unit ReLU, dan Dense output 6 unit Softmax. Model dilatih selama 20 epoch menggunakan optimizer Adam dengan learning rate 0,001 dan fungsi loss Sparse Categorical Crossentropy. Hasil evaluasi menunjukkan akurasi model sebesar 99,19%, dengan satu kesalahan klasifikasi pada intent kaprodi yang teridentifikasi sebagai dekan. Pengujian sistem Nova AI berbasis Streamlit menghasilkan tingkat keberhasilan 83,33% (25 dari 30 skenario pengujian). Penelitian ini membuktikan bahwa kombinasi CNN dan Word Embedding mampu mengklasifikasikan intent chatbot dengan akurasi tinggi dan dapat diimplementasikan dalam aplikasi nyata berbasis web.

Penerapan Kriptografi ASCON, RSA, dan SHA-256 pada Sistem Chat Berbasis Web

2026-10-12T22:26:26+07:00

Komunikasi digital berbasis web menjadi sarana pertukaran informasi yang semakin kritis, namun kerentanan terhadap penyadapan dan pemalsuan identitas terus meningkat. Badan Siber dan Sandi Negara (BSSN) mencatat lebih dari 350 juta serangan siber yang menarget Indonesia sepanjang tahun 2023, menegaskan urgensi perlindungan kriptografis pada kanal komunikasi berbasis web. Penelitian ini merancang dan mengimplementasikan sistem chat berbasis web yang mengintegrasikan tiga lapisan kriptografi: ASCON-AEAD128 sebagai algoritma enkripsi simetris ringan yang baru distandardisasi NIST melalui SP 800-232 (2025) untuk enkripsi dan autentikasi pesan secara simultan; RSA-2048-OAEP untuk pembungkusan kunci sesi secara asimetris; serta RSA-2048-PSS bersama SHA-256 untuk tanda tangan digital yang menjamin autentisitas dan non-repudiasi pengirim. Seluruh proses kriptografi dieksekusi di sisi klien menggunakan Web Cryptography API (W3C, 2017), sehingga server dan basis data tidak pernah menyimpan teks asli maupun kunci privat. Pengujian fungsional menunjukkan 28 dari 28 kasus uji (100%) berhasil, dengan waktu enkripsi penuh rata-rata 1,20 ms dan dekripsi 0,73 ms. Uji efek avalanche menghasilkan rata-rata perubahan bit pada tag autentikasi sebesar 50,16%, mendekati nilai ideal 50%. Uji ketahanan terhadap pemalsuan membuktikan sistem menolak seluruh skenario manipulasi data, baik pada ciphertext, tag, tanda tangan, maupun kunci sesi. Hasil ini menunjukkan bahwa pendekatan kriptografi hibrida berbasis ASCON dan RSA layak diterapkan sebagai solusi komunikasi teks web yang aman dan efisien.

Integrasi Naive Bayes dan ArcGIS untuk Penentuan Prioritas Mustahik Zakat di LAZISMU Sumatera Utara

2026-10-13T08:17:57+07:00

Pengelolaan distribusi zakat yang akurat dan tepat sasaran merupakan tantangan bagi lembaga amil zakat, salah satunya LAZISMU Sumatera Utara. Penelitian ini bertujuan mengembangkan sistem penentuan prioritas mustahik zakat menggunakan algoritma Naive Bayes yang diintegrasikan dengan visualisasi spasial berbasis ArcGIS. Data yang digunakan adalah data mustahik LAZISMU Sumatera Utara periode 2022–2024 sebanyak 500 sampel dengan atribut pendapatan bulanan, jumlah tanggungan, kondisi tempat tinggal, dan ketidakmampuan bekerja. Discretisasi diterapkan pada fitur numerik sebelum proses klasifikasi, dan Laplace Smoothing digunakan untuk mengatasi kemungkinan zero-probability. Evaluasi model menggunakan confusion matrix menghasilkan akurasi sebesar 92,00%, presisi 92,47%, recall 98,85%, dan F1-Score 95,56%. Sistem kemudian diintegrasikan dengan ArcGIS untuk menghasilkan peta persebaran mustahik dan peta kerapatan (kernel density) per kecamatan di kota Medan, yang mempermudah pengambilan keputusan berbasis wilayah. Penelitian ini menunjukkan bahwa kombinasi Naive Bayes dan GIS mampu meningkatkan efektivitas dan transparansi distribusi zakat, serta dapat menjadi referensi bagi lembaga amil zakat lain dalam mengoptimalkan pengelolaan data mustahik.

Analisis Sentimen Kepuasan Masyarakat terhadap Pelayanan Aplikasi Mobile JKN Menggunakan Algoritma Naïve Bayes

2026-10-13T15:40:54+07:00

Program Jaminan Kesehatan Nasional (JKN) yang diselenggarakan oleh BPJS Kesehatan sedang memasuki masa transisi kebijakan Kelas Rawat Inap Standar (KRIS) berdasarkan Peraturan Presiden Nomor 59 Tahun 2024. Perubahan kebijakan tersebut memunculkan beragam tanggapan masyarakat yang tersebar pada ulasan aplikasi Mobile JKN di Google Play Store, namun tanggapan tersebut belum diolah menjadi informasi yang dapat dimanfaatkan sebagai bahan evaluasi layanan. Penelitian ini bertujuan mengklasifikasikan sentimen ulasan pengguna aplikasi Mobile JKN menggunakan algoritma Naïve Bayes serta mengimplementasikan hasil klasifikasi ke dalam sistem informasi berbasis web. Data dikumpulkan melalui teknik web scraping terhadap 4.000 ulasan berbahasa Indonesia pada periode 15 Juli sampai dengan 15 Agustus 2026 dan menghasilkan 2.675 ulasan hasil seleksi. Pelabelan dilakukan menggunakan pendekatan rating pengguna dan kamus sentimen InSet dengan verifikasi manual pada ulasan yang kedua pendekatannya berbeda, sehingga diperoleh 751 ulasan berlabel positif dan negatif. Data diproses melalui cleaning, case folding, tokenizing, stopword removal, dan stemming, kemudian dibobotkan menggunakan TF-IDF. Hasil pengujian menunjukkan model Naïve Bayes memperoleh accuracy 90,07%, precision 90,57%, recall 90,07%, dan F1-score 89,99%, sedangkan 10-fold cross validation memperoleh rata-rata akurasi 90,68% dengan simpangan baku 2,60%. Sebaran sentimen menunjukkan 403 ulasan (53,7%) bersentimen negatif dan 348 ulasan (46,3%) bersentimen positif, dengan keluhan pengguna terpusat pada proses autentikasi, khususnya pengiriman kode OTP dan verifikasi akun. Sistem informasi berbasis web yang dibangun berhasil melewati seluruh 12 skenario pengujian Black Box dan dapat digunakan secara berulang untuk menganalisis ulasan pengguna tanpa harus membacanya satu per satu.

Deteksi Dini Karies dan Karang Gigi Berbasis Android Menggunakan CNN MobileNetV2 dan Transfer Learning

2026-10-13T16:14:03+07:00

Karies dan karang gigi merupakan gangguan kesehatan gigi yang umum dan dapat berkembang menjadi infeksi serta kerusakan gigi yang lebih parah apabila terlambat ditangani, sementara akses terhadap pemeriksaan rutin masih terbatas. Penelitian ini bertujuan mengembangkan sistem klasifikasi citra gigi sebagai alat bantu deteksi dini karies, karang gigi, dan gigi normal menggunakan Convolutional Neural Network (CNN) arsitektur MobileNetV2 dengan pendekatan transfer learning yang diimplementasikan pada aplikasi Android. Dataset Kaggle berjumlah 3.539 citra; pemeriksaan hashing MD5 menemukan 467 citra duplikat pada kelas karang gigi sehingga dataset akhir berjumlah 2.829 citra yang dibagi dengan rasio 70:15:15. Citra diubah menjadi 224 × 224 piksel dan data latih diaugmentasi. Pelatihan dilakukan dalam dua tahap, yaitu pelatihan classifier dengan base model dibekukan dan fine-tuning sekitar 30 lapisan terakhir. Evaluasi pada 425 citra uji menghasilkan akurasi 98,59% dengan precision, recall, dan F1-score yang seimbang pada ketiga kelas, dengan enam citra salah diklasifikasikan, sebagian besar antara karies dan karang gigi. Model diintegrasikan melalui FastAPI ke aplikasi Android berbasis Flutter. Pengujian pada citra di luar dataset menunjukkan confidence yang lebih rendah akibat domain shift. Sistem ini berpotensi menjadi alat bantu klasifikasi awal, bukan pengganti diagnosis tenaga medis, dan deduplikasi data perlu dilakukan sebelum pembagian dataset.

Analisis Forensik Digital Dan Ekstraksi Artefak Aplikasi Gbwhatsapp Pada Perangkat Android Menggunakan Framework NIST SP 800-86

2026-10-13T18:09:31+07:00

Perkembangan aplikasi pesan instan hasil modifikasi seperti GBWhatsApp menimbulkan tantangan baru dalam pemeriksaan forensik digital, terutama terkait keberadaan pesan yang telah ditarik (revoked) oleh pengirim serta kesesuaian struktur basis datanya dengan WhatsApp resmi. Penelitian ini bertujuan menganalisis kemungkinan identifikasi dan pemulihan pesan yang telah ditarik pada GBWhatsApp, memetakan sumber dan struktur data GBWhatsApp pada perangkat Android, serta menilai kesesuaian metode pemeriksaan WhatsApp resmi apabila diterapkan pada GBWhatsApp. Penelitian menerapkan kerangka kerja NIST SP 800-86 melalui tahapan collection, examination, analysis, dan reporting terhadap salinan forensik WhatsApp resmi dan GBWhatsApp yang diperoleh dari perangkat Android berhak akses root. Sebagai alat bantu pemeriksaan, dikembangkan Web Viewer berbasis Laravel dan mesin pengolahan Python yang mengintegrasikan pengelolaan barang bukti, examination, analisis percakapan, perbandingan database, dan pelaporan. Hasil pengujian Black Box menunjukkan seluruh fungsi utama sistem berjalan sesuai rancangan. Hasil pemeriksaan artefak menunjukkan bahwa pesan yang telah ditarik dapat diidentifikasi melalui basis data SQLite dan berkas Write-Ahead Log, serta pada kondisi tertentu kontennya dapat dipulihkan berdasarkan artefak historis yang masih tersimpan. Perbandingan struktur database menunjukkan adanya kesamaan dan perbedaan antara WhatsApp resmi dan GBWhatsApp, yang selanjutnya digunakan sebagai dasar penilaian bahwa metode pemeriksaan WhatsApp resmi dapat diterapkan pada GBWhatsApp dengan penyesuaian tertentu.

Peningkatan Kinerja Analisis Sentimen Ulasan Pengguna Aplikasi Dompet Digital Menggunakan Support Vector Machine Melalui Optimasi Seleksi Fitur Particle Swarm Optimization

2026-10-14T09:40:12+07:00

Pertumbuhan pengguna dompet digital di Indonesia memunculkan kebutuhan untuk memahami persepsi pengguna melalui analisis sentimen ulasan. Penelitian ini bertujuan untuk meningkatkan kinerja klasifikasi sentimen ulasan pengguna aplikasi dompet digital menggunakan Support Vector Machine (SVM) melalui optimasi seleksi fitur berbasis Particle Swarm Optimization (PSO). Data dikumpulkan dari Google Play Store sebanyak 10.000 ulasan yang berasal dari lima aplikasi dompet digital, yaitu GoPay, OVO, Dana, LinkAja, dan ShopeePay, dengan masing-masing 2.000 ulasan per aplikasi. Ulasan diklasifikasikan ke dalam tiga kelas sentimen: positif, negatif, dan netral. Proses ekstraksi fitur dilakukan menggunakan Term Frequency-Inverse Document Frequency (TF-IDF) yang menghasilkan 5.000 fitur. Selanjutnya, Binary PSO diterapkan untuk melakukan seleksi fitur dan berhasil mereduksi dimensi fitur menjadi 1.326 fitur atau sekitar 26,52% dari total fitur awal. Hasil pengujian menunjukkan bahwa model SVM tanpa seleksi fitur memperoleh akurasi sebesar 88,00%, sedangkan model SVM dengan seleksi fitur Chi-Square menghasilkan akurasi sebesar 91,00%. Model SVM dengan seleksi fitur PSO menghasilkan akurasi tertinggi sebesar 93,75%, precision sebesar 93,86%, recall sebesar 93,75%, dan F1-score sebesar 93,79%. Dengan demikian, penerapan PSO berhasil meningkatkan akurasi sebesar 5,75 poin persentase dibandingkan model baseline. Penelitian ini menunjukkan bahwa kombinasi TF-IDF, Binary PSO, dan SVM merupakan pendekatan yang efektif untuk analisis sentimen ulasan pengguna dompet digital.

Penerapan Algoritma A-Star pada Sistem Informasi Geografis untuk Optimasi Rujukan Pasien Operasi Mata

2026-10-14T15:26:00+07:00

Proses penentuan rumah sakit rujukan bagi pasien operasi mata pada UPTD Rumah Sakit Khusus Mata Provinsi Sumatera Utara masih dilakukan secara manual berdasarkan pertimbangan administratif dan ketersediaan jadwal dokter, tanpa memperhitungkan jarak tempuh dan kondisi jaringan jalan secara objektif, sehingga berpotensi memperpanjang waktu dan biaya perjalanan pasien. Penelitian ini bertujuan mengembangkan Sistem Informasi Geografis (SIG) berbasis web bernama SIPROMATA yang mampu merekomendasikan rumah sakit rujukan operasi mata dengan rute terpendek menggunakan algoritma A Star (A*). Penelitian menggunakan pendekatan kuantitatif dengan data koordinat enam rumah sakit mata rujukan di Kota Medan, data jaringan jalan dari OpenStreetMap, dan layanan Open Source Routing Machine (OSRM) sebagai sumber nilai biaya aktual g(n), sedangkan nilai heuristik h(n) dihitung menggunakan Heuristic Euclidean Distance (HED). Sistem dibangun menggunakan framework Laravel, basis data MySQL, dan pustaka peta Leaflet.js. Pengujian fungsionalitas dilakukan menggunakan metode Black Box Testing terhadap 30 skenario, sedangkan pengujian akurasi dilakukan dengan membandingkan hasil perhitungan manual algoritma A* terhadap keluaran sistem pada enam rumah sakit kandidat. Seluruh skenario pengujian fungsional dinyatakan berhasil tanpa kegagalan, dan validasi akurasi menunjukkan kesesuaian 100% antara perhitungan manual dan keluaran sistem. Pada studi kasus pasien dari Jalan Setia Budi, Kecamatan Medan Sunggal, sistem merekomendasikan RS Mata Mencirim sebagai rujukan utama dengan jarak tempuh 0,698 km, estimasi waktu tempuh 2 menit, dan estimasi biaya transportasi Rp3.490. Sistem yang dikembangkan terbukti mampu menghasilkan rekomendasi rujukan yang lebih objektif, cepat, dan terukur dibandingkan proses manual yang selama ini digunakan.

Deteksi Tepi Citra Pupuk Menggunakan Algoritma Canny untuk Analisis Bentuk dan Tekstur Produk

2026-10-14T15:36:12+07:00

Penilaian kualitas bentuk dan tekstur pupuk secara visual oleh manusia masih bersifat subjektif dan tidak konsisten, sehingga diperlukan pendekatan pengolahan citra digital yang lebih objektif dan terukur. Penelitian ini bertujuan menerapkan algoritma Canny untuk proses deteksi tepi pada citra pupuk serta membangun aplikasi berbasis website yang memungkinkan pengguna mengunggah citra, memproses deteksi tepi, menampilkan hasil, dan menyajikan nilai evaluasi secara otomatis. Penelitian menggunakan pendekatan kuantitatif eksperimental yang dipadukan dengan penelitian pengembangan sistem, melalui tahapan grayscale conversion, Gaussian filtering, perhitungan gradien, non-maximum suppression, double thresholding, dan hysteresis edge tracking. Pengujian dilakukan pada citra pupuk beresolusi 810×1.080 piksel (874.800 piksel total) dengan parameter low threshold 50, high threshold 150, dan kernel blur 5. Hasil pengujian menunjukkan sistem berhasil mendeteksi 147.746 edge pixel dengan edge density 16,8891%, MSE sebesar 22.967,2416, PSNR sebesar 4,5197 dB, SSIM sebesar 0,0007, dan waktu proses 0,1079 detik. Pengujian black box terhadap 16 skenario fungsional, mulai dari autentikasi, manajemen pengguna, unggah citra, proses deteksi tepi, riwayat analisis, hingga pengaturan sistem, seluruhnya dinyatakan berhasil. Nilai PSNR dan SSIM yang rendah merupakan konsekuensi wajar dari transformasi citra menjadi citra biner tepi, bukan indikasi kegagalan sistem. Hasil penelitian menunjukkan bahwa algoritma Canny mampu memperjelas struktur tepi serta mendukung analisis bentuk dan tekstur pupuk secara cepat, terukur, dan terkomputerisasi melalui antarmuka berbasis web yang mudah digunakan.

Sistem Pendukung Keputusan Penentuan Lokasi Industri Kota Medan Berbasis SIG dan Weighted Overlay

2026-10-14T16:39:39+07:00

Penentuan lokasi industri merupakan proses penting dalam perencanaan wilayah karena memerlukan pertimbangan berbagai kriteria spasial secara bersamaan agar lokasi yang dipilih sesuai dengan karakteristik wilayah. Penelitian ini bertujuan merancang dan membangun Sistem Pendukung Keputusan (SPK) berbasis Sistem Informasi Geografis (SIG) untuk membantu penentuan lokasi industri di Kota Medan. Metode yang digunakan adalah Weighted Overlay dengan pembobotan kriteria menggunakan metode Rank Order Centroid (ROC), yang dipilih karena mampu menghasilkan bobot secara objektif berdasarkan urutan prioritas tanpa memerlukan perbandingan berpasangan seperti pada Analytical Hierarchy Process (AHP). Kriteria yang digunakan meliputi jarak terhadap permukiman, kesesuaian penggunaan lahan, dan aksesibilitas jaringan jalan. Data spasial bersumber dari peta Rupa Bumi Indonesia skala 1:50.000 dan diolah menggunakan pustaka GeoPandas pada Google Colab, sedangkan sistem dikembangkan berbasis web menggunakan PHP native, MySQL, dan Leaflet.js. Hasil penelitian menunjukkan bahwa dari 21 kecamatan di Kota Medan, Kecamatan Medan Belawan memperoleh nilai kesesuaian tertinggi sebesar 4,44 dengan kategori Sangat Sesuai, diikuti Medan Labuhan dan Medan Tuntungan dengan nilai 3,89 pada kategori Sesuai, sembilan kecamatan berkategori Cukup Sesuai, dan sembilan kecamatan berkategori Tidak Sesuai. Pengujian black box terhadap 13 skenario fungsional menunjukkan seluruh hasil berstatus valid. Sistem juga mampu menyajikan visualisasi peta interaktif serta laporan rekomendasi dalam format PDF. Penelitian ini membuktikan bahwa kombinasi ROC dan Weighted Overlay menghasilkan bobot kriteria yang objektif, transparan, dan dapat disesuaikan secara dinamis mengikuti perubahan prioritas kebijakan wilayah.

Investigasi Forensik Digital Serangan Brute Force pada Sistem Login Web Menggunakan Metode NIST

2026-10-14T19:36:22+07:00

dengan mencoba berbagai kombinasi kredensial secara berulang untuk memperoleh akses tidak sah ke suatu akun. Aktivitas tersebut meninggalkan jejak digital pada log server yang berpotensi digunakan sebagai barang bukti dalam proses investigasi forensik. Penelitian ini bertujuan menerapkan metode Digital Forensic National Institute of Standards and Technology (NIST) SP 800-86 untuk menginvestigasi serangan brute force pada sistem login website berbasis PHP melalui analisis log server, meliputi identifikasi dan analisis artefak digital, rekonstruksi kronologi serangan, serta penyusunan laporan investigasi. Penelitian dilaksanakan pada lingkungan localhost menggunakan XAMPP dengan membangun sistem login berbasis PHP dan MySQL, kemudian melakukan simulasi percobaan login berulang secara terkendali sebanyak 500 kali kombinasi kredensial yang menghasilkan 700 permintaan tercatat pada server, terdiri atas 500 autentikasi berhasil dan 200 autentikasi gagal. Proses investigasi mengikuti empat tahapan NIST SP 800-86, yaitu Collection, Examination, Analysis, dan Reporting. Hasil analisis terhadap access.log dan error.log menunjukkan pola percobaan login gagal yang berulang dari alamat IP yang sama terhadap endpoint login yang identik dalam rentang waktu yang berdekatan, diikuti dengan autentikasi yang berhasil dan akses menuju halaman dashboard. Rekonstruksi kronologi menunjukkan keterkaitan yang konsisten antara access.log, error.log, dan hasil pencatatan percobaan login secara langsung. Tahap Reporting menghasilkan laporan investigasi yang memuat identitas kasus, sumber barang bukti digital, hasil pemeriksaan, hasil analisis, serta kronologi aktivitas sebagai dokumentasi forensik terhadap insiden keamanan pada sistem login berbasis web.