Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal JOINTECOMS (Journal of Information Technology and Computer Science)
Deddy Ronaldo
Teknik Informatika, Fakultas Teknik, Universitas Palangka Raya
Computer Science & IT

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Perbandingan dan Prediksi Ketepatan Pengembalian Buku di Perpustakaan Menggunakan Machine Learning Muhammad Rijal; Viktor Handrianus Pranatawijaya; Deddy Ronaldo; Jadiaman Parhusip
Journal of Information Technology and Computer Science Vol. 5 No. 4 (2025): JOINTECOMS : Journal of Information Technology and Computer Science
Publisher : Universitas Palangka Raya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47111/jointecoms.v5i4.25344

Abstract

Penelitian ini bertujuan untuk membandingkan dan memprediksi ketepatan pengembalian buku di perpustakaan menggunakan algoritma machine learning, dengan data historis peminjaman yang mencakup informasi judul buku, tanggal peminjaman, tanggal pengembalian, dan status pengembalian. Empat algoritma yang diterapkan adalah Random Forest, Support Vector Machine (SVM), Decision Tree, dan Gradient Boosting untuk memprediksi ketepatan pengembalian buku, apakah tepat waktu, terlambat, atau tidak dikembalikan. Data penelitian diperoleh dari Perpustakaan MAN 1 Pulang Pisau berupa riwayat peminjaman buku siswa kelas X sampai XII periode Juli 2022 hingga Agustus 2023 dengan total 730 data peminjaman yang melibatkan 643 peminjam. Proses penelitian mencakup pra-pemrosesan data, seperti pembersihan data, pembuatan fitur baru berupa 'Lama Pinjam' yang dihitung dari selisih tanggal pengembalian dan peminjaman, serta pengolahan data kategorikal pada kolom 'Judul Buku' dengan teknik encoding. Data kemudian dibagi menjadi fitur (X) dan target (Y), dengan target berupa status pengembalian buku (tepat waktu, terlambat, atau tidak dikembalikan). Hasil evaluasi menunjukkan bahwa Decision Tree memberikan performa terbaik dengan akurasi sebesar 87%, diikuti oleh Gradient Boosting (86%), Random Forest (85%), dan SVM (73%). Decision Tree terpilih sebagai model terbaik karena memberikan keseimbangan optimal dalam memprediksi semua kategori pengembalian buku dengan macro average F1-score sebesar 0.84. Model ini dapat digunakan oleh pengelola perpustakaan untuk mengidentifikasi buku.
Co-Authors Jadiaman Parhusip Muhammad Rijal Viktor Handrianus Pranatawijaya