cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Andy Sapta
Contact Email
sapta@royal.ac.id
Phone
-
Journal Mail Official
lppm_stmik@royal.ac.id
Editorial Address
-
Location
Kab. asahan,
Sumatera utara
INDONESIA
JURTEKSI
Published by STMIK Royal Kisaran
ISSN : 24071811     EISSN : 25500201     DOI : -
Core Subject : Science,
Computer Science & IT
JURTEKSI (Jurnal Teknologi dan Sistem Informasi) is a scientific journal which is published by STMIK Royal Kisaran. This journal published twice a year on December and June. This journal contains a collection of research in information technology and computer system.
Arjuna Subject : -
Articles 685 Documents
 42   43   44   45   46 
PREDICTING OF BREAST CANCER RISK USING MACHINE LEARNING WITH FEATURE SELECTION THROUGH XGBOOST Al Azhar, Cahya Mutiara; Pujiono, Pujiono
JURTEKSI (Jurnal Teknologi dan Sistem Informasi) Vol 11, No 2 (2025): Maret 2025
Publisher : Universitas Royal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33330/jurteksi.v11i2.3661

Abstract

Abstract: Breast cancer is the leading cause of death for women globally, exacerbated by late detection. This study proposes a breast cancer risk prediction framework using XGBoost with SelectKBest feature selection. It aims to improve the accuracy and efficiency of early detection through exploratory data analysis, coding, SMOTE to address class imbalance, and feature selection (k=29). As a result, the XGBoost model achieved 98.1% accuracy, 98.1% recall, 98.1% f1-score, and 98.2% precision on test data, highlighting the importance of feature selection. These results are promising in patient prioritization (triage) for further examination, helping medical personnel identify high-risk patients, thus improving resource allocation efficiency. These findings validate SelectKBest and pave the way for the development of a machine learning-based clinical decision support system for breast cancer early detection workflows. This research contributes significantly to the application of machine learning to support early breast cancer detection.            Keywords: breast cancer; feature selection; machine learning; risk prediction; XGBOOST.  Abstrak: Kanker payudara menjadi penyebab utama kematian wanita global, diperparah deteksi yang terlambat. Penelitian ini mengusulkan kerangka prediksi risiko kanker payudara menggunakan XGBoost dengan seleksi fitur SelectKBest. Tujuannya meningkatkan akurasi dan efisiensi deteksi dini melalui analisis data eksploratif, pengkodean, SMOTE untuk mengatasi ketidakseimbangan kelas, dan seleksi fitur (k=29). Hasilnya, model XGBoost mencapai akurasi 98.1%, recall 98.1%, f1-score 98.1%, dan presisi 98.2% pada data uji, menyoroti pentingnya seleksi fitur. Hasil ini menjanjikan dalam penentuan prioritas pasien (triage) untuk pemeriksaan lebih lanjut, membantu tenaga medis mengidentifikasi pasien berisiko tinggi, sehingga meningkatkan efisiensi alokasi sumber daya. Temuan ini memvalidasi SelectKBest dan membuka jalan bagi pengembangan sistem pendukung keputusan klinis berbasis machine learning untuk alur kerja deteksi dini kanker payudara. Penelitian ini berkontribusi signifikan dalam penerapan machine learning untuk mendukung deteksi dini kanker payudara. Kata kunci: kanker payudara; pembelajaran mesin; prediksi risiko ; seleksi fitur; XGBOOST. 
TOPSIS METHOD IMPLEMENTATION FOR STUDENT VIOLATION SANCTIONS AT SMAN 1 KISARAN Abidi, Mhd Ihsan; Maharani, Dewi; Nasution, Akmal
JURTEKSI (Jurnal Teknologi dan Sistem Informasi) Vol 11, No 2 (2025): Maret 2025
Publisher : Universitas Royal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33330/jurteksi.v11i2.3744

Abstract

Abstract: Secondary education plays an important role in shaping students' academic, social, and emotional skills and preparing them for further education or entering the workforce. One important aspect of education is the application of discipline through sanctions for violations of school rules. SMA Negeri 1 Kisaran currently still uses a manual system in recording and imposing sanctions, which is prone to errors, data loss, and is less efficient in decision making. This study aims to propose the implementation of a decision support system based on the Technique for Order Preference by Similarity to Ideal Solution (TOPSIS) method to determine more objective and transparent sanctions. The results of the application of the TOPSIS method in the process of determining objective sanctions for students at SMA Negeri 1 Kisaran are based on factors such as attendance, neatness, diligence, and student behavior, resulting in more accurate and systematic decisions. This study shows that the application of the TOPSIS method increases efficiency in determining sanctions for students and supports a fairer and data-based coaching process in schools.           Keywords: decision support system; discipline; sanctions; TOPSIS. Abstrak: Pendidikan menengah  memiliki peran penting dalam membentuk keterampilan akademik, sosial, dan emosional peserta didik serta mempersiapkan mereka untuk pendidikan lebih lanjut atau masuk ke dunia kerja. Salah satu aspek penting dalam pendidikan adalah penerapan disiplin melalui sanksi terhadap pelanggaran aturan sekolah. SMA Negeri 1 Kisaran saat ini masih menggunakan sistem manual dalam pencatatan dan pemberian sanksi, yang rentan terhadap kesalahan, kehilangan data, serta kurang efisien dalam pengambilan keputusan. Penelitian ini bertujuan mengusulkan penerapan sistem pendukung keputusan berbasis metode Technique for Order Preference by Similarity to Ideal Solution (TOPSIS) untuk menentukan sanksi yang lebih objektif dan transparan. Hasil dari penerapan metode TOPSIS dalam proses penentuan sanksi objektif pada peserta didik di SMA Negeri 1 Kisaran didasarkan pada faktor-faktor seperti kehadiran, kerapian, kerajinan, serta kelakuan siswa, sehingga menghasilkan keputusan yang lebih akurat dan sistematis. Studi ini menunjukkan bahwa penerapan metode TOPSIS meningkatkan efisiensi dalam menentukan sanksi bagi siswa serta mendukung proses pembinaan yang lebih adil dan berbasis data di sekolah.Kata kunci: kedisiplinan; sanksi; sistem pendukung keputusan; TOPSIS.
PREDICTION OF ON-TIME GRADUATION OF UNIVERSITAS ROYAL STUDENTS USING MULTIPLE LINEAR REGRESSION METHOD Rahmadani, Nurul; Kurniawan, Edi; Nurhasanah, Nurhasanah; Damanik, Wahdan
JURTEKSI (Jurnal Teknologi dan Sistem Informasi) Vol 11, No 3 (2025): Juni 2025
Publisher : Universitas Royal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33330/jurteksi.v11i3.3893

Abstract

Abstract: On-time graduation is an important indicator in measuring the success of higher education and reflects the effectiveness of the academic process in higher education. Royal University, especially the Information Systems Study Program, still faces challenges in increasing the percentage of students who graduate on time. This study aims to identify factors that influence students' on-time graduation and build a prediction model using the multiple linear regression method. This method was chosen because it is able to analyze the simultaneous influence of several independent numeric variables on one dependent variable, making it suitable for studying the complex relationship between factors that influence student graduation. The independent variables analyzed in this study include GPA, parental income, and student part-time jobs with student graduation as the dependent variable. The results showed that parental income and part-time jobs had a significant positive effect on on-time graduation, while GPA had a negative effect. The model built had an R² value of 0.6153 and a standard error of 4.0653, indicating that the model was quite strong and accurate. These findings recommend Universitas Royal to strengthen the academic monitoring system and support working students, as well as design policies based on students' socio-economic conditions to increase the on-time graduation rate.Keywords: multiple linear regression; on-time graduation; students.  Abstrak: Kelulusan tepat waktu merupakan indikator penting dalam mengukur keberhasilan pendidikan tinggi serta mencerminkan efektivitas proses akademik di perguruan tinggi. Universitas Royal, khususnya Program Studi Sistem Informasi, masih menghadapi tantangan dalam meningkatkan persentase mahasiswa yang lulus tepat waktu. Penelitian ini bertujuan untuk mengidentifikasi faktor-faktor yang memengaruhi kelulusan tepat waktu mahasiswa serta membangun model prediksi menggunakan metode regresi linear berganda. Metode ini dipilih karena mampu menganalisis pengaruh simultan beberapa variabel independen numerik terhadap satu variabel dependen, sehingga sesuai untuk mengkaji hubungan kompleks antar faktor yang memengaruhi kelulusan mahasiswa. Variabel independen yang dianalisis dalam penelitian ini meliputi IPK, penghasilan orangtua, dan pekerjaan sambilan mahasiswa dengan kelulusan mahasiswa sebagai variabel dependen. Hasil penelitian menunjukkan bahwa penghasilan orangtua dan pekerjaan sambilan berpengaruh positif signifikan terhadap kelulusan tepat waktu, sedangkan IPK justru memiliki pengaruh negatif. Model yang dibangun memiliki nilai R² sebesar 0,6153 dan standar error 4,0653, menandakan model cukup kuat dan akurat. Temuan ini merekomendasikan Universitas Royal untuk memperkuat sistem monitoring akademik dan mendukung mahasiswa yang bekerja, serta merancang kebijakan berbasis kondisi sosial-ekonomi mahasiswa guna meningkatkan angka kelulusan tepat waktu.Kata kunci: kelulusan tepat waktu; mahasiswa; regresi linear berganda.
Analisis Sentimen Menggunakan Algoritma Naive Bayes Studi Kasus pada Ulasan Produk E-Commerce Amazon Rahman, Erik; Namora, Namora; Anas, Lukman
JURTEKSI (Jurnal Teknologi dan Sistem Informasi) Vol 11, No 3 (2025): Juni 2025
Publisher : Universitas Royal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33330/jurteksi.v11i3.3637

Abstract

Analisis sentimen adalah proses mengidentifikasi dan mengklasifikasikan opini dalam teks menjadi kategori tertentu seperti positif, negatif, atau netral. Penelitian ini bertujuan untuk menganalisis sentimen ulasan produk pada platform e-commerce menggunakan algoritma Naive Bayes. Dataset ulasan produk diambil dari Kaggle, terdiri dari ribuan ulasan dengan label sentimen. Metodologi mencakup tahap preprocessing teks, ekstraksi fitur menggunakan teknik TF-IDF, dan penerapan algoritma Naive Bayes untuk klasifikasi sentimen. Hasil penelitian menunjukkan bahwa algoritma Naive Bayes memberikan akurasi sebesar 94%, membuktikan kemampuannya dalam analisis sentimen dengan dataset teks pendek
EXPLANATION OF FEATURE EXTRACTION IN FACE RECOGNITION USING VIOLA JONES ALGORITHM Devita, Retno; Rianti, Eva; Yuhandri, Muhammad Habib; Putra, Ondra Eka
JURTEKSI (Jurnal Teknologi dan Sistem Informasi) Vol 11, No 3 (2025): Juni 2025
Publisher : Universitas Royal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33330/jurteksi.v11i3.3844

Abstract

Face recognition has become a common thing used in the field of surveillance and security in computer technology and image devices. This study aims to identify the usefulness of a person's face on 3 test images. This study examines the methods of cropping techniques, image enhancement through intensity measurement, and histogram analysis to improve the contrast and distribution of image intensity. In addition, the Viola-Jones algorithm is used to detect key facial features such as eyes, nose, and mouth. The results of the analysis are then applied in the feature evaluation stage, where usually between facial features are applied to measure the ratio of facial proportions. Furthermore, the comparison of proportional ratios of several images was analyzed using bar graphs and line graphs to evaluate the trend and stability of facial proportions. The results showed the best ratio stability with a smaller variation of the on-off ratio of image 2 which is 0.4762 pixels to 0.4983 pixels. Image 2 is the most ideal for face measurement systems based on geometric ratios because it provides more consistent and visible results.
AN EFFECTIVENESS OF LEARNING MANAGEMENT SYSTEMS IN HIGHER EDUCATION: THE DELONE AND MCLEAN-SEM APPROACH Ivander, Filbert; Yang, Marvello; Melyanto, Melyanto; Saragih, Fry Melda
JURTEKSI (Jurnal Teknologi dan Sistem Informasi) Vol 11, No 3 (2025): Juni 2025
Publisher : Universitas Royal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33330/jurteksi.v11i3.3852

Abstract

Abstract: Information Technology has impacted various sectors, including education. Learning Management Systems (LMS) are designed to facilitate lecturers and students in accessing academic activities such as online learning. This study aims to analyze the effectiveness of Learning Management Systems (LMS) among higher education institutions in Indonesia. This analysis is crucial for assessing the effectiveness of LMS use by universities in Indonesia, enabling investments in LMS to yield optimal results. The study employed the D&M IS Success Model and PLS-SEM to evaluate the relationships between various variables, including system, information, service quality, user satisfaction, and benefits. Simple random sampling was used to collect data from 170 universities in Indonesia. This study employed PLS-SEM to investigate the observed variables, including validity and reliability testing, which involves assessing reliability, convergent validity, and discriminant validity. This current study found that all the hypotheses were accepted with p-values below 0,05. These findings contribute to universities paying attention to aspects of system, information, and service quality in Learning Management Systems (LMS) to improve user satisfaction and create a positive perception of benefits. Therefore, this research yields significant results that contribute to higher education in Indonesia, as well as the advancement of knowledge in management information systems.            Keywords: delone and mclean; information system success; LMS; SEM-PLS. Abstrak: Teknologi Informasi telah memengaruhi berbagai sektor, termasuk pendidikan. Learning Management System (LMS) dirancang untuk memfasilitasi dosen dan mahasiswa dalam mengakses kegiatan akademik seperti pembelajaran daring. Penelitian ini bertujuan untuk menganalisis efektivitas penggunaan Learning Management System (LMS) di perguruan tinggi di Indonesia. Analisis ini penting untuk menilai sejauh mana efektivitas penggunaan LMS oleh universitas-universitas di Indonesia, sehingga investasi dalam LMS dapat mem-berika           n hasil yang optimal.Penelitian ini menggunakan model D&M IS Success Model dan metode PLS-SEM untuk mengevaluasi hubungan antara berbagai variabel, termasuk kuali-tas sistem, informasi, layanan, kepuasan pengguna, dan manfaat. Teknik simple random sampling digunakan untuk mengumpulkan data dari 170 perguruan tinggi di Indonesia. Penelitian ini menggunakan PLS-SEM untuk mengkaji variabel-variabel yang diamati, ter-masuk pengujian validitas dan reliabilitas, yang mencakup penilaian reliabilitas, validitas konvergen, dan validitas diskriminan. Hasil dari penelitian ini menunjukkan bahwa semua hipotesis diterima dengan nilai p di bawah 0,05. Temuan ini mendorong universitas untuk memberikan perhatian pada aspek kualitas sistem, informasi, dan layanan dalam penggunaan LMS guna meningkatkan kepuasan pengguna dan menciptakan persepsi posi-tif terhadap manfaatnya. Oleh karena itu, penelitian ini memberikan hasil yang signifikan bagi perguruan tinggi di Indonesia serta turut berkontribusi dalam pengembangan ilmu di bidang sistem informasi manajemen. Kata kunci: delone and mclean; kesuksesan sistem informasi; LMS; SEM-PLS
TRAFFIC FLOW DETECTION USING YOLOV4 AND DEEPSORT ON NVIDIA JETSON NANO Taufiq, Reny Medikawati; Syahril, Syahril; Rafdi, Faris Abi; Firdaus, Rahmad; Sunanto, Sunanto; Muarif, Putri Fadhilla
JURTEKSI (Jurnal Teknologi dan Sistem Informasi) Vol 11, No 3 (2025): Juni 2025
Publisher : Universitas Royal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33330/jurteksi.v11i3.3871

Abstract

Abstract: This study aims to develop a Deep Learning-based Traffic Flow Detector to automatically and accurately observe traffic flow. Conventional traffic observation is often conducted manually or via CCTV, but it is prone to human error and difficult to use for real-time trend analysis. In this study, the YOLOv4 method is used to detect four types of vehicles (cars, motorcycles, buses, trucks). To continuously track vehicle movement and address occlusion issues, the Deep SORT algorithm is implemented. The YOLOv4 model used is a pre-trained model and was tested on seven CCTV video recordings obtained from the official website of the Pekanbaru City Transportation Department. The system was implemented on a limited device, the Nvidia Jetson Nano, as a simulation of direct CCTV integration. Test results showed a highest precision of 98%, but the maximum accuracy achieved was only 26%. This low accuracy is influenced by several factors, including video resolution, detection model quality, and lighting conditions. Nevertheless, the system demonstrates potential to support future traffic management and engineering decisions but still requires further optimization, including improving video resolution and quality, retraining the model with a more representative local dataset, using lighter and more accurate detection models, and optimizing the tracking algorithm. Keywords: deep learning; deepsort; NVIDIA Jetson NANO; traffic flow; YOLOv4  Abstrak: Penelitian ini bertujuan mengembangkan Traffic Flow Detector berbasis Deep Learning untuk mengobservasi arus lalu lintas secara otomatis dan akurat. Observasi lalu lintas konvensional sering dilakukan secara manual atau melalui CCTV, namun rentan terhadap human error dan sulit digunakan untuk menganalisis tren secara real-time. Pada penelitian ini digunakan metode YOLOv4 untuk mendeteksi empat jenis kendaraan (mobil, motor, bus, truk). Untuk melacak pergerakan kendaraan secara berkelanjutan dan mengatasi masalah occlusion, digunakan algoritma Deep SORT. Model YOLOv4 yang digunakan merupakan pre-trained model dan diujikan pada tujuh rekaman video CCTV yang diambil dari situs resmi Dinas Perhubungan Kota Pekanbaru. Sistem ini diimplementasikan pada perangkat terbatas Nvidia Jetson Nano sebagai simulasi penerapan langsung pada CCTV. Hasil pengujian menunjukkan presisi tertinggi mencapai 98%, namun akurasi tertingginya hanya sebesar 26%. Rendahnya akurasi dipengaruhi oleh beberapa faktor seperti resolusi video, kualitas model deteksi, serta kondisi pencahayaan. Meski demikian, sistem ini menunjukkan potensi untuk membantu pengambilan keputusan dalam manajemen dan rekayasa lalu lintas di masa depan, namun masih membutuhkan optimasi lebih lanjut, seperti  peningkatan kualitas video input, pelatihan ulang model dengan dataset lokal, penggunaan model deteksi yang lebih ringan dan akurat serta pengoptimalan algoritma pelacakan. Kata kunci: deep learning deepsort; Nvidia Jetson Nano; traffic flow; YOLOv4
OPTIMIZING THE SELECTION OF THE BEST EDUCATIONAL TEACHING AIDS SUPPLIER IN DECISION-MAKING USING THE MOORA METHOD Rani, Maha; Christy, Tika; Ardiansyah, Ricki; Sovia, Rini
JURTEKSI (Jurnal Teknologi dan Sistem Informasi) Vol 11, No 3 (2025): Juni 2025
Publisher : Universitas Royal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33330/jurteksi.v11i3.3883

Abstract

Abstract: In the business world, supplier selection plays a crucial role in ensuring smooth company operations. Suppliers are responsible for providing raw materials with consistent quality, timely delivery, and competitive prices. The supplier selection process requires evaluation based on various criteria such as product quality, availability, packaging, price, and warranty. Currently, SNM Store places orders by contacting suppliers one by one via telephone to inquire about item availability. This method is time-consuming and may lead to delays in fulfilling item requirements. To address this issue, a Decision Support System (DSS) is needed to assist in efficiently determining the best supplier. One method that can be used in this system is MOORA (Multi-Objective Optimization on the Basis of Ratio Analysis). MOORA is known to be effective in handling multi-criteria decision-making by simultaneously optimizing multiple objectives. This method also reduces subjectivity by assigning weights to each criterion and uses simple and fast calculations to evaluate the available alternatives. The objectives of this research are to identify the key criteria in supplier selection, apply the MOORA method in an efficient and user-friendly evaluation and selection process, and improve the operational efficiency of SNM Store in procurement so that item availability can be ensured in a timely manner. Keywords: decision support system ; MOORA; supplier Abstrak: Dalam dunia bisnis, pemilihan supplier memegang peranan penting dalam memastikan kelancaran operasional perusahaan. Supplier bertanggung jawab menyediakan bahan baku dengan kualitas konsisten, pengiriman tepat waktu, dan harga kompetitif. Proses seleksi supplier memerlukan evaluasi terhadap berbagai kriteria seperti kualitas produk, ketersediaan, pengemasan, harga, dan garansi. Toko SNM saat ini melakukan pemesanan dengan menghubungi supplier satu per satu melalui telepon untuk menanyakan ketersediaan barang. Metode ini memakan waktu dan dapat menyebabkan keterlambatan dalam pemenuhan kebutuhan barang. Untuk mengatasi hal tersebut, diperlukan sistem pendukung keputusan (Decision Support System) yang dapat membantu dalam menentukan supplier terbaik secara efisien. Salah satu metode yang dapat digunakan dalam sistem ini adalah MOORA (Multi-Objective Optimization on the Basis of Ratio Analysis). MOORA dikenal efektif dalam menangani keputusan multi-kriteria dengan mengoptimalkan berbagai tujuan secara bersamaan. Metode ini juga mengurangi subjektivitas melalui pemberian bobot pada tiap kriteria dan menggunakan perhitungan yang sederhana serta cepat dalam mengevaluasi alternatif yang tersedia. adapun tujuan dari penelitian ini adalah untuk mengidentifikasi kriteria-kriteria penting dalam pemilihan supplier, menerapkan metode MOORA dalam proses evaluasi dan seleksi yang efisien dan mudah digunakan, serta meningkatkan efisiensi operasional Toko SNM dalam hal pengadaan barang agar ketersediaan barang dapat terjamin tepat waktu. Kata kunci: MOORA; sistem penunjang keputusan; supplier; 
PREDICTING SKINCARE SALES OF ORIGINAL MS GLOW WITH SES METHOD Ariska, Feby; Rizaldi, Rizaldi; Sumantri, Sumantri
JURTEKSI (Jurnal Teknologi dan Sistem Informasi) Vol 11, No 3 (2025): Juni 2025
Publisher : Universitas Royal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33330/jurteksi.v11i3.3726

Abstract

Abstract:  Ms Glow Kisaran Original Store is one of the beauty companies that sells skincare products that are useful for maintaining healthy facial and body skin. However, the Original Ms. Glow series currently faces challenges such as tight competition and ineffective inventory management in terms of sales figures. This company sells ± 1500 products a month, but also often faces shortages and stockpiles of product, which can reduce customer confidence and cause Ms. Glow Kisaran Original to experience financial losses, among others. Conversely, if the demand for skincare increases but the skincare supply cannot be prepared, this is a loss for the store and customers. The purpose of this study is to improve the accuracy of the forecast, the use of the Single Exponential Smoothing Method is proposed. This method smoothes past values with exponential weights, placing greater emphasis on the latest data. The use of data from the last 12 months as reference data for past recording for forecasting experiments for the next 1 (one) month. The results of the study at Ms Glow Kisaran show the flexibility of the method in adapting to different sales dynamics. Overall, this research helps in predicting skincare sales predictions at the Ms Glow Kisaran Original Kisaran Store using the Single Exponentian Smoothing method, so that it can overcome the challenges in predicting sales figures.Keywords: ms glow kisaran; skincare sales; ses.  Abstrak: Toko Ms Glow Kisaran Original merupakan salah satu perusahaan di bidang kecantikan yang menjual produk-produk skincare yang bermanfaat untuk menjaga kesehatan kulit wajah dan tubuh. Namun rangkaian Original Ms. Glow saat ini menghadapi tantangan seperti persaingan yang ketat dan pengelolaan inventaris yang kurang efektif dalam hal angka penjualan. Perusahaan ini menjual ±1500 produk dalam sebulan, namun juga sering menghadapi kekurangan dan penumpukan stok produk, yang dapat menurunkan kepercayaan pelanggan dan menyebabkan Ms. Glow Kisaran Original mengalami kerugian finansial. Sebaliknya jika permintaan akan skincare meningkat namun persediaan skincare tidak dapat disiapkan maka ini menjadi kerugian bagi pihak toko dan pelanggan. Tujuan penelitian ini adalah untuk meningkatkan ketepatan perkiraan, penggunaan Metode Single Exponential Smoothing diusulkan. Metode ini menghaluskan nilai masa lalu dengan bobot eksponensial, memberikan penekanan lebih besar pada data terbaru. Penggunaan data 12 bulan terakhir sebagai data acuan pencatatan masa lalu untuk percobaan peramalan untuk 1 (satu) bulan kedepan. Hasil penelitian pada Ms Glow Kisaran menunjukkan fleksibilitas metode dalam menyesuaikan diri dengan dinamika penjualan yang berbeda. Secara keseluruhan, Penelitian ini membantu dalam meramalkan prediksi penjualan skincare di Toko Ms glow Kisaran Original Kisaran menggunakan metode Single Exponentian Smoothing, sehingga dapat mengatasi tantangan dalam memprediksi angka penjualan.Kata kunci: ms glow kisaran; penjualan skincare; ses.
PREDICTING LOAN ELIGIBILITY WITH SUPPORT VECTOR MACHINE: A MACHINE LEARNING APPROACH Rajunaidi, Rajunaidi; Yuliansyah, Herman; Sunardi, Sunardi; Murinto, Murinto
JURTEKSI (Jurnal Teknologi dan Sistem Informasi) Vol 11, No 3 (2025): Juni 2025
Publisher : Universitas Royal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33330/jurteksi.v11i3.3876

Abstract

Abstract: Non-performing loans remain one of the main challenges faced by cooperatives, particularly when the loan eligibility assessment process is still conducted manually. This traditional approach tends to be time consuming, subjective, and prone to inaccurate decisions. This study aims to develop a predictive model for borrower eligibility using the Support Vector Machine (SVM) algorithm as a more efficient and objective machine learning-based solution. A total of 1,000 loan history records were processed using RapidMiner software, taking into account variables such as salary, years of employment, loan amount, monthly installment, employment status, monthly expenses, number of dependents, housing status, age, and collateral value. The model’s performance was evaluated using a confusion matrix and classification metrics including accuracy, precision, recall, and kappa. The results indicate that the SVM model achieved an accuracy of 90.05%, precision of 90.13%, recall of 90.05%, and f1 score of 90,08%, reflecting a strong performance in classifying borrower eligibility. The application of this method makes a significant contribution to the development of data driven decision support systems within cooperative environments. This finding expands the scientific understanding in the field of microfinance and supports the implementation of artificial intelligence technologies in making decisions that are more precise, rapid, and accurate.Keywords: cooperative; eligibility prediction; machine learning; non-performing loan; SVMAbstrak: Kredit macet merupakan salah satu permasalahan utama yang dihadapi koperasi, terutama ketika proses penilaian kelayakan peminjam masih dilakukan secara manual. Pendekatan ini cenderung lambat, subjektif, dan berisiko menghasilkan keputusan yang kurang akurat. Penelitian ini bertujuan untuk membangun model prediksi kelayakan peminjam menggunakan algoritma Support Vector Machine (SVM) sebagai solusi berbasis machine learning yang lebih efisien dan objektif. Sebanyak 1.000 data riwayat pinjaman diolah menggunakan tools RapidMiner dengan mempertimbangkan variabel: gaji, lama bekerja, besar pinjaman, angsuran per bulan, status pegawai, pengeluaran bulanan, jumlah tanggungan, status rumah, umur, dan nilai jaminan. Evaluasi model dilakukan menggunakan confusion matrix dan metrik klasifikasi seperti akurasi, presisi, recall, dan kappa. Hasil menunjukkan bahwa model SVM mencapai akurasi  90,05%, presisi 90,13%, recall 90,05%, dan f1 score 90,08%, yang mencerminkan performa model yang sangat baik dalam mengklasifikasikan kelayakan peminjam. Penerapan metode ini memberikan kontribusi penting dalam pengembangan sistem pendukung keputusan berbasis data di lingkungan koperasi. Temuan ini memperluas wawasan keilmuan di bidang keuangan mikro dan mendukung penerapan teknologi kecerdasan buatan dalam pengambilan keputusan yang lebih tepat, cepat, dan akurat.Kata Kunci: koperasi; kredit macet; machine learning; prediksi kelayakan; SVM  

Page 44 of 69 | Total Record : 685

 42   43   44   45   46 

Filter by Year

2017 2025


Reset
Filter By Issues
All Issue Vol. 12 No. 1 (2025): Desember 2025 Vol. 11 No. 4 (2025): September 2025 Vol 11, No 3 (2025): Juni 2025 Vol. 11 No. 3 (2025): Juni 2025 Vol 11, No 2 (2025): Maret 2025 Vol. 11 No. 2 (2025): Maret 2025 Vol 11, No 1 (2024): Desember 2024 Vol. 11 No. 1 (2024): Desember 2024 Vol 10, No 4 (2024): September 2024 Vol. 10 No. 4 (2024): September 2024 Vol. 10 No. 3 (2024): Juni 2024 Vol 10, No 3 (2024): Juni 2024 Vol. 10 No. 2 (2024): Maret 2024 Vol 10, No 2 (2024): Maret 2024 Vol 10, No 1 (2023): Desember 2023 Vol. 10 No. 1 (2023): Desember 2023 Vol. 9 No. 4 (2023): September 2023 Vol 9, No 4 (2023): September 2023 Vol 9, No 3 (2023): Juni 2023 Vol 9, No 2 (2023): Maret 2023 Vol 9, No 1 (2022): Desember 2022 Vol 8, No 3 (2022): Agustus 2022 Vol 8, No 2 (2022): April 2022 Vol 8, No 1 (2021): Desember 2021 Vol 7, No 3 (2021): Agustus 2021 Vol 7, No 2 (2021): April 2021 Vol 7, No 1 (2020): Desember 2020 Vol 6, No 3 (2020): August 2020 Vol 6, No 2 (2020): April 2020 Vol 6, No 1 (2019): December 2019 Vol 5, No 2 (2019): Juni 2019 Vol 5, No 1 (2018): Desember 2018 Vol 4, No 2 (2018): Juni 2018 Vol 4, No 1 (2017): Desember 2017 More Issue