Garuda - Garba Rujukan Digital

Analisis Sentimen Potensi Gempa Megathrust di Indonesia Menggunakan Random Forest Mikhael Christian; Agung Panji Sasmito; Hani Zulfia Zahro'
IJAI (Indonesian Journal of Applied Informatics) Vol 9, No 2 (2025)
Publisher : Universitas Sebelas Maret

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20961/ijai.v9i2.95469

Abstrak :Pada bulan Agustus tepatnya di tahun 2024, berita mengenai adanya potensi gempa megathrust di Indonesia membuat kalangan warga internet heboh salah satunya di media sosial X. Hal ini menimbulkan kekhawatiran dan adanya perbedaan sudut pandang dalam menanggapi berita ini di kalangan masyarakat terlebih para pengguna media sosial. Dikarenakan Indonesia sendiri memiliki 13 zona subduksi yang tersebar di beberapa wilayah. Zona subduksi sendiri merupakan pertemuan antar lempeng besar yang saling bertubrukan dan dapat mengakibatkan gempa megathrust. Akan tetapi, terdapat dua zona yang hangat diperbincangkan, yaitu Megathrust Mentawai-Siberut dan Selat Sunda. Penelitian ini bertujuan untuk mengevaluasi reaksi masyarakat online dalam menanggapi isu megathrust. Pendekatan yang akan digunakan dalam penelitian ini adalah metode Random Forest, yang dikenal mampu menangani data yang besar dan akurasi yang dihasilkan tinggi. Tahapan pengolahan data meliputi pembersihan teks (cleaning), case folding, normalisasi, tokenisasi, penghapusan stopword, stemming, serta adanya evaluasi model. Data yang digunakan untuk melakukan pelatihan dan pengujian berasal dari tweet dengan kata kunci megathrust. Hasil pengujian menggunakan data latih sebanyak 136 data dan menghasilkan nilai recall 84.38%, precision sebesar 71.05%, dan accuracy sebesar 63.24% dalam mengklasifikasikan sentimen netral. Penelitian ini diharapkan dapat membantu lembaga pemerintahan dan organisasi sadar bencana memahami persepsi masyarakat di dunia maya. Dengan wawasan ini, lembaga terkait dapat lebih efektif dalam merancang strategi komunikasi, penyuluhan, serta mitigasi risiko, sehingga mendukung peningkatan kesiapsiagaan bencana di Indonesia.===================================================Abstract :In August, in 2024, news of a potential megathrust earthquake in Indonesia caused a stir among internet citizens, including on social media X. This caused concern and different perspectives on this news among the public, especially social media users. This caused concern and different points of view in responding to this news among the public, especially social media users. Indonesia itself has 13 subduction zones spread across several regions. The subduction zone itself is a meeting between large plates that collide with each other and can cause megathrust earthquakes. However, there are two zones that are hotly discussed, namely the Mentawai-Siberut Megathrust and the Sunda Strait. This study aims to evaluate the reaction of online communities in responding to the megathrust issue. The approach that will be used in this research is the Random Forest method, which is known to be able to handle large data and high accuracy. Data processing stages include text cleaning, case folding, normalization, tokenization, stopword removal, stemming, and model evaluation. The data used to conduct training and testing comes from tweets with megathrust keywords. The test results used 136 training data and produced a recall value of 84.38%, precision of 71.05%, and accuracy of 63.24% in classifying neutral sentiment. This research is expected to help government agencies and disaster awareness organizations understand public perception in cyberspace. With this insight, related institutions can be more effective in designing communication strategies, counseling, and risk mitigation, thus supporting the improvement of disaster preparedness in Indonesia

Optimalisasi Klasterisasi Tenaga Kesehatan Menggunakan K-Means dan Davies Bouldin Indexs Ayura Yufita; Rudi Kurniawan; Yudhistira Arie Wijaya; Tati Suprapti
IJAI (Indonesian Journal of Applied Informatics) Vol 9, No 2 (2025)
Publisher : Universitas Sebelas Maret

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20961/ijai.v9i2.96645

Abstrak : Optimalisasi model pengelompokan data tenaga kesehatan adalah langkah strategis untuk memahami pola dan karakteristik kelompok data tertentu. Tujuan dari penelitian ini adalah untuk mendapatkan nilai K optimal menurut Davies Bouldin Indeks (DBI), mendapatkan nilai iterasi yang diperlukan oleh algoritma K-Means Clustering untuk mencapai hasil yang optimal, dan menentukan jenis metrik apa yang akan menghasilkan nilai (DBI) yang paling kecil. Hal ini penting karena penelitian ini membantu perencanaan distribusi tenaga kesehatan yang lebih efisien di wilayah Jawa Barat denfan menghasilkan klaster optimal berbasis K-Means dan Optimize Parameter Grid. Penggunaan metode Knowledge Discovery in Database (KDD), yang mencakup proses pemilihan, praproses, transformasi, data mining, dan interpretasi/ evaluasi hasil. Hasil penelitian ditunjukkan pada iterasi 1-10 menggunakan K=2 dengan nilai DBI terendah sebesar 0,377.====================================================Abstract : Optimisation of health worker data clustering model is a strategic step to understand the patterns and characteristics of certain data groups. The objectives of this study are to obtain the optimal K value according to the Davies Bouldin Index (DBI), obtain the iteration value required by the K-Means Clustering algorithm to achieve optimal results, and determine what type of metric will produce the smallest (DBI) value. This is important because this research helps to plan a more efficient distribution of health workers in the West Java region by producing optimal clusters based on K-Means and Optimise Parameter Grid. The use of Knowledge Discovery in Database (KDD) method, which includes the process of selection, preprocessing, transformation, data mining, and interpretation/evaluation of results. The results showed in iterations 1-10 using K=2 with the lowest DBI value of 0.377.

Optimasi Analisis Sentimen Ulasan Sunscreen di E-Commerce Menggunakan Algoritma SVM dan SMOTE Ayi Andini; Nining Rahaningsih; Raditya Danar Dana; Cep Lukman Rohmat
IJAI (Indonesian Journal of Applied Informatics) Vol 9, No 2 (2025)
Publisher : Universitas Sebelas Maret

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20961/ijai.v9i2.96221

Abstrak : Analisis sentimen terhadap ulasan pengguna di e-commerce membantu produsen memahami kepuasan pelanggan. Penelitian ini bertujuan untuk menganalisis sentimen ulasan produk sunscreen di Facetology Official Shop menggunakan algoritma Support Vector Machine (SVM). Data ulasan dikumpulkan melalui scraping, diberi label secara manual, dan diproses menggunakan metode preprocessing seperti data cleaning, Case Folding, tokenizing, stopword removal, serta SMOTE untuk menyeimbangkan data. Ekstraksi fitur dilakukan dengan TF-IDF, dan SVM digunakan untuk mengklasifikasikan sentimen menjadi positif, negatif, dan netral. Hasil penelitian menunjukkan model SVM dengan kernel linear mencapai akurasi 93%, presisi keseluruhan 95%, recall 91%, dan F1-Score 93%. Pendekatan ini menunjukkan peningkatan performa model dengan akurasi 93% setelah penerapan SMOTE untuk penyeimbangan data. Sentimen mayoritas positif, mengindikasikan tingkat kepuasan tinggi, meskipun ada ulasan negatif terkait efek samping produk. Teknik preprocessing dan penyeimbangan data terbukti efektif dalam meningkatkan performa model. Pendekatan dapat diaplikasikan untuk analisis sentimen produk serupa guna mendukung pemahaman perusahaan terhadap konsumen==================================================Abstract :Sentiment analysis of user reviews on e-commerce platforms helps producers understand customer satisfaction. This study aims to analyze the sentiment of sunscreen product reviews in the Facetology Official Shop using the Support Vector Machine (SVM) algorithm. Review data were collected through scraping, manually labeled, and processed using preprocessing methods such as data cleaning, case folding, tokenizing, stopword removal, and SMOTE to balance the data. Feature extraction was performed using TF-IDF, and SVM was used to classify sentiments into positive, negative, and neutral categories. The results show that the SVM model with a linear kernel achieved an accuracy of 93%, an overall precision of 95%, a recall of 91%, and an F1-Score of 93%. This approach demonstrated improved model performance, with 93% accuracy achieved after applying SMOTE for data balancing. The majority of sentiments were positive, indicating a high level of customer satisfaction, although some negative reviews mentioned side effects of the product. The preprocessing techniques and data balancing proved effective in enhancing the model's performance. This approach can be applied to sentiment analysis of similar products to support companies in better understanding their consumers.

Pendekatan Hybrid: Naïve Bayes dan Decision Tree untuk Prediksi Kerusakan Mesin pada Industri Manufaktur PT X Iin Rohmatika Aulia; Arief Hermawan; Donny Avianto
IJAI (Indonesian Journal of Applied Informatics) Vol 9, No 2 (2025)
Publisher : Universitas Sebelas Maret

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20961/ijai.v9i2.97905

Abstrak : Perkembangan teknologi sistem informasi banyak dirasakan di setiap sector ekonomi. PT X merupakan perusahaan manufaktur di bidang percetakan, dimana produktivitas dipengaruhi dari efisiensi mesin. Optimasi produktivitas mesin dapat dilakukan dengan prediktif maintenance. Penelitian ini bertujuan untuk mengembangkan teknik data mining dalam prediktif kerusakan mesin produksi. Fokus utama penelitian adalah untuk mengklasifikasi kerusakan mesin berdasarkan data historis pada PT X. Model klasifikasi yang akan dikembangkan menggunakan algoritma model Naïve Bayes dan Decision Tree. Dalam klasifikasi ada 2 label keputusan yaitu tingkat resiko (tinggi, sedang rendah) dan kegiatan preventif (Ya,Tidak) Evaluasi dilakukan dengan menilai akurasi dan efektivitas setiap model. Hasil uji klasifikasi preventif dengan model Naïve Bayes memiliki nilai akurasi 97,90 %, sedangkan dengan model Decision Tree memiliki nilai akurasi 77%. Hasil uji klasifikasi tingkat resiko dengan model Naïve Bayes nilai akurasi 98% sedangkan dengan model Decision Tree nilai akurasinya 100%. hasil uji menunjukan untuk label preventif dengan 2 kelas lebih baik menggunakan model Naïve Bayes sedangkan label tingkat resiko dengan 3 kelas lebih baik menggunakan model Decision Tree. Hasil uji ini dapat dijadikan acuan Perusahaan X khususnya divisi maintenance dalam melakukan penjadwalan prediktif maintenance. Metode ini juga dapat diterapkan pada Perusahaan lain jika memiliki data historis kerusakan mesin, memiliki mesin dengan jenis operasional yang relevan, dan memiliki tujuan dan klasifikasi yang sesuai.===================================================Abstract :The advancement of information system technology has significantly impacted all economic sectors. PT X, a manufacturing company in the printing industry, experiences productivity fluctuations that are strongly influenced by machine efficiency. Optimizing machine productivity can be achieved through predictive maintenance. This study aims to develop data mining techniques for predicting machine failures in production. The primary focus is to classify machine failures based on historical data from PT X. The classification models employed are the Naïve Bayes algorithm and the Decision Tree algorithm. Two classification labels are used: risk level (high, medium, low) and preventive action (Yes, No). Evaluation was conducted by measuring the accuracy and effectiveness of each model. The classification results for the preventive action label showed that the Naïve Bayes model achieved an accuracy of 97.90%, while the Decision Tree model reached 77%. For the risk level label, the Naïve Bayes model achieved 98% accuracy, and the Decision Tree model achieved 100%. The findings indicate that the Naïve Bayes model is more suitable for binary classifications such as preventive actions, while the Decision Tree model performs better in multi-class classifications such as risk levels. These results can serve as a reference for PT X’s maintenance division in scheduling predictive maintenance. Moreover, the method can be applied to other companies, provided they have historical machine failure data, machines with similar operational characteristics, and compatible classification objectives

Implementasi Convolutional Neural Network (CNN) untuk Face Recognition pada Sistem Presensi Kehadiran Moch Arif Rochmanullah; Nurlaily Vendyansyah; Febriana Santi Wahyuni
IJAI (Indonesian Journal of Applied Informatics) Vol 9, No 2 (2025)
Publisher : Universitas Sebelas Maret

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20961/ijai.v9i2.95563

Abstrak : Sistem presensi merupakan elemen penting dalam memastikan kehadiran, terutama di lingkungan pendidikan dan pekerjaan. Penelitian ini bertujuan mengembangkan sistem presensi berbasis face recognition menggunakan metode Convolutional Neural Network (CNN) untuk mengatasi kelemahan presensi manual yang rentan terhadap kecurangan, seperti di Prodi Teknik Informatika ITN Malang. Model CNN dilatih dengan deep learning menggunakan dataset wajah mahasiswa untuk mengenali pola unik fitur wajah. Hasilnya, model mencapai training accuracy sebesar 97%, validation accuracy sebesar 90%, dan pengujian mencapai accuracy 93%. Sistem ini meningkatkan efisiensi absensi dan akurasi identifikasi hingga 93%, sekaligus mengurangi potensi kecurangan.CNN terbukti andal dalam mendukung presensi berbasis teknologi dengan pengelolaan lebih praktis. Kendati demikian, performa model masih dapat ditingkatkan melalui pengayaan dataset dan optimasi model. Sistem ini berpotensi besar meningkatkan keandalan dan keamanan proses presensi, menjadi solusi inovatif dalam pengelolaan kehadiran di era digital.=====================================================Abstract :The attendance system is a crucial element in ensuring presence, especially in educational and workplace settings. This study aims to develop a face recognition-based attendance system using the Convolutional Neural Network (CNN) method to address the weaknesses of manual attendance prone to fraud, as observed in the Informatics Engineering Study Program at ITN Malang. The CNN model was trained using deep learning techniques with a student face dataset to recognize unique facial features. The results show the model achieved a training accuracy of 97%, validation accuracy of 90%, and testing accuracy of 93%. This system improves attendance efficiency and identification accuracy by 93%, while reducing the potential for fraud. CNN has proven reliable in supporting technology-based attendance with more practical management. However, the model’s performance can still be improved through dataset enrichment and optimization. This system holds significant potential to enhance the reliability and security of attendance processes, providing an innovative solution for managing attendance in the digital era.

Deteksi Dini Financial Distress Pada Perusahaan Sektor Teknologi di Bursa Efek Indonesia Menggunakan Artificial Neural Network dan Support Vector Machine Noviyanti Santoso; Ni Luh Eva Pradnyaningsih; Fausania Hibatullah
IJAI (Indonesian Journal of Applied Informatics) Vol 9, No 2 (2025)
Publisher : Universitas Sebelas Maret

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20961/ijai.v9i2.98588

Abstrak : Kondisi ekonomi dan geopolitik di Indonesia diperkirakan akan memburuk pada beberapa tahun kedepan yang disebabkan oleh beberapa faktor diantaranya inflasi dan biaya operasional yang tinggi. Hal ini berdampak pada minat investor dalam berinvestasi pada perusahaan. Salah satu perusahaan yang paling berdampak besar adalah perusahaan sektor teknologi. Industri teknologi di Indonesia menghadapi tantangan pada pangsa pasar yang relatif rendah dibandingkan pasar global dimana banyak saham teknologi di Indonesia masih tertinggal jauh dibandingkan negara-negara maju. Akibat hal tersebut investor lebih memilih berinvestasi pada emiten yang minim risiko. Penurunan ini memengaruhi kemampuan perusahaan-perusahaan teknologi untuk menarik investasi yang dibutuhkan untuk bertahan dan berkembang. Beberapa perusahaan di sektor teknologi telah mengalami perubahan signifikan dalam kinerja keuangan mereka, menunjukkan adanya potensi kesulitan keuangan. Kesulitan keuangan terjadi ketika kinerja keuangan perusahaan menurun dari waktu ke waktu, yang pada gilirannya memengaruhi stabilitas sistem keuangan dan sumber daya manusia perusahaan. Oleh karena itu, penelitian ini bertujuan untuk memprediksi apakah perusahaan-perusahaan di sektor teknologi di Indonesia akan mengalami kesulitan keuangan di masa depan atau tidak dengan menggunakan metode Artificial Neural Network dan Support Vector Machine. Hasil penelitian menunjukkan bahwa ANN lebih unggul dalam memprediksi kinerja keuangan perusahaan dengan akurasi sebesar 95,65%, sensitivitas mencapai 100%, dan F1 Score yaitu 80%, lebih lanjut rasio PER memiliki pengaruh besar dalam memprediksi risiko ini. Selain itu, aplikasi berbasis web yang dikembangkan menggunakan Streamlit memungkinkan pengguna untuk mendeteksi dini kondisi keuangan perusahaan. =====================================================Abstract : The economic and geopolitical conditions in Indonesia are expected to deteriorate in the coming years due to several factors, including inflation and high operational costs. This affects investor interest in investing in companies. One of the most significantly impacted sectors is technology companies. The technology industry in Indonesia faces challenges with a relatively low market share compared to the global market, where many technology stocks in Indonesia lag significantly behind those in developed countries. As a result, investors prefer to invest in issuers with minimal risk. This decline affects the ability of technology companies to attract the investment needed to survive and grow. Some companies in the technology sector have experienced significant changes in their financial performance, indicating potential financial difficulties. Financial difficulties occur when a company's financial performance declines over time, which in turn affects the stability of the financial system and the company's human resources. Therefore, this study aims to predict whether technology companies in Indonesia will experience financial distress in the future using Artificial Neural Network and Support Vector Machine methods. The results of the study indicate that ANN outperforms other models in predicting the financial performance of companies with the accuracy reach 95,65%, perfect sensitivity of 100%, and F1 Score is 80%, with the PER ratio having a significant impact on forecasting this risk. Additionaly, the web-based application developed using Streamlit enables users to detect companies financial conditions early.

Sistem Peramalan Penjualan Laptop Menggunakan Metode Weighted Moving Average (Studi Kasus Toko Markas Laptop) Bagas Anardi Surya; Ali Mahmudi; Suryo Adi Wibowo
IJAI (Indonesian Journal of Applied Informatics) Vol 9, No 2 (2025)
Publisher : Universitas Sebelas Maret

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20961/ijai.v9i2.95711

Abstrak : Penelitian ini bertujuan untuk mengembangkan sebuah solusi teknologi informasi inovatif berupa sistem peramalan penjualan Laptop pada Toko Markas Laptop dengan menggunakan metode Weighted Moving Average berbasis website, sistem ini dirancang untuk meningkatkan efisiensi dan efektivitas proses peramalan penjualan, sehingga pemilik usaha dapat memantau penjualan dengan lebih mudah dan akurat. Melalui penerapan metode weighted moving average, peramalan penjualan dilakukan dengan memberikan bobot yang lebih besar pada data penjualan terbaru, sehingga hasil prediksi menjadi lebih sensitif terhadap tren terbaru yang diharapkan mampu mendukung pengelolaan usaha. Hasil penelitian ini menunjukkan bahwa aplikasi berbasis web ini memiliki Tingkat akurasi baik karena memiliki nilai Mean Absolute Percentage Error (MAPE) sebesar 28%, menunjukkan bahwa metode Weighted Moving Average dapat memberikan prediksi yang cukup andal untuk membantu pengambilan keputusan strategis terkait pengelolaan stok dan perencanaan penjualan.===================================================Abstract :This study aims to develop an innovative information technology solution in the form of a Laptop sales forecasting system at the Laptop Markas Shop using the website-based Weighted Moving Average method, this system is designed to improve the efficiency and effectiveness of the sales forecasting process, so that business owners can monitor sales more easily and accurately. Through the application of the weighted moving average method, sales forecasting is carried out by giving greater weight to the latest sales data, so that the prediction results become more sensitive to the latest trends which are expected to support business management. The results of this study show that this web-based application has a good level of accuracy because it has a Mean Absolute Percentage Error (MAPE) value of 28%, indicating that the Weighted Moving Average method can provide predictions that are reliable enough to help make strategic decisions related to stock management and sales planning.

Analisis UI/UX Bisnis Distro dengan Metode Design Thinking and Lean Start-Up Yudho Yudhanto; Winita Sulandari; Fiddin Yusfida A'La; Dedy Eka Timbul Prayoga; Aulia Miftakhul Qisti; Dimas Prasetyo Utomo; Saifu Rohman
IJAI (Indonesian Journal of Applied Informatics) Vol 9, No 2 (2025)
Publisher : Universitas Sebelas Maret

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20961/ijai.v9i2.94801

Abstrak : Distro X, merupakan salah satu vendor konveksi dan suvenir. Distro X menghadapi berbagai tantangan, salah satunya adalah kebutuhan untuk meningkatkan visibilitas usaha di dunia digital. Salah satunya adalah memiliki website untuk memperluas jangkauan pasar dan meningkatkan omzet penjualan, serta memudahkan platform pencarian. Dalam perancangan ini menggunakan kombinasi metode Design Thinking dan Lean Startup, yang dikenal efektif untuk desain UI/UX di industri kecil dan menengah. Pendekatan Design Thinking menekankan pemahaman mendalam terhadap kebutuhan pengguna dan memungkinkan terciptanya desain yang berfokus pada user experience. Sementara itu, metode Lean Startup memfasilitasi iterasi cepat melalui prototyping dan validasi berulang, sehingga menghasilkan solusi yang lebih adaptif dan relevan dengan kebutuhan spesifik industri kecil dan menengah yang memiliki sumber daya terbatas. Kombinasi kedua pendekatan ini terbukti mampu menghasilkan desain UI/UX yang tidak hanya user-friendly, tetapi juga efisien dalam hal pengembangan dan biaya. Proses perancangan ini melibatkan tujuh tahapan, yaitu emphatize, define, ideate, prototype, test, learn, dan release. Setiap tahapan dilakukan dengan tujuan mendapatkan pemahaman mengenai kebutuhan pengguna, mengembangkan ide-ide inovatif, serta menguji desain secara langsung. Hasil dari tahapan tersebut adalah sebuah desain UI/UX website yang siap untuk dikembangkan oleh developer. Desain ini diwujudkan dalam bentuk prototype simulasi website yang memudahkan visualisasi sebelum implementasi penuh. Berdasarkan hasil usability test, desain UI/UX ini dinyatakan layak dengan tingkat kelayakan sebesar 80,2%. Secara detail hasil ini merupakan rerata dari faktor Learnability 73.4%, Flexibility 76.5%, Effectiveness 82.16%, Attitude 88.6%. Persentase ini menunjukkan bahwa desain yang dihasilkan telah memenuhi standar kelayakan usability yang baik, mengingat standar rata-rata tingkat kelayakan usability yang diterima secara umum adalah sekitar 70-75%. Dengan demikian, hasil ini menunjukkan bahwa desain UI/UX DIstro X berada di atas rata-rata, sehingga layak untuk dikembangkan lebih lanjut. Hal ini juga mengindikasikan bahwa pendekatan kombinasi Design Thinking dan Lean Startup memberikan kontribusi signifikan dalam menghasilkan desain yang efektif dan memenuhi ekspektasi pengguna, khususnya di industri kecil dan menengah.====================================================Abstract : Distro X is a vendor specializing in garment and souvenir production. Distro X faces various challenges, including the need to enhance its digital visibility. One of the key initiatives is to establish a website to expand market reach, boost sales, and facilitate discoverability through search engines. The design process for the website employed a combination of Design Thinking and Lean Startup methodologies, which are recognized for their effectiveness in UI/UX design within small and medium enterprises (SMEs). The Design Thinking approach emphasizes a deep understanding of user needs and allows for the creation of user-centered designs, while the Lean Startup methodology facilitates rapid iteration through prototyping and repeated validation, leading to more adaptive and relevant solutions tailored to the specific needs of SMEs with limited resources.The combination of these two approaches has proven effective in producing UI/UX designs that are not only user-friendly but also efficient in terms of development and cost. The design process involved seven stages: empathize, define, ideate, prototype, test, learn, and release. Each stage was undertaken with the aim of gaining a better understanding of user needs, developing innovative ideas, and directly testing the design. The outcome of these stages was a UI/UX design for the website, ready to be developed by the developer. This design was materialized in the form of a simulated prototype to facilitate visualization prior to full implementation. Based on the usability test results, the UI/UX design was deemed feasible with an overall usability score of 80.2%. Specifically, this result represents the average of the following factors: Learnability (73.4%), Flexibility (76.5%), Effectiveness (82.16%), and Attitude (88.6%). This percentage indicates that the produced design has met the standard for good usability, considering the general benchmark for usability acceptance ranges between 70-75%. Thus, these results show that the UI/UX design for DIstro X surpasses the average, making it suitable for further development. This also indicates that the combination of Design Thinking and Lean Startup approaches contributes significantly to generating an effective design that meets user expectations, particularly in small and medium industries.

Penerapan Algoritma C4.5 untuk Optimalisasi Manajemen Stok Obat di Apotek Nafa Farma Khairunnisa Amarullah; Rini Astuti; Willy Prihartono; Ryan Hamonangan
IJAI (Indonesian Journal of Applied Informatics) Vol 9, No 2 (2025)
Publisher : Universitas Sebelas Maret

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20961/ijai.v9i2.96224

Abstrak : Manajemen stok obat menjadi tantangan utama di apotek Nafa Farma untuk mencegah kelebihan atau kekurangan stok. Penelitian ini mengaplikasikan algoritma C4.5 sebagai metode klasifikasi untuk mendukung pengelolaan stok yang optimal. Data stok obat dari Januari sampai Desember 2023 dianalsis menggunakan pendekatan Knowledge Discovery in Database (KDD) dengan software RapidMiner. Penelitian ini menunjukkan bahwa algoritma C4.5 dapat meningkatkan efisiensi manajemen stok obat dengan akurasi 80,67% dan F1-score rata-rata 80.52% ini memberikan rekomendasi strategis untuk pengadaan obat. Obat kategori laku direkomendasikan untuk diutamakan dalam pengadaan, sementara obat tidak laku dapat dikurangi pembeliannya untuk menghindari pemborosan. Algoritma C4.5 efektif untuk meningkatkan efisiensi pengelolaan stok obat====================================================Abstract : Drug stock management is a major challenge at Nafa Farma pharmacy to prevent excess or shortage of stock. This research applies the c4.5 algorithm as a classification method to support optimal stock management. Drug stock data from January to December 2023 was analyzed using a Knowledge Discovery in Database (KDD) approach with RapidMiner software. This study shows that the C4.5 algorithm can improve the efficiency of drug stock management with an accuracy of 80.67% and an average F1-score of 80.52%, providing strategic recommendations for drug procurement. Sellable category drugs are recommended to be prioritized in procurement, while unsellable drugs can be reduced in purchase to avoid waste. The C4.5 algorithm is effective in improving the efficiency of drug stock management.

Klasifikasi Ancaman Keamanan Siber Menggunakan Algoritma Naive Bayes Irwan Budianto; Nurchim Nurchim; Hanifah Permatasari
IJAI (Indonesian Journal of Applied Informatics) Vol 9, No 2 (2025)
Publisher : Universitas Sebelas Maret

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20961/ijai.v9i2.104668

Abstrak : Saat ini keamanan siber menjadi permasalahan utama didalam tata kelola keamanan informasi Pemerintah Daerah. Untuk mencegah terjadinya kerugian akibat serangan siber maka perlu dilakukan identifikasi dan klasifikasi terhadap ancaman siber secara cepat dan akurat. Sehingga diperlukan sebuah system untuk mengklasifikasikan ancaman siber yang terjadi. Penelitian ini adalah membangun sistem klasifikasi ancaman keamanan siber menggunakan algoritma Naive Bayes sehingga dapat dilakukan analisis data ancaman secara efektif dan mengklasifikasikan jenis ancaman dengan akurasi yang tinggi. Metode yang digunakan adalah pengumpulan dataset terkait log aktifitas serangan yang terekam di aplikasi Wazuh. Selanjutnya dilakukan preprocessing data untuk mendapatkan atribut yang sesuai dengan kebutuhan sistem. Penerapan algoritma Naive Bayes digunakan sebagai metode klasifikasi berdasarkan probabilitas atribut terhadap kategori ancaman. Hasil penelitian menunjukkan bahwa algoritma Naive Bayes mampu mengklasifikasikan ancaman keamanan siber dengan akurasi yang baik, sehingga dari system yang dibangun dapat ditentukan bahwa serangan yang terjadi pada area sistem operasi server atau aplikasi web serta mampu memberikan dukungan pengambilan keputusan yang lebih cepat dalam mitigasi serangan. Hasil pengujian menunjukkan performa yang sangat baik dari model Naive Bayes pada kedua kelas yaitu presisi=0.98, recall=1, f1-score=0.99, support=57.===================================================Abstract :Currently, cybersecurity is a major problem in the governance of regional government information security. To prevent losses due to cyber attacks, it is necessary to identify and classify cyber threats quickly and accurately. So a system is needed to classify cyber threats that occur. This study is to build a cybersecurity threat classification system using the Naive Bayes algorithm so that threat data analysis can be carried out effectively and classify types of threats with a high level of accuracy. The method used is collecting datasets related to attack activity logs recorded in the Wazuh application. Furthermore, data preprocessing is carried out to obtain attributes that match system needs. The Naive Bayes algorithm is implemented as a classification technique that evaluates the probability of attributes relative to threat categories. The findings indicate that this algorithm effectively categorizes cybersecurity threats with high accuracy. Consequently, the developed system can identify whether an attack targets the server operating system or the web application, while also enabling faster decision-making to support attack mitigation. The Naive Bayes model performs exceptionally well in both classes according to the test results, with precision=0.98, recall=1, f1-score=0.99, and support=57.

Home Page

OAI Link

Editorial Team

Contact

Reviewer

Google Scholar

Contact Name
Fendi Aji Purnomo

Contact Email
fendi_aji@mipa.uns.ac.id

Phone
-

Journal Mail Official
ijai@mipa.uns.ac.id

Editorial Address
-

Location
Kota surakarta,

Jawa tengah

INDONESIA

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Home Page

OAI Link

Editorial Team

Contact

Reviewer

Google Scholar

Contact Name Fendi Aji Purnomo

Contact Email fendi_aji@mipa.uns.ac.id

Phone -

Journal Mail Official ijai@mipa.uns.ac.id

Editorial Address -

Location Kota surakarta, Jawa tengah INDONESIA

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Contact Name
Fendi Aji Purnomo

Contact Email
fendi_aji@mipa.uns.ac.id

Phone
-

Journal Mail Official
ijai@mipa.uns.ac.id

Editorial Address
-

Location
Kota surakarta,

Jawa tengah

INDONESIA