Sistem Informasi http://repository.umsu.ac.id/handle/123456789/22035 2026-05-26T15:17:44Z 2026-05-26T15:17:44Z PANDIA, REZA ANANDA http://repository.umsu.ac.id/handle/123456789/31237 2026-05-26T03:28:42Z 2026-02-11T00:00:00Z

SISTEM PAKAR UNTUK MENDIAGNOSA PENYAKIT PADA TANAMAN JAMBU MADU MENGGUNAKAN METODE CERTAINTY FACTOR PANDIA, REZA ANANDA Perkembangan teknologi informasi yang pesat mendorong pemanfaatan kecerdasan buatan sebagai sarana pendukung pengambilan keputusan, salah satunya melalui penerapan sistem pakar. Tanaman jambu madu merupakan varietas unggulan yang banyak dibudidayakan, namun dalam proses budidayanya sering mengalami gangguan penyakit yang memerlukan penanganan secara cepat dan tepat. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem pakar dalam mendiagnosa penyakit pada tanaman jambu madu menggunakan metode certainty factor. Data yang digunakan dalam penelitian ini terdiri dari 9 data penyakit dan 32 data gejala yang diperoleh berdasarkan pengetahuan pakar dan studi literatur. Metode certainty factor digunakan untuk menghitung tingkat keyakinan diagnosa berdasarkan gejala yang dipilih oleh pengguna dan nilai kepercayaan dari pakar. Hasil penelitian menunjukkan bahwa sistem pakar yang dibangun mampu menghasilkan diagnosa yang sesuai, di mana hasil perhitungan sistem menunjukkan kesesuaian dengan perhitungan manual dan pendapat pakar, sehingga sistem dapat digunakan sebagai alat bantu diagnosa awal penyakit tanaman jambu madu.

2026-02-11T00:00:00Z PANE, RAHMAD NAWI http://repository.umsu.ac.id/handle/123456789/31236 2026-05-26T03:26:04Z 2026-03-30T00:00:00Z

ANALISIS SENTIMEN SPAYLATER DAN SPINJAM PADA APLIKASI SHOPEE MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE (SVM) PANE, RAHMAD NAWI Perkembangan teknologi informasi dan meningkatnya penggunaan aplikasi e-commerce menghasilkan banyak ulasan pengguna yang dapat dimanfaatkan untuk mengetahui tingkat kepuasan terhadap suatu layanan. SPayLater dan SPinjam sebagai fitur pada aplikasi Shopee juga menerima berbagai tanggapan berupa sentimen positif, negatif, dan netral, sehingga diperlukan metode untuk menganalisis sentimen secara otomatis. Penelitian ini bertujuan untuk menganalisis sentimen pengguna serta menerapkan algoritma Support Vector Machine (SVM) dalam mengklasifikasikan ulasan. Data yang digunakan sebanyak 500 ulasan dari Google Play Store. Metode yang digunakan meliputi preprocessing, pelabelan, dan klasifikasi menggunakan SVM. Hasil penelitian menunjukkan bahwa terdapat 231 sentimen positif, 230 sentimen negatif, dan 39 sentimen netral. Evaluasi model menghasilkan accuracy sebesar 74%, precision 0,78, dan recall 0,84, yang menunjukkan kinerja model cukup baik. Sistem yang dibangun juga mampu mengolah data secara otomatis dan menampilkan hasil klasifikasi dengan baik. Dengan demikian, algoritma SVM efektif digunakan dalam analisis sentimen terhadap layanan SPayLater dan SPinjam pada aplikasi Shopee.

2026-03-30T00:00:00Z SIREGAR, AYU ASTUTI http://repository.umsu.ac.id/handle/123456789/31111 2026-05-21T03:03:32Z 2026-04-30T00:00:00Z

ANALISIS SENTIMEN PELANGGAN TERHADAP PRODUK UMKM DI MEDIA SOSIAL MENGGUNAKAN ALGORITMA NAÏVE BAYES UNTUK MENGETAHUI PERSEPSI KONSUMEN TERHADAP KUALITAS PRODUK SIREGAR, AYU ASTUTI Media sosial menjadi salah satu sarana bagi konsumen untuk menyampaikan pendapat dan pengalaman mereka terhadap suatu produk, termasuk produk UMKM. Komentar yang diberikan pelanggan di media sosial mengandung berbagai sentimen yang dapat mencerminkan persepsi konsumen terhadap kualitas produk. Penelitian ini bertujuan untuk menganalisis sentimen pelanggan terhadap produk UMKM di media sosial menggunakan algoritma Naïve Bayes untuk mengetahui persepsi konsumen terhadap kualitas produk. Data yang digunakan dalam penelitian ini berupa komentar pelanggan yang diperoleh dari media sosial. Tahapan penelitian meliputi pengumpulan data, pelabelan data secara manual, proses preprocessing, pembagian data menjadi data latih dan data uji, serta proses klasifikasi menggunakan algoritma Naïve Bayes. Hasil dari penelitian ini menunjukkan bahwa metode Naïve Bayes dapat digunakan untuk mengklasifikasikan sentimen pelanggan ke dalam kategori positif, negatif dan netral sehingga dapat memberikan gambaran mengenai persepsi konsumen terhadap kualitas produk UMKM di media sosial. Penelitian ini diharapkan dapat membantu pelaku UMKM dalam memahami opini pelanggan serta sebagai bahan evaluasi dalam meningkatkan kualitas produk.

2026-04-30T00:00:00Z MAULANA, MEIDY AFIF http://repository.umsu.ac.id/handle/123456789/31051 2026-05-19T08:22:14Z 2026-03-11T00:00:00Z

E-PREDICTION BITCOIN SEBAGAI ASET INVESTASI MODERN: PERBANDINGAN KINERJA DALAM KONTEKS ‘EMAS DIGITAL’ MENGGUNAKAN MODEL PREDIKTIF LONG SHORT-TERM MEMORY (LSTM) DAN ARIMA MAULANA, MEIDY AFIF Bitcoin telah bertransformasi menjadi fenomena ekonomi global, sering kali diposisikan sebagai "Emas Digital" yang menawarkan lindung nilai di tengah ketidakpastian pasar. Namun, volatilitas harga yang ekstrem menjadi tantangan utama bagi investor dalam mengambil keputusan yang presisi. Penelitian ini bertujuan untuk melakukan komparasi empiris kinerja antara dua pendekatan peramalan yang berbeda: metode statistik klasik AutoRegressive Integrated Moving Average (ARIMA) dan algoritma Deep Learning Long Short-Term Memory (LSTM). Penelitian menggunakan data time-series harga harian Bitcoin periode 1 Januari 2020 hingga 31 Desember 2024, mencakup berbagai siklus pasar mulai dari fase bull run hingga crypto winter. Sistem dibangun melalui tahapan pra pemrosesan data yang ketat, meliputi uji stasioneritas untuk ARIMA dan normalisasi Min-Max untuk LSTM, serta diimplementasikan ke dalam prototipe dashboard berbasis web menggunakan kerangka kerja Streamlit. Evaluasi kinerja dilakukan menggunakan metrik standar Mean Absolute Percentage Error (MAPE) dan Root Mean Squared Error (RMSE). Hasil pengujian menunjukkan temuan yang signifikan bahwa model ARIMA (1,1,1) terbukti lebih superior dibandingkan LSTM dalam memetakan pola pergerakan harga Bitcoin pada dataset ini. ARIMA mencatatkan tingkat akurasi yang lebih tinggi dengan nilai MAPE sebesar 1.77% dan RMSE $1,570.54, sementara model LSTM dengan arsitektur Stacked 2 Hidden Layers menghasilkan MAPE sebesar 3.19% dan RMSE $2,137.93. Penelitian ini menyimpulkan bahwa meskipun LSTM memiliki kemampuan komputasi yang kompleks, pendekatan statistik ARIMA menunjukkan stabilitas dan efisiensi yang lebih baik dalam menangani tren linear pada data harga Bitcoin periode pengujian. Sistem E-Prediction yang dihasilkan diharapkan dapat menjadi instrumen pendukung keputusan yang andal bagi investor dalam menavigasi pasar aset kripto.

2026-03-11T00:00:00Z