Fakultas Ilmu Komputer dan Teknologi Informasi http://localhost:8080/handle/123456789/22031 2026-10-26T15:46:52Z 2026-10-26T15:46:52Z MUHAMMAD, AGIL ARIQHO http://localhost:8080/handle/123456789/32461 2026-10-26T11:44:44Z 2026-10-16T00:00:00Z

SISTEM INFORMASI GEOGRAFIS PENYEBARAN PENYAKIT GANODERMA PADA KELAPA SAWIT MENGGUNAKAN METODE SIMPLE ADDITIVE WIGHTING (SAW) STUDI KASUS PT. TUNGGAL MITRA PLANTATIONS MUHAMMAD, AGIL ARIQHO Penyakit Ganoderma merupakan salah satu penyakit yang dapat mengganggu pertumbuhan dan produktivitas tanaman kelapa sawit. Penyebaran penyakit yang berkaitan dengan lokasi blok perkebunan membutuhkan proses pemantauan dan pengolahan data yang terintegrasi agar informasi mengenai kondisi perkebunan dapat disajikan secara lebih sistematis. Penelitian ini bertujuan untuk merancang dan mengimplementasikan Sistem Informasi Geografis (SIG) berbasis web yang mampu memetakan penyebaran penyakit Ganoderma sekaligus menentukan prioritas penanganan setiap blok perkebunan menggunakan metode Simple Additive Weighting (SAW).

2026-10-16T00:00:00Z DIFFA, AKBAR PULUNGAN http://localhost:8080/handle/123456789/32453 2026-10-26T08:26:30Z 2026-08-10T00:00:00Z

SEGMENTASI LOYALITAS PELANGGAN MENGGUNAKAN MODEL LRFM DAN ALGORITMA K-MEDOIDS PADA UMKM ABANG JENGGOT MOSLEM STORE DIFFA, AKBAR PULUNGAN Penelitian ini bertujuan untuk melakukan segmentasi loyalitas pelanggan pada UMKM Abang Jenggot Moslem Store menggunakan model LRFM (Length, Recency, Frequency, Monetary) dan algoritma K-Medoids sebagai dasar dalam penyusunan strategi pemasaran yang lebih efektif dan tepat sasaran. Data yang digunakan berupa 100 data pelanggan dengan 336 transaksi selama periode Januari–Mei 2026. Model LRFM digunakan untuk merepresentasikan karakteristik pelanggan berdasarkan lama hubungan dengan usaha, waktu transaksi terakhir, frekuensi pembelian, dan total nilai transaksi. Selanjutnya, algoritma K-Medoids diterapkan untuk mengelompokkan pelanggan berdasarkan tingkat kemiripan karakteristik LRFM menggunakan jarak Euclidean. Hasil penelitian menunjukkan bahwa terbentuk empat kelompok pelanggan, yaitu cluster loyal sebanyak 9%, potensial sebanyak 58%, risiko sebanyak 12%, dan baru sebanyak 21%, dengan total cost minimum sebesar Rp17.810.009. Proses clustering dinyatakan konvergen pada iterasi pertama karena total cost pada iterasi kedua mengalami peningkatan sebesar Rp350.047. Medoid akhir yang diperoleh adalah P074 untuk cluster loyal, P048 untuk cluster potensial, P076 untuk cluster risiko, dan P015 untuk cluster baru. Hasil segmentasi tersebut dapat digunakan sebagai dasar dalam menentukan strategi pemasaran yang berbeda sesuai karakteristik setiap kelompok pelanggan. Sistem berbasis web yang dikembangkan juga mampu membantu proses pengelolaan data, perhitungan clustering, dan evaluasi hasil segmentasi secara lebih cepat, objektif, dan efisien.

2026-08-10T00:00:00Z FELISIA, AQUERAH http://localhost:8080/handle/123456789/32451 2026-10-26T08:10:10Z 2026-09-14T00:00:00Z

KLASIFIKASI FAST-MOVING DAN SLOW-MOVING TERHADAP DATA TRANSAKSI PENJUALAN MENGGUNAKAN ALGORITMA XGBOOST PADA PT RODES CHEMINDO FELISIA, AQUERAH Salah satu komponen kunci dalam mendukung operasional perusahaan adalah manajemen persediaan, terutama dalam menentukan ketersediaan dan pergerakan produk. PT Rodes Chemindo masih mengidentifikasi barang-barang yang cepat laku dan lambat laku secara manual menggunakan Microsoft Excel. Prosedur ini tidak memanfaatkan sepenuhnya data transaksi perusahaan yang sangat besar, relatif memakan waktu, dan rentan terhadap kesalahan manusia. Metode Extreme Gradient Boosting (XGBoost) akan digunakan dalam penelitian ini untuk menganalisis dan mengkategorikan barang berdasarkan pergerakannya ke dalam kategori “Barang yang Cepat Terjual” dan “Barang yang Lambat Terjual”. Selain itu, sistem berbasis web akan dikembangkan untuk mengotomatiskan proses klasifikasi ini. Kumpulan data ini terdiri dari 17.973 transaksi penjualan PT Rodes Chemindo yang tercatat antara Januari dan Desember 2025. Sebanyak 413 item berbeda diidentifikasi sebagai objek klasifikasi dengan menggunakan jumlah penjualan total (total_qty) dan frekuensi transaksi sebagai fitur utama setelah prapemrosesan data, agregasi, dan rekayasa fitur. Rasio Perputaran (Turnover Ratio/TOR) digunakan untuk menentukan kategori Barang yang Cepat Terjual dan Barang yang Lambat Terjual. Selanjutnya, dataset tersebut dibagi menjadi 330 set pelatihan dan 83 set uji dengan rasio 80:20 dan random_state = 42. Teknik XGBoost, dengan laju pembelajaran sebesar 0,1, kedalaman pohon maksimum 5, dan 100 estimator, digunakan untuk membangun model klasifikasi. Confusion Matrix, Accuracy, Precision, Recall, dan F1-Score digunakan untuk mengevaluasi kinerja model. Model XGBoost mencapai nilai Accuracy, Precision, Recall, dan F1-Score sebesar 1,00 atau 100%, berdasarkan hasil evaluasi terhadap 83 titik data uji. Hal ini berartiseluruh data uji diklasifikasikan dengan benarsesuai dengan label yang telah ditentukan sebelumnya dalam dataset penelitian. Model tersebut kemudian diintegrasikan ke dalam sistem berbasis web yang mendukung pengunggahan data, pemrosesan, klasifikasi, serta penyajian hasil melalui tabel dan visualisasi menggunakan Flask dan MySQL. Untuk meningkatkan pengambilan keputusan dalam manajemen persediaan PT Rodes Chemindo, algoritma XGBoost dapat diimplementasikan dalam sistem berbasis web guna mengotomatiskan klasifikasi produk dan menghasilkan data yang lebih terorganisir.

2026-09-14T00:00:00Z MHD. ALWI, AZMI HARAHAP http://localhost:8080/handle/123456789/32448 2026-10-26T08:04:18Z 2026-07-13T00:00:00Z

IMPLEMENTASI PRIORITY SCHEDULING UNTUK OPTIMASI PERFORMA GAMING PADA SISTEM OPERASI WINDOWS MHD. ALWI, AZMI HARAHAP Penelitian ini bertujuan untuk mengimplementasikan metode Priority Scheduling dalam pengembangan perangkat lunak optimasi performa gaming pada sistem operasi Windows. Permasalahan utama yang diatasi adalah fenomena micro-stutters dan latensi input yang disebabkan oleh pembagian kuantum waktu CPU secara merata antara proses permainan dan ratusan proses latar belakang sistem operasi. Perangkat lunak bernama CorePriority Optimizer dikembangkan menggunakan arsitektur hibrida Electron.js, React.js, dan PowerShell Persistent Session untuk melakukan automasi manipulasi Process Priority Class, pengaturan registri Multimedia Class Scheduler Service (MMCSS), serta perapatan HighResolution Timer ke 0,5 ms secara real-time. Pengujian dilakukan pada lima objek permainan (Honkai: Star Rail, Wuthering Waves, dan Zenless Zone Zero) dengan metode pengulangan 10 kali per skenario menggunakan instrumen analitik CapFrameX. Hasil pengujian menunjukkan peningkatan stabilitas 1% Low FPS sebesar +25,6% pada Honkai: Star Rail, +31,5% pada Wuthering Waves, dan +31,5% pada Zenless Zone Zero, serta peningkatan 0,1% Low FPS hingga +167,1%, reduksi beban CPU hingga 8,51%, dan penurunan suhu operasional CPU hingga 8,21 °C pada prasetel Maximum. Mekanisme keamanan Protected System Blocklist dan Auto-Restore Snapshot terbukti 100% efektif menjaga integritas sistem operasi selama 2000 menit total durasi pengujian tanpa terjadi crash maupun BSOD.

2026-07-13T00:00:00Z