Scientific Student Journal for Information, Technology and Science

Perbandingan Algoritma Support Vector Regression (SVR) dan Linear Regression untuk Memprediksi Harga Saham Studi Kasus PT Bukit Asam Tbk

Ahmad Takdir — 2026-01-31

Pada era digital saat ini, peningkatan ekonomi di dalam dunia investasi dapat dengan mudah diakses karena banyaknya platform penyedia layanan investasi. Saham merupakan salah satu alat investasi yang laju perubahan harga dari suatu perusahaan terbilang cukup cepat. Oleh karena itu, dibutuhkan suatu model data yang dapat mengelola data dalam jangka waktu yang lama untuk memprediksi harga saham. Pada penelitian ini, algoritma Support Vector Regression (SVR) dan Linear Regression digunakan sebagai metode untuk memprediksi harga saham dengan menggunakan bahasa pemrograman Python dan perangkat lunak pengolahan data, yaitu tools WEKA GUI. Proses penelitian ini berfokus pada penerapan dan perbandingan algoritma, serta untuk mengetahui tingkat akurasi algoritma yang paling baik. Data yang digunakan adalah data transaksi saham selama lima tahun dengan jumlah sebanyak 1.010 data. Hasil penelitian menunjukkan bahwa algoritma Support Vector Regression (SVR) dan Linear Regression mampu memprediksi harga saham. Nilai error RMSE (Root Mean Squared Error) terkecil diperoleh oleh algoritma Linear Regression sebesar 62,9307 dengan pemrograman Python, sedangkan algoritma Support Vector Regression (SVR) menghasilkan nilai error terkecil sebesar 64,1746 dengan pemrograman Python.

Klasifikasi Penerima Bantuan Rumah Tidak Layak Huni Desa Labansari Menggunakan Algoritma C4.5

Ahmad Zaelani — 2026-01-31

Program bantuan rumah tidak layak huni merupakan program bantuan sosial untuk meringankan keluarga berpenghasilan rendah dalam membangun rumah yang layak huni. Data calon penerima bantuan rumah tidak layak huni yang digunakan pada penelitian ini berjumlah 111 data. Ketidakakuratan penyaluran bantuan rumah tidak layak huni terjadi karena tidak adanya metode dalam menentukan penerima bantuan tersebut. Penyaluran bantuan yang tidak tepat sasaran akan berdampak pada pembangunan rumah yang tidak selesai. Oleh karena itu, untuk memperkecil kesalahan dalam pengambilan keputusan, data diklasifikasikan menggunakan algoritma C4.5. Perhitungan algoritma C4.5 menghasilkan nilai akurasi, presisi, recall, serta pohon keputusan dari data yang diolah. Pengujian yang dilakukan menggunakan Microsoft Excel menghasilkan akurasi 100%, presisi 100%, dan recall 100%. Sementara itu, pengujian menggunakan bahasa pemrograman Python juga memperoleh hasil akurasi 100%, presisi 100%, dan recall 100%.

Identifikasi Citra Penggunaan Masker Secara Real-Time dengan Arsitektur CNN pada Metode YOLO

Aldo Zamaludin Fernando — 2026-01-31

Pada masa pandemi, masih banyak masyarakat yang kurang tertib dalam mematuhi protokol kesehatan, terutama dalam penggunaan masker, baik pada aktivitas di dalam ruangan maupun di luar ruangan. Oleh karena itu, diperlukan sebuah sistem yang dapat mendeteksi atau mengidentifikasi objek berupa penggunaan masker. Pada penelitian ini digunakan metode YOLO yang memiliki arsitektur dari algoritma Convolutional Neural Network (CNN), dengan memanfaatkan Darknet-53 untuk melatih (training) model pada metode YOLO agar dapat mendeteksi objek secara real-time. Dalam proses identifikasi objek penggunaan masker menggunakan metode YOLO, sistem dapat berjalan dengan baik dan mampu mendeteksi objek dengan tingkat akurasi yang cukup baik. Hasil pengujian menunjukkan nilai precision sebesar 74%, nilai recall sebesar 50%, dan tingkat akurasi sebesar 74%. Dengan demikian, sistem dapat dikatakan berhasil dalam mengidentifikasi penggunaan masker menggunakan metode YOLO dengan tingkat keakuratan yang cukup baik.

Implementasi Algoritma Naïve Bayes Classifier pada Sistem Pakar Diagnosis Penyakit Gigi Manusia

Destanto Muhamad Yusuf — 2026-01-31

Penyakit gigi muncul akibat gaya hidup konsumtif yang tidak sehat. Mengonsumsi makanan atau minuman yang bersifat manis dan lengket, yang berpotensi tertinggal pada sela-sela gigi, merupakan penyebab utama munculnya masalah kesehatan gigi. Hal ini diperparah ketika kebersihan gigi dan mulut tidak diperhatikan. Biaya perawatan kesehatan gigi yang mahal juga menjadi masalah tersendiri bagi masyarakat, sehingga kesadaran masyarakat dalam menjaga kesehatan gigi ikut menurun. Aplikasi sistem pakar diagnosis penyakit gigi pada manusia dibangun dengan menerapkan algoritma Naïve Bayes Classifier, dengan tujuan membantu masyarakat dalam melakukan diagnosis atau screening tahap awal terhadap penyakit atau gangguan kesehatan gigi. Hasil pengujian aplikasi menggunakan 25 data gejala, 6 data penyakit, serta total 20 data uji rekomendasi yang seluruh datanya diperoleh dari pakar menunjukkan bahwa, dari keseluruhan data pengujian, aplikasi mampu memberikan hasil yang sesuai dengan keputusan pakar. Selanjutnya, dilakukan perhitungan nilai rerata akurasi sistem dan diperoleh nilai rerata sebesar 100%. Dengan demikian, dapat disimpulkan bahwa keputusan yang dihasilkan oleh aplikasi sistem pakar dinyatakan valid dan sesuai dengan keputusan pakar.

Penerapan Algoritma Support Vector Machine (SVM) untuk Klasifikasi Keluarga Sejahtera

Dwi Tian Tonara — 2026-01-31

Setiap keluarga menginginkan kehidupan yang sejahtera serta mampu memenuhi kebutuhan, baik primer maupun sekunder. Kartu Keluarga Sejahtera merupakan salah satu program pemerintah yang bertujuan untuk menanggulangi kemiskinan. Penentuan penerima bantuan pemerintah agar tepat sasaran dapat dilakukan melalui klasifikasi keluarga yang layak dan tidak layak menerima bantuan. Data yang digunakan dalam penelitian ini diperoleh dari Pemerintah Desa Mekarmaya sebanyak 432 data, yang terdiri atas 25 data keluarga layak dan 407 data keluarga tidak layak. Data tersebut kemudian diklasifikasikan menggunakan algoritma Support Vector Machine (SVM). Pengujian dilakukan menggunakan Orange dan bahasa pemrograman Python, dengan hasil klasifikasi berupa 7 data keluarga layak dan 80 data keluarga tidak layak, serta tingkat akurasi sebesar 94%.

Perbandingan Algoritma K-Means dan DBSCAN Menggunakan Data Kunjungan Wisatawan Asing ke Indonesia di Masa Pandemi COVID-19

Muhamad Irfan Fadillah — 2026-01-31

Pandemi Covid-19 berskala global yang telah terjadi selama beberapa tahun terakhir berpengaruh secara signifikan terhadap berbagai sektor. Pariwisata menjadi sektor yang paling terdampak oleh pandemi Covid-19 karena upaya menahan peningkatan jumlah orang yang terinfeksi dilakukan dengan membatasi pergerakan manusia, sehingga wisatawan asing tidak dapat leluasa bepergian ke luar negeri. Data yang tersedia di Badan Pusat Statistik (BPS) mengenai kunjungan wisatawan mancanegara ke Indonesia pada masa pandemi masih berupa data mentah dan belum diolah menggunakan bahasa pemrograman maupun melalui berbagai kajian ilmiah. Subjek penelitian ini berfokus pada permasalahan data pariwisata mancanegara tersebut. Berdasarkan rangkuman yang dilakukan dalam penelitian ini, penerapan algoritma K-Means dan DBSCAN memerlukan beberapa tahapan dalam pengolahan data pariwisata mancanegara, yaitu pengumpulan data, seleksi data, serta implementasi algoritma K-Means dan algoritma DBSCAN. Setelah hasil pengelompokan diperoleh, dilakukan evaluasi menggunakan metode Silhouette Coefficient. Hasil perhitungan evaluasi menunjukkan bahwa algoritma DBSCAN menghasilkan nilai Silhouette Coefficient sebesar 0,91962, yang lebih rendah dibandingkan dengan algoritma K-Means yang memiliki nilai sebesar 0,96234. Dengan demikian, dapat disimpulkan bahwa pada penelitian ini algoritma K-Means memiliki kinerja yang lebih baik dibandingkan algoritma DBSCAN dalam pengelompokan dataset kunjungan wisatawan mancanegara yang digunakan.

Sistem Pendukung Keputusan Siswa Terbaik di SMK Yayasan Baetussa’diyah Tirtamulya Menggunakan Metode Weighted Product

Putra Rizki Pangestu — 2026-01-31

Perkembangan teknologi informasi pada masa modern ini dapat menunjang berbagai aktivitas manusia. Salah satu perkembangan teknologi informasi telah merambah ke bidang pendidikan. Sistem Pendukung Keputusan siswa terbaik merupakan sebuah aplikasi yang berguna untuk menentukan siswa berprestasi. Data siswa yang digunakan dalam penelitian ini berjumlah 39 siswa, yang diperoleh melalui wawancara dan observasi dengan seorang guru. Penelitian ini bertujuan untuk membangun Sistem Pendukung Keputusan siswa terbaik serta mengaplikasikan metode Weighted Product di SMK Yayasan Baetussa’diyah Tirtamulya. Tahap awal yang dilakukan adalah normalisasi bobot setiap kriteria untuk memperoleh bobot perbaikan. Hasil normalisasi bobot menunjukkan bahwa nilai rata-rata memiliki bobot 40%, presensi 40%, keaktifan organisasi 10%, serta prestasi akademik dan nonakademik sebesar 10%. Setelah proses normalisasi, langkah selanjutnya adalah menghitung nilai vektor S dari setiap alternatif. Selanjutnya, nilai vektor S tersebut diolah untuk memperoleh nilai vektor V, yang kemudian digunakan untuk menentukan hasil akhir. Model waterfall diterapkan dalam penelitian ini karena merupakan salah satu model SDLC yang banyak digunakan dalam pengembangan perangkat lunak. Hasil dari penelitian ini dapat diimplementasikan untuk membantu pemilihan siswa terbaik di SMK Yayasan Baetussa’diyah Tirtamulya.

Pengenalan Objek Alfabet American Sign Language (ASL) Menggunakan Algoritma YOLOv5

Rishma Maudyna — 2026-01-31

Kurangnya penggunaan bahasa isyarat dalam berkomunikasi mengakibatkan minimnya pengetahuan masyarakat terkait metode komunikasi menggunakan bahasa isyarat. Model algoritma YOLOv5 banyak digunakan untuk deteksi objek dan mampu menghasilkan tingkat akurasi yang tinggi. Oleh karena itu, penelitian ini dilakukan untuk mendeteksi dan mengenali objek alfabet dari American Sign Language (ASL) menggunakan YOLOv5. Tujuan penelitian ini adalah untuk mengetahui hasil deteksi dan menganalisis performa model YOLOv5, serta mengevaluasi hasilnya menggunakan Confusion Matrix. Tahapan penelitian yang dilakukan meliputi pengumpulan dataset dan anotasi objek menggunakan Roboflow. Untuk mengetahui performa model YOLOv5, dilakukan perbandingan antara pelatihan dengan 200 epoch dan 300 epoch. Hasil pengujian model YOLOv5 pada kedua epoch tersebut menunjukkan bahwa dari 26 kelas huruf alfabet, nilai Mean Average Precision (mAP) dengan confidence threshold rata-rata mencapai 0,950 pada [email protected]. Nilai precision pada 200 dan 300 epoch masing-masing sebesar 1 dan 0,7428. Nilai recall pada 200 dan 300 epoch masing-masing sebesar 0,7878 dan 0,7027. Pada epoch 200 dan 300 diperoleh nilai akurasi tertinggi sebesar 0,96, sedangkan nilai akurasi terendah terdapat pada epoch 200 dengan nilai 0,85.

Rancang Bangun Otomatisasi Penjernihan Air Sumur Berbasis Arduino Menggunakan Algoritma Fuzzy Mamdani

Ruliawan Hamdan — 2026-01-31

Air merupakan sumber kebutuhan yang disediakan oleh alam bagi hewan, tumbuhan, dan manusia. Air dimanfaatkan masyarakat sebagai penunjang berbagai kebutuhan dalam kehidupan sehari-hari. Masyarakat di Kecamatan Tirtajaya menggunakan air sumur sebagai kebutuhan primer. Namun demikian, kualitas air sumur di setiap wilayah Kecamatan Tirtajaya tidaklah sama, seperti kondisi air yang keruh dan berbau pada beberapa sumur. Kualitas air sumur yang buruk dapat berdampak terhadap masalah kesehatan. Kualitas air yang buruk dapat diperbaiki dengan penggunaan tawas sebagai media penjernihan air. Akan tetapi, masyarakat belum mengetahui proses penggunaan tawas yang benar pada air sumur. Salah satu cara untuk menjernihkan air adalah dengan memanfaatkan teknologi di bidang mikrokontroler, yaitu Arduino, guna mengatasi permasalahan kualitas air sumur. Oleh karena itu, dirancang sebuah prototipe pengolahan air berbasis Arduino dengan mengimplementasikan algoritma Fuzzy Mamdani. Prototipe ini bertujuan untuk menghasilkan pengolahan air yang lebih baik melalui penggunaan tawas pada air sumur. Perancangan dilakukan dengan menerapkan metode waterfall pada proses pembuatan desain hingga terbentuknya prototipe. Hasil pengujian menunjukkan nilai rata-rata ADC dan NTU pada tiga kali pengujian, yaitu sebesar 918 ADC, 913 ADC, dan 910 ADC, serta 0,56 NTU, 9,5 NTU, dan 20 NTU. Selain itu, sistem mampu mengimplementasikan algoritma Fuzzy Mamdani dengan nilai rata-rata tingkat kesalahan (error) sebesar 4,65% dan tingkat keberhasilan sebesar 95,35%.

Analisis Dampak SelectKBest dan SMOTEENN terhadap Akurasi Model Klasifikasi Penyakit Cacar Monyet Menggunakan Algoritma Machine Learning

Agung Triatna — 2026-01-31

Penyebaran cacar monyet yang cepat dan sulit dikendalikan membutuhkan metode prediksi penyakit yang akurat. Kesalahan prediksi false negative dapat menyebabkan infeksi tidak terdeteksi. Sebaliknya, diagnosis false positive menimbulkan kecemasan yang tidak perlu dan membebani fasilitas kesehatan dengan kasus yang sebenarnya tidak terinfeksi. Penelitian ini dilakukan untuk mengetahui pengaruh SelectKBest dan SMOTEENN terhadap akurasi model klasifikasi penyakit cacar monyet. Dataset yang digunakan berisi rekam medis gejala klinis pasien cacar monyet dengan dimensi (25.000, 11). Tahapan pengolahan data meliputi pengumpulan data, analisis data eksploratif (Exploratory Data Analysis / EDA), prapemrosesan, pemodelan, dan evaluasi. Penelitian ini menggunakan empat variasi dataset, yaitu dataset asli tanpa modifikasi, dataset hasil seleksi fitur menggunakan SelectKBest, dataset hasil resampling menggunakan SMOTEENN, serta dataset hasil kombinasi SelectKBest dan SMOTEENN. Hasil penelitian menunjukkan bahwa kombinasi SelectKBest dan SMOTEENN terbukti paling efektif dalam meningkatkan akurasi model klasifikasi. Algoritma XGBoost mencapai akurasi sebesar 100%, diikuti oleh Gradient Boosting dengan akurasi 98,57%, serta AdaBoost sebesar 89,97%. Temuan ini menunjukkan bahwa pemilihan fitur yang tepat, yang dikombinasikan dengan metode resampling data, mampu meningkatkan performa model dalam klasifikasi penyakit cacar monyet.

Penerapan Support Vector Machine pada Klasifikasi Kondisi Kematangan Cabai Rawit

Anggie Wiyani Putri — 2026-01-31

Cabai rawit (Capsicum frutescens) merupakan komoditas penting di Indonesia, namun ketergantungan impor masih tinggi akibat kendala sortasi dan distribusi yang tidak merata. Proses sortasi manual sering kali tidak akurat, sehingga cabai mentah, matang, atau rusak tercampur. Kondisi tersebut menurunkan kualitas dan nilai jual cabai rawit. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi otomatis kondisi kematangan cabai rawit menggunakan algoritma Support Vector Machine (SVM) dengan ekstraksi fitur kombinasi HSV, GLCM, dan Local Binary Pattern (LBP). Metode yang digunakan meliputi augmentasi data, segmentasi berbasis HSV thresholding, serta ekstraksi fitur warna dan tekstur. Hasil evaluasi menunjukkan bahwa model SVM dengan kernel RBF mencapai nilai rata-rata F1-Score sebesar 84%, dengan performa terbaik pada kelas matang yang memperoleh F1-Score sebesar 92%. Namun, kelas rusak memiliki nilai F1-Score yang lebih rendah, yaitu sebesar 71%, akibat ketidakseimbangan data. Simpulan dari penelitian ini menunjukkan bahwa kombinasi fitur HSV, GLCM, dan LBP efektif untuk klasifikasi kondisi kematangan cabai rawit. Meskipun demikian, diperlukan pengembangan dataset serta penerapan pendekatan deep learning, seperti CNN-SVM, untuk meningkatkan akurasi berdasarkan nilai F1-Score pada kelas minoritas.

Implementasi Metode Support Vector Machine untuk Mendeteksi Penggunaan Pemutih pada Berasvb

Diah Nurlaila — 2026-01-31

Penggunaan bahan pemutih pada beras merupakan praktik berbahaya yang masih sering dilakukan untuk meningkatkan daya tarik visual produk. Deteksi dini sangat penting untuk melindungi konsumen dari bahaya kesehatan yang ditimbulkan. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi menggunakan Support Vector Machine (SVM) guna mendeteksi penggunaan pemutih pada beras secara otomatis melalui analisis citra. Dataset yang digunakan terdiri atas 400 citra beras dengan dua kelas, yaitu beras normal dan beras pemutih. Tahapan penelitian meliputi praproses citra, ekstraksi fitur menggunakan Histogram of Oriented Gradients (HOG), histogram warna, dan Gray Level Co-occurrence Matrix (GLCM). Model SVM dengan berbagai pilihan kernel dilatih dan dievaluasi menggunakan confusion matrix. Hasil pengujian menunjukkan bahwa performa terbaik dicapai oleh kernel RBF dengan akurasi sebesar 93,75%, precision 93,33%, recall 91,66%, dan F1-score 92,95%. Penelitian ini membuktikan bahwa kombinasi ekstraksi fitur HOG, histogram warna, dan GLCM dengan klasifikasi SVM efektif dalam mendeteksi penggunaan pemutih pada beras, sehingga dapat menjadi alat yang berguna untuk pengendalian kualitas pangan.

Klasterisasi Penggunaan Obat di Puskesmas Karawang Kulon Menggunakan Algoritma K-Means

Hilman Abdurrohim Azis — 2026-01-31

Pengelolaan stok obat di Puskesmas Karawang Kulon merupakan hal yang memegang peranan penting dalam mendukung kelancaran pemberian layanan kesehatan kepada masyarakat. Permasalahan yang sering muncul adalah ketidaksesuaian antara ketersediaan obat dan tingkat penggunaannya, yang berpotensi menimbulkan kekurangan atau penumpukan stok. Penelitian ini bertujuan untuk menerapkan algoritma K-Means Clustering guna mengkategorikan data pemakaian obat berdasarkan tingkat pemakaian tahunan, sehingga dapat digunakan sebagai dasar dalam perencanaan kebutuhan obat. Data yang digunakan bersumber dari laporan LPLPO tahun 2024 dan melalui tahapan integrasi, pembersihan, serta pengelompokan menggunakan algoritma K-Means. Hasil analisis menunjukkan bahwa data dapat dikategorikan ke dalam tiga kelompok, yaitu pemakaian tinggi, sedang, dan rendah. Pengelompokan ini memberikan gambaran yang lebih terstruktur terhadap pola pemakaian obat dan dapat dimanfaatkan untuk mendukung pengambilan keputusan dalam proses perencanaan pengadaan obat di masa mendatang.

Penerapan Algoritma Support Vector Machine untuk Klasifikasi Penyakit Daun Tanaman Padi melalui Citra

Irfan — 2026-01-31

Pertanian padi memiliki peran penting dalam perekonomian Indonesia, namun kerap terganggu oleh penyakit daun, seperti blast, blight, dan tungro. Penelitian ini mengembangkan metode klasifikasi citra daun padi menggunakan algoritma Support Vector Machine (SVM) untuk mendeteksi ketiga jenis penyakit tersebut. Penelitian ini menggunakan 240 data citra daun padi. Tahapan yang dilakukan meliputi prapemrosesan citra, seperti resizing, grayscale, peningkatan kontras, dan tahapan lainnya, dilanjutkan dengan ekstraksi fitur Local Binary Pattern (LBP), normalisasi data, serta validasi menggunakan metode 5-Fold Cross-Validation dengan kernel RBF. Model SVM yang dihasilkan mencapai akurasi sebesar 83,33%. Nilai precision dan recall masing-masing untuk penyakit blast adalah 81% dan 85%, blight sebesar 86,6% dan 97,5%, serta tungro sebesar 82,29% dan 67,5%. Nilai F1-score tertinggi diperoleh pada kelas blight sebesar 91,72%, sedangkan nilai terendah terdapat pada kelas tungro sebesar 74,34%. Meskipun akurasi yang diperoleh tergolong cukup tinggi, model masih mengalami kesulitan dalam mengenali penyakit tungro. Hal ini menunjukkan perlunya peningkatan metode pemrosesan data dan pengembangan pendekatan lanjutan agar kinerja klasifikasi dapat ditingkatkan.

Penerapan Smart Contract Ethereum pada Aplikasi Crowdfunding dengan Keamanan Keccak-256

M. Naufal Faqih — 2026-01-31

Crowdfunding telah muncul sebagai metode yang populer untuk mengumpulkan dana secara daring. Namun, permasalahan seperti salah urus dana dan kurangnya transparansi masih sering terjadi. Penelitian ini bertujuan untuk mengatasi permasalahan tersebut dengan mengembangkan platform crowdfunding berbasis teknologi blockchain menggunakan smart contract pada Ethereum. Sistem yang dikembangkan menjamin transparansi, integritas, dan ketertelusuran transaksi dengan mencatat seluruh aktivitas secara permanen di blockchain. Setiap kampanye penggalangan dana diidentifikasi menggunakan ID unik yang dihasilkan melalui algoritma hashing Keccak-256, sehingga mampu mencegah duplikasi data serta memastikan proses pengindeksan yang aman. Proses pengembangan sistem meliputi perancangan smart contract, implementasi antarmuka berbasis web, serta penerapan server backend untuk penyimpanan gambar menggunakan Express.js. Pengujian fungsionalitas sistem dilakukan menggunakan metode black-box testing pada beberapa skenario, seperti pembuatan kampanye, pemrosesan donasi, dan validasi penarikan dana. Hasil pengujian menunjukkan bahwa sistem berjalan dengan baik, di mana setiap fitur inti berfungsi sesuai dengan yang diharapkan dan integritas data tetap terjaga. Transparansi dicapai melalui transaksi yang dapat diverifikasi secara publik, sementara penggunaan Keccak-256 memberikan perlindungan yang efektif terhadap potensi gangguan. Selain itu, analisis biaya gas menunjukkan bahwa transaksi berada dalam kisaran biaya yang wajar untuk implementasi skala kecil. Studi ini menunjukkan bahwa sistem berbasis blockchain mampu meningkatkan kepercayaan terhadap platform crowdfunding serta dapat dijadikan referensi dalam pengembangan sistem penggalangan dana yang transparan dan aman di masa depan.

Analisis Kinerja Algoritma Naïve Bayes dan Random Forest dalam Memprediksi Hasil Klasemen English Premier League

Muhamad Ibnu Rizky — 2026-01-31

English Premier League dikenal sebagai liga sepak bola yang paling kompetitif dan menarik untuk dianalisis secara statistik. Penelitian ini dilakukan untuk membandingkan kinerja dua algoritma machine learning, yaitu Naïve Bayes dan Random Forest, dalam memprediksi posisi akhir klasemen berdasarkan data statistik pertandingan. Data dikumpulkan melalui teknik web scraping dari situs FBref.com, yang mencakup data tiga musim kompetisi serta sejumlah fitur relevan lainnya. Setelah melalui tahap prapemrosesan (preprocessing), data dibagi menjadi data pelatihan dan data pengujian dengan rasio 80:20. Evaluasi terhadap model dilakukan menggunakan berbagai metrik, seperti akurasi, presisi, recall, F1-score, serta confusion matrix. Hasil pengujian menunjukkan bahwa algoritma Naïve Bayes memperoleh akurasi sebesar 69,83% dan menunjukkan kinerja yang cukup baik dalam memprediksi hasil seri. Di sisi lain, algoritma Random Forest menunjukkan performa yang lebih unggul dengan akurasi mencapai 99,57%, serta nilai presisi, recall, dan F1-score yang tinggi dan konsisten. Prediksi klasemen akhir yang dihasilkan oleh Random Forest juga lebih mendekati hasil sebenarnya. Berdasarkan temuan tersebut, dapat disimpulkan bahwa Random Forest lebih mampu menangani kompleksitas data pertandingan sepak bola dan lebih direkomendasikan untuk digunakan dalam sistem prediksi di bidang analitik olahraga.

Penerapan Algoritma Machine Learning untuk Mengklasifikasikan Polusi Udara di Wilayah DKI Jakarta

Muhammad Arya Suhendi — 2026-01-31

Polusi udara di DKI Jakarta merupakan masalah serius dengan tingkat polusi tertinggi di Asia Tenggara. Sumber utama polusi udara berasal dari sektor transportasi, industri, dan pembakaran sampah. Keterbatasan sistem pemantauan konvensional mendorong pemanfaatan kecerdasan buatan, khususnya algoritma machine learning, untuk meningkatkan akurasi klasifikasi kualitas udara. Penelitian ini membandingkan performa empat algoritma, yaitu Support Vector Machine (SVM), Gradient Boosting, Random Forest, dan Decision Tree, dalam mengklasifikasikan tingkat polusi udara di Jakarta. Dataset yang digunakan terdiri atas 1.675 data Indeks Standar Pencemar Udara (ISPU) yang diperoleh dari Dinas Lingkungan Hidup Jakarta selama periode Januari hingga November 2024. Parameter yang digunakan meliputi PM10, PM2.5, SO₂, CO, O₃, dan NO₂. Proses penelitian mencakup tahapan pembersihan data, normalisasi, reduksi dimensi menggunakan Principal Component Analysis (PCA), pembangunan model melalui pembagian data latih dan data uji dengan rasio 80:20, serta evaluasi performa menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil evaluasi menunjukkan bahwa seluruh algoritma menghasilkan tingkat akurasi yang tinggi. Algoritma Random Forest mencapai performa terbaik dengan akurasi sebesar 93,71%, diikuti oleh Decision Tree sebesar 93,41%, Gradient Boosting sebesar 92,81%, dan Support Vector Machine sebesar 92,51%. Temuan ini mendukung penerapan machine learning sebagai solusi yang efektif untuk pemantauan polusi udara di Jakarta.

Implementasi Algoritma Support Vector Machine dalam Klasifikasi Biji Jagung Berondong dan Biji Jagung Pakan Ayam

Rini Beatrix Laurentzia — 2026-01-31

Jagung merupakan komoditas penting dalam sektor pangan dan pakan ternak, dengan varietas yang memiliki karakteristik fisik yang berbeda. Salah satu tantangan di lapangan adalah membedakan biji jagung berondong dan biji jagung pakan ayam secara akurat, terutama ketika perbedaan visual di antara keduanya sangat tipis. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi berbasis citra menggunakan algoritma Support Vector Machine (SVM) guna membedakan kedua jenis jagung tersebut. Dataset yang digunakan terdiri atas 400 citra biji jagung dengan dua kelas, yaitu jagung berondong dan jagung pakan ayam. Tahapan penelitian meliputi prapemrosesan citra, segmentasi, serta ekstraksi fitur menggunakan metode Gray Level Co-occurrence Matrix (GLCM) dengan enam fitur utama, yaitu kontras, energi, homogenitas, korelasi, varians, dan dissimilarity. Model SVM diuji menggunakan beberapa jenis kernel, dan evaluasi dilakukan dengan confusion matrix. Hasil pengujian menunjukkan bahwa akurasi klasifikasi biji jagung berondong dan biji jagung pakan ayam menggunakan algoritma SVM mencapai 68,18% dengan pembagian data latih dan uji sebesar 80:20 serta menggunakan kernel polynomial. Nilai akurasi tersebut menunjukkan bahwa algoritma SVM belum cukup andal dalam melakukan klasifikasi, sehingga masih terdapat ruang untuk perbaikan, khususnya melalui proses tuning parameter SVM.

Peningkatan Kecepatan Inferensi Mask R-CNN Menggunakan MobileNetV3 Small pada Sistem Deteksi Kardus

Vikha Tri Vicika — 2026-01-31

Penelitian ini bertujuan untuk meningkatkan kecepatan inferensi pada sistem deteksi objek dengan mengoptimalkan arsitektur Mask R-CNN melalui penggantian backbone menjadi MobileNetV3 Small. Studi ini difokuskan pada deteksi kardus di lingkungan gudang menggunakan dataset yang dikumpulkan dari berbagai kondisi pencahayaan dan sudut pengambilan gambar. Proses pelatihan dan validasi dilakukan terhadap data yang telah dianotasi secara manual, dengan evaluasi menggunakan metrik presisi, recall, dan kecepatan pemrosesan dalam satuan frame per second (FPS). Hasil pengujian menunjukkan bahwa model dengan backbone MobileNetV3 Small menghasilkan FPS rata-rata sebesar 8,66, lebih tinggi dibandingkan dengan model default yang hanya mencapai 6,94. Dari sisi akurasi, model kustom menunjukkan nilai presisi sebesar 85%, sedangkan model default mencapai nilai recall sebesar 85,7%. Meskipun segmentasi yang dihasilkan oleh model default lebih menyeluruh, model kustom memiliki arsitektur yang lebih ringan dan efisien. Oleh karena itu, model kustom lebih sesuai untuk aplikasi waktu nyata pada perangkat dengan sumber daya terbatas. Temuan ini menunjukkan bahwa penggunaan MobileNetV3 Small sebagai backbone pada arsitektur Mask R-CNN mampu meningkatkan efisiensi inferensi tanpa menurunkan tingkat akurasi secara signifikan.

Perbandingan Dampak Penggunaan LASSO dan Hyperparameter Tuning terhadap Performa Prediksi Kegagalan Mesin pada Model Machine Learning

Wahyu Setio Aji — 2026-01-31

Revolusi Industri 4.0 telah mendorong integrasi teknologi seperti Big Data, Internet of Things (IoT), dan machine learning dalam industri untuk meningkatkan efisiensi serta mengurangi downtime. Salah satu tantangan utama di sektor manufaktur adalah terjadinya kerusakan mesin secara mendadak yang dapat mengganggu proses produksi dan meningkatkan biaya perawatan. Predictive Maintenance menjadi solusi penting dengan memanfaatkan data sensor dan model prediksi untuk mencegah kerusakan sejak dini. Penelitian ini membandingkan performa tiga algoritma machine learning, yaitu K-Nearest Neighbor (KNN), Logistic Regression (LR), dan Support Vector Machine (SVM), dalam memprediksi kegagalan mesin berdasarkan empat skenario. Skenario pertama menguji ketiga algoritma klasifikasi, yaitu KNN, SVM, dan Logistic Regression, tanpa optimasi (baseline). Skenario kedua menerapkan seleksi fitur menggunakan Least Absolute Shrinkage and Selection Operator (LASSO), kemudian menguji kembali ketiga algoritma tersebut. Pada skenario ketiga, dilakukan hyperparameter tuning tanpa seleksi fitur. Sementara itu, skenario keempat menggabungkan seleksi fitur LASSO dengan hyperparameter tuning untuk memperoleh model yang lebih optimal. Hasil penelitian menunjukkan bahwa algoritma KNN merupakan model dengan kinerja paling unggul. Pada skenario keempat, KNN mencapai akurasi maksimum sebesar 97,4% dengan parameter terbaik n_neighbors = 4 dan weights = ‘distance’. Selanjutnya, algoritma SVM mencatat akurasi sebesar 97,2% dengan parameter C = 13,716, gamma = ‘scale’, dan kernel = ‘rbf’. Sementara itu, algoritma Logistic Regression menunjukkan performa paling rendah. Meskipun telah dioptimalkan, akurasi tertingginya hanya mencapai 88,2% dengan konfigurasi C = 2,053, penalty = ‘l2’, dan solver = ‘sag’.