Hasil Pencarian: "Prediksi" (Semua Bidang (Umum))
Penelusuran metadata karya ilmiah dan dokumen institusi Universitas Bina Insani.
Filter Otomatis
ResetHasil Pencarian: "Prediksi" (Semua Bidang (Umum))
Menampilkan 8 karya ilmiah repository terverifikasi (Skripsi & Artikel Jurnal OJS)
| Detail Karya Ilmiah & Metadata | Tipe & Program Studi | Aksi Metadata |
|---|---|---|
Prediksi Kebutuhan Spare part Pada Lini ULI PT Cedefindo Menggunakan Algoritma Random Forest
Penulis: Salsabil Amatin Fauzia, ARI NURUL ALFIAN, S.Pd., M.Kom. |
2026
PT Cedefindo khususnya pada lini ULI masih melakukan pengadaan spare part berdasarkan kondisi stok dan pengalaman pegawai sehingga belum memanfaatkan data historis penggunaan spare part secara optimal, yang berpotensi menyebabkan terjadinya stockout. Penelitian ini bertujuan untuk menghasilkan estimasi kebutuhan spare part dan menerapkan algoritma Random Forest untuk memprediksi kebutuhan spare part periode berikutnya berdasarkan data historis penggunaan spare part, preventive maintenance report, dan Trend. Penelitian menggunakan metodologi CRISP-DM yang meliputi tahapan business understanding, data understanding, data preparation, modeling, evaluation, dan deployment dengan memanfaatkan data historis penggunaan spare part lini ULI periode Januari 2025 hingga April 2026. Hasil evaluasi model menunjukkan nilai MAE sebesar 2,69, RMSE sebesar 4,97, dan R² sebesar 0,34, sehingga model memiliki tingkat kesalahan prediksi yang relatif rendah meskipun belum mampu menjelaskan seluruh variasi data kebutuhan spare part. Penelitian ini menghasilkan sistem prediksi berbasis web yang dapat membantu admin teknik dalam mendukung pengambilan keputusan pengadaan spare part secara lebih terukur dan berbasis data historis untuk mengurangi risiko stockout.
#CRISP-DM
#Machine Learning
#Prediksi
#Random Forest
|
Skripsi (S1)
Teknik Informatika (S1)
Restricted Fulltext PDF
|
|
SISTEM DETEKSI PENYAKIT GIGI MENGGUNAKAN ALGORITMA YOLOv8 DAN RESNET-18 PADA KLINK GIGI HAI DENT
Penulis: Bagas Aditya, RULLY PRAMUDITA, S.T., M.Kom. |
2026
Penyakit gigi dan mulut merupakan masalah kesehatan dengan prevalensi tinggi, di mana pasien seringkali mengirimkan foto rongga mulut dengan kualitas kurang baik saat konsultasi daring sehingga menyulitkan diagnosis dokter. Penelitian ini bertujuan untuk mengembangkan sistem skrining awal klinis berbasis web menggunakan pendekatan deep learning dengan arsitektur two-stage (YOLOv8 dan ResNet-18). YOLOv8 digunakan untuk melokalisasi dan memotong area gigi bermasalah (Region of Interest) guna menghilangkan gangguan visual latar belakang, yang kemudian diproses dan diklasifikasikan oleh ResNet-18 ke dalam 7 kelas (Karies, Calculus, Gingivitis, Mouth Ulcer, Tooth Discoloration, Hipodontia, dan Sehat). Sistem ini juga mengimplementasikan Grad-CAM sebagai Explainable AI (XAI) untuk memvisualisasikan area prediksi penyakit secara transparan. Menggunakan metodologi CRISP-DM, model dilatih dengan 11.957 data citra klinis. Hasil evaluasi menunjukkan bahwa YOLOv8 mencapai nilai mAP@50 sebesar 88,17%. Sementara itu, ResNet-18 mencetak tingkat akurasi sebesar 92,25% dan F1-Score 92,37%. Pengujian performa sistem dengan membandingkan prediksi AI dan diagnosis pakar (dokter gigi) pada data baru memperoleh tingkat kesesuaian sebesar 83,33%. Kesimpulannya, integrasi YOLOv8 dan ResNet-18 berhasil memberikan hasil skrining awal yang akurat, meringankan beban kerja administratif klinik, serta mempermudah pasien dalam melakukan deteksi gejala gigi secara mandiri.
#Deep Learning
#Deteksi Penyakit Gigi
#ResNet-18
#Web
|
Skripsi (S1)
Teknik Informatika (S1)
Restricted Fulltext PDF
|
|
SISTEM PREDIKSI JUMLAH KUNJUNGAN WISATAWAN BUNIHAYU MENGGUNAKAN METODE SEASONAL AUTOREGRESSIVE INTEGRATED MOVING AVERAGE
Penulis: David Octavyanto, SUMARDIONO, S.Kom., M.Kom. |
2026
Jumlah pengunjung wisata di Hutan Wisata Bunihayu berubah setiap periode, sehingga membuat pihak pengelola kesulitan memperkirakan jumlah pengunjung pada periode berikutnya. Selain itu, data kunjungan masih dikelola dengan menggunakan spreadsheet, sehingga belum dimanfaatkan secara maksimal sebagai dasar untuk melakukan prediksi. Penelitian ini bertujuan untuk merancang dan membuat sistem prediksi jumlah pengunjung wisata berbasis web dengan menggunakan metode Seasonal Autoregressive Integrated Moving Average (SARIMA) agar dapat membantu dalam perencanaan kegiatan operasional serta pengambilan keputusan. Metode penelitian yang digunakan adalah metode prototyping, yang mencakup analisis kebutuhan, desain prototype, proses pengodean, uji coba, dan evaluasi sistem. Data yang digunakan adalah catatan jumlah pengunjung wisatawan ke Hutan Wisata Bunihayu selama periode Januari 2024 sampai Desember 2025. Sistem ini dibuat menggunakan framework Laravel dan model SARIMA, sedangkan proses pengujian dilakukan dengan metode Black Box Testing dan User Acceptance Testing (UAT). Penelitian ini menunjukkan bahwa sistem prediksi berbasis web telah berhasil dibuat dan mampu memberikan perkiraan jumlah kunjungan wisatawan berdasarkan data sebelumnya. Model SARIMA mendapatkan tingkat kesalahan rata-rata absolut persentase (MAPE) sebesar 38,77%, yang menunjukkan akurasi prediksi cukup baik. Sistem ini juga bisa menampilkan hasil prediksi berupa tabel, grafik, dan informasi evaluasi model untuk membantu perencanaan operasional dan pengambilan keputusan oleh pihak manajemen Hutan Wisata Bunihayu.
#Laravel
#Prediksi Kunjungan Wisatawan
#Prototype
#SARIMA
|
Skripsi (S1)
Teknik Informatika (S1)
Restricted Fulltext PDF
|
|
IMPLEMENTASI MACHINE LEARNING PADA PREDIKSI HARGA SEMBAKO DI PASAR GANDOANG MENGGUNAKAN REGRESI LINEAR BERGANDA
Penulis: Daffa Aulia Rahman, RITA WAHYUNI ARIFIN, S.Kom., M.Kom. |
2026
Implentasi Machine Learning pada Predeksi Harga Sembako di Pasar Gandoang Menggunakan Regresi Linear Berganda. Penelitian ini bertujuan untuk menerapkan Machine Learning menggunakan algoritma Regresi Linear Berganda (Multiple Linear Regression) dalam memprediksi harga sembilan bahan pokok (sembako) di Pasar Gandoang. Fluktuasi harga sembako di pasar tersebut cenderung tidak stabil, sementara proses pengelolaannya masih dilakukan secara manual dan bergantung pada perkiraan atau intuisi pedagang. Oleh sebab itu, diperlukan sebuah sistem prediksi berbasis data yang mampu mendukung pengambilan keputusan secara lebih akurat dan proaktif. Penelitian ini dikembangkan dengan menggunakan metodologi CRISP-DM serta memanfaatkan data historis harga selama lima tahun, mulai Januari 2019 hingga Desember 2024. Adapun sembilan komoditas yang menjadi objek prediksi meliputi beras, minyak goreng, gula pasir, telur ayam, daging ayam, daging sapi, tepung terigu, kedelai, dan garam beriodium. Kinerja model dievaluasi menggunakan metrik R², MSE, RMSE, dan MAE. Hasil pengujian menunjukkan bahwa algoritma Regresi Linear Berganda memiliki tingkat akurasi yang sangat baik, di mana seluruh komoditas berhasil memenuhi target akurasi minimum dengan nilai R² ≥ 0,80. Nilai akurasi tertinggi diperoleh pada model prediksi komoditas beras dengan nilai R² sebesar 0,88. Sementara itu, berdasarkan evaluasi Root Mean Squared Error (RMSE), nilai tertinggi terdapat pada komoditas daging sapi sebesar Rp2.340/kg dan nilai terendah pada komoditas garam beriodium sebesar Rp210/kg. Secara keseluruhan, sistem prediksi berbasis machine learning ini berhasil diterapkan untuk mengatasi kelemahan metode konvensional serta membantu pengelola pasar dan pedagang dalam mengantisipasi kenaikan harga sembako.
#CRISP-DM
#Machine Learning
#Prediksi Harga
#Regresi Linear Berganda
|
Skripsi (S1)
Teknik Informatika (S1)
Restricted Fulltext PDF
|
|
IMPLEMENTASI MACHINE LEARNING PADA PREDIKSI HARGA SEMBAKO DI PASAR GANDOANG MENGGUNAKAN REGRESI LINEAR BERGANDA
Penulis: Daffa Aulia Rahman, RITA WAHYUNI ARIFIN, S.Kom., M.Kom. |
2026
Implentasi Machine Learning pada Predeksi Harga Sembako di Pasar Gandoang Menggunakan Regresi Linear Berganda. Penelitian ini bertujuan untuk menerapkan Machine Learning menggunakan algoritma Regresi Linear Berganda (Multiple Linear Regression) dalam memprediksi harga sembilan bahan pokok (sembako) di Pasar Gandoang. Fluktuasi harga sembako di pasar tersebut cenderung tidak stabil, sementara proses pengelolaannya masih dilakukan secara manual dan bergantung pada perkiraan atau intuisi pedagang. Oleh sebab itu, diperlukan sebuah sistem prediksi berbasis data yang mampu mendukung pengambilan keputusan secara lebih akurat dan proaktif. Penelitian ini dikembangkan dengan menggunakan metodologi CRISP-DM serta memanfaatkan data historis harga selama lima tahun, mulai Januari 2019 hingga Desember 2024. Adapun sembilan komoditas yang menjadi objek prediksi meliputi beras, minyak goreng, gula pasir, telur ayam, daging ayam, daging sapi, tepung terigu, kedelai, dan garam beriodium. Kinerja model dievaluasi menggunakan metrik R², MSE, RMSE, dan MAE. Hasil pengujian menunjukkan bahwa algoritma Regresi Linear Berganda memiliki tingkat akurasi yang sangat baik, di mana seluruh komoditas berhasil memenuhi target akurasi minimum dengan nilai R² ≥ 0,80. Nilai akurasi tertinggi diperoleh pada model prediksi komoditas beras dengan nilai R² sebesar 0,88. Sementara itu, berdasarkan evaluasi Root Mean Squared Error (RMSE), nilai tertinggi terdapat pada komoditas daging sapi sebesar Rp2.340/kg dan nilai terendah pada komoditas garam beriodium sebesar Rp210/kg. Secara keseluruhan, sistem prediksi berbasis machine learning ini berhasil diterapkan untuk mengatasi kelemahan metode konvensional serta membantu pengelola pasar dan pedagang dalam mengantisipasi kenaikan harga sembako.
#CRISP-DM
#Machine Learning
#Prediksi Harga
#Regresi Linear Berganda
|
Skripsi (S1)
Teknik Informatika (S1)
Restricted Fulltext PDF
|
|
Pengembangan Intrusion Detection System (IDS) Berbasis Deep Learning CNN-LSTM Untuk Klasifikasi Serangan DDoS
Penulis: Achmad Sholehudin, JAFAR SHADIQ, S.Kom., M.Kom. |
2026
Server Open Journal Systems (OJS) Universitas Bina Insani merupakan infrastruktur kritis yang rentan terhadap serangan Distributed Denial of Service (DDoS). Proses pemantauan yang selama ini dilakukan secara manual menggunakan Wireshark terbukti bersifat lambat dan reaktif, serta tidak mampu menganalisis lalu lintas pada protokol terenkripsi (HTTPS) karena bergantung pada inspeksi isi paket (payload). Penelitian ini bertujuan mengembangkan Intrusion Detection System (IDS) berbasis Deep Learning yang mampu mengklasifikasikan serangan DDoS secara otomatis dan real-time tanpa bergantung pada proses dekripsi muatan paket. Sistem dibangun menggunakan arsitektur Hybrid Deep Learning yang menggabungkan lapisan Convolutional Neural Network (CNN) untuk ekstraksi fitur spasial dan Long Short-Term Memory (LSTM) untuk analisis ketergantungan temporal antar-paket jaringan. Pengembangan sistem mengadopsi kerangka kerja Knowledge Discovery in Databases (KDD) dengan memanfaatkan kombinasi dataset standar global CICDDoS2019 dan data simulasi lalu lintas jaringan dari virtual testbed lokal. Evaluasi kuantitatif model menggunakan Confusion Matrix terhadap 141.054 sampel aliran data menghasilkan akurasi global sebesar 87% dengan presisi kelas Normal mencapai 0,99. Pengujian fungsional secara real-time pada seluruh skenario (TCP SYN Flood, HTTP Flood, dan HTTPS) menunjukkan tingkat keyakinan prediksi sebesar 100%. Pengujian latensi inferensi pada server OJS membuktikan sistem beroperasi dengan rata-rata waktu respons 57,91 milidetik dan nilai Persentil ke-99 sebesar 114,22 milidetik, jauh di bawah ambang batas kritis 500 milidetik. Hasil penelitian membuktikan bahwa IDS berbasis CNN-LSTM yang menganalisis Network Flow mampu mengklasifikasikan serangan DDoS pada protokol terenkripsi secara akurat melalui sidik jari temporal Inter-Arrival Time (IAT), tanpa memerlukan dekripsi paket, serta layak dioperasikan pada lingkungan server produksi secara real-time.
#CNN-LSTM
#DDoS
#Deep Learning
#Intrusion Detection System
|
Skripsi (S1)
Teknik Informatika (S1)
Restricted Fulltext PDF
|
|
SISTEM DETEKSI PENYAKIT GIGI MENGGUNAKAN ALGORITMA YOLOv8 DAN RESNET-18 PADA KLINK GIGI HAI DENT
Penulis: Bagas Aditya, RULLY PRAMUDITA, S.T., M.Kom. |
2026
Penyakit gigi dan mulut merupakan masalah kesehatan dengan prevalensi tinggi, di mana pasien seringkali mengirimkan foto rongga mulut dengan kualitas kurang baik saat konsultasi daring sehingga menyulitkan diagnosis dokter. Penelitian ini bertujuan untuk mengembangkan sistem skrining awal klinis berbasis web menggunakan pendekatan deep learning dengan arsitektur two-stage (YOLOv8 dan ResNet-18). YOLOv8 digunakan untuk melokalisasi dan memotong area gigi bermasalah (Region of Interest) guna menghilangkan gangguan visual latar belakang, yang kemudian diproses dan diklasifikasikan oleh ResNet-18 ke dalam 7 kelas (Karies, Calculus, Gingivitis, Mouth Ulcer, Tooth Discoloration, Hipodontia, dan Sehat). Sistem ini juga mengimplementasikan Grad-CAM sebagai Explainable AI (XAI) untuk memvisualisasikan area prediksi penyakit secara transparan. Menggunakan metodologi CRISP-DM, model dilatih dengan 11.957 data citra klinis. Hasil evaluasi menunjukkan bahwa YOLOv8 mencapai nilai mAP@50 sebesar 88,17%. Sementara itu, ResNet-18 mencetak tingkat akurasi sebesar 92,25% dan F1-Score 92,37%. Pengujian performa sistem dengan membandingkan prediksi AI dan diagnosis pakar (dokter gigi) pada data baru memperoleh tingkat kesesuaian sebesar 83,33%. Kesimpulannya, integrasi YOLOv8 dan ResNet-18 berhasil memberikan hasil skrining awal yang akurat, meringankan beban kerja administratif klinik, serta mempermudah pasien dalam melakukan deteksi gejala gigi secara mandiri.
#Deep Learning
#Deteksi Penyakit Gigi
#ResNet-18
#Web
|
Skripsi (S1)
Teknik Informatika (S1)
Restricted Fulltext PDF
|
|
IMPLEMENTASI ALGORITMA RANDOM FOREST DALAM SISTEM PREDIKSI LEVEL BELAJAR SISWA PADA NEW CONCEPT
Penulis: Atha Zainum Muttaqin, NADYA SAFITRI, S.T., M.Kom. |
2026
Penentuan level belajar siswa baru di New Concept English Education Centre masih dilakukan secara manual sehingga berpotensi menimbulkan subjektivitas dalam penempatan kelas. Penelitian ini bertujuan mengimplementasikan algoritma Random Forest dalam sistem prediksi level belajar siswa berbasis web untuk mendukung proses penentuan level belajar yang lebih objektif, konsisten, dan efisien. Penelitian menggunakan metode Prototype dengan dataset sebanyak 1.522 data siswa yang terdiri atas variabel umur, tingkat kelas sekolah, nilai placement test, dan level belajar siswa. Tahapan penelitian meliputi preprocessing data, encoding, pembagian data training dan testing, pelatihan model Random Forest, evaluasi menggunakan confusion matrix dan classification report, serta implementasi model ke dalam sistem berbasis web yang dilengkapi fitur placement test online. Hasil pengujian menunjukkan model Random Forest memperoleh akurasi sebesar 85,57%, sedangkan hasil User Acceptance Testing (UAT) memperoleh nilai 84% pada aspek kemudahan penggunaan sistem. Sistem yang dikembangkan mampu menghasilkan prediksi level belajar secara otomatis dan membantu proses penentuan level belajar siswa secara lebih cepat, objektif, dan berbasis data.
#Machine Learning
#Prediksi Level Belajar
#Placement Test
#Random Forest
|
Skripsi (S1)
Teknik Informatika (S1)
Restricted Fulltext PDF
|