TECHNOMEDIA : Informatics and Computer Science

OPTIMIZING WORKFORCE PRODUCTIVITY THROUGH MACHINE LEARNING BASED PREDICTION

2025-06-19T13:41:56+07:00

Labor welfare is commonly reflected in the increase of wages received by workers, which serves as an indicator of labor productivity. Labor productivity can be influenced by various factors including education, work experience, capital investment, capital expenditure, population density, regional original income, special allocation funds, altitude, and infrastructure. This study applies machine learning techniques to identify the most accurate model for predicting labor productivity in Indonesia. Five models were evaluated: Linear Regression, K-Nearest Neighbors (KNN), Support Vector Regression (SVR), Random Forest, and Gradient Boosting. Among these, the Random Forest model demonstrated the lowest Root Mean Square Error (RMSE) value of 0.270, indicating superior predictive performance. Consequently, the Random Forest model is recommended for labor productivity prediction. Feature importance analysis revealed that education is the most influential factor affecting labor productivity.

SISTEM REKOMENDASI LOKAWISATA DI PURBALINGGA MENGGUNAKAN PENDEKATAN CASE BASED REASONING (CBR)

2025-06-27T18:54:26+07:00

Dalam sektor pariwisata, Purbalingga menawarkan berbagai destinasi wisata yang menarik. Diketahui terdapat 32 objek wisata yang masing-masing memiliki keunggulan menarik minat wisatawan. Namun, seringkali masih banyak wisatawan yang merasa bingung dalam memilih keputusan untuk menentukan lokasi wisata. Seperti tidak mengetahui informasi nama wisata, harga tiket masuk, maupun lokasi. Melihat kondisi tersebut, dibutuhkan suatu sistem pendukung keputusan yang dapat membantu wisatawan dalam menentukan destinasi wisata secara lebih tepat dan efisien. Salah satu pendekatan yang dapat digunakan untuk membangun sistem rekomendasi wisata adalah metode Case Based Reasoning (CBR) yang dipadukan dengan metode Analytical Hierarchy Process (AHP). Metode ini bekerja dengan cara menyelesaikan kasus baru berdasarkan kemiripan dengan kasus-kasus lama yang pernah terjadi. Sedangkan penggunaan metode AHP untuk melakukan pembobotan terhadap masing-masing alternatif wisata. Dengan demikian tujuan penelitian ini adalah untuk membangun sistem CBR dalam membantu wisatawan untuk menentukan destinasi wisata yang sesuai dengan kebutuhan dan preferensi mereka. Hasil penelitian menunjukkan bahwa pada tahap reuse dihasilkan 3 alternatif wisata meliputi T3 dengan similarity 0,67, T16 dengan similarity 0,5 dan T27 dengan similarity sebesar 0,67. Kemudian dilakukan perhitungan vektor eigen pada masing-masing alternatif. Nilai vektor eigen paling tinggi yaitu pada alternatif T3 sebesar 0,486. Sehingga keputusan untuk memilih rekomendasi wisata yang terbaik yaitu D’LAS Lembah Asri Serang.

SISTEM PERAMALAN PENJUALAN FROZEN FOOD DENGAN METODE FUZZY TIME SERIES CHENG

2025-07-31T21:02:42+07:00

Penjualan yang fluktuatif dari waktu ke waktu menimbulkan kesulitan dalam perencanaan produksi dan pengambilan keputusan bisnis, terutama dalam menentukan jumlah stok yang optimal. Permasalahan ini menimbulkan kebutuhan akan sistem yang mampu meramalkan penjualan secara akurat. Penelitian ini bertujuan untuk mengembangkan sistem peramalan penjualan berbasis web dengan menerapkan metode Fuzzy Time Series Cheng guna membantu pelaku usaha memahami pola penjualan dan memprediksi jumlah penjualan di masa mendatang. Metode Fuzzy Time Series Cheng digunakan melalui tahapan pembentukan interval, fuzzifikasi, pembentukan relasi fuzzy, dan defuzzifikasi. Dataset yang digunakan terdiri dari data penjualan selama 26 bulan. Akurasi hasil peramalan diukur menggunakan indikator Mean Absolute Percentage Error (MAPE). Hasil evaluasi menunjukkan bahwa sistem menghasilkan tingkat kesalahan prediksi yang rendah, sehingga layak digunakan sebagai alat bantu dalam pengambilan keputusan bisnis. Sistem dikembangkan menggunakan bahasa pemrograman PHP dan database MySQL, serta dilengkapi fitur pengelolaan data dan laporan berbasis web untuk memudahkan pengguna dalam mengakses hasil peramalan secara praktis.

SISTEM DETEKSI DAN KLASIFIKASI PENYAKIT TANAMAN PADI BERDASARKAN DAUN MENGGUNAKAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK (CNN) DENGAN ARSITEKTUR ResNet-50

2025-07-31T21:02:59+07:00

Diagnosa penyakit padi secara konvensional dinilai bergantung pada pengamatan manual yang lambat dan kurang akurat maka diperlukan solusi yang lebih efisien dan objektif dengan pemanfaatan kecerdasan buatan. Penelitian ini bertujuan untuk mengembangkan sistem deteksi penyakit tanaman padi menggunakan bagian dari kecerdasan buatan yaitu metode Convolutional Neural Network (CNN) dengan arsitektur ResNet-50. Sistem dirancang untuk mendeteksi enam penyakit padi berdasarkan citra daun yaitu Blast, Bacterial Blight, Brown Spot, Tungro, False Smut dan Cercospora. Dataset berasal dari kombinasi data publik (kaggle.com) dan citra lapangan yang diambil langsung di daerah Kabupaten Wonosobo. Model dikembangkan dan di modifikasi dengan penambahan GlobalAveragePooling, Dense layer dengan aktivasi ReLU dan regularisasi L2, serta Dropout untuk mengurangi overfitting. Lapisan output menggunakan softmax untuk klasifikasi multi kelas. Evaluasi model menggunakan metrik akurasi, presisi, recall, dan F1-score. Model dapat menunjukkan akurasi pengujian yang tinggi sebesar 79.52% dan performa efektif dengan akurasi 92% pada Classification Report. Hasil deteksi langsung ditampilkan pada sistem berbasis web berupa skala probabilitas penyakit yang terdeteksi.

Tinjauan Pustaka Sistematis tentang Teknologi Keamanan Data: Tren dan Tantangan

2025-07-31T21:24:24+07:00

Penelitian ini merupakan tinjauan pustaka sistematis (Systematic Literature Review/SLR) yang bertujuan mengidentifikasi tren dan tantangan utama dalam teknologi keamanan data selama periode 2020–2025. Sebanyak 91 artikel dari basis data IEEE Xplore dan ScienceDirect telah dikaji secara mendalam dengan fokus pada inovasi teknologi enkripsi, penerapan kecerdasan buatan (AI) dan machine learning dalam keamanan data, serta tantangan dalam perlindungan data pribadi di lingkungan cloud computing dan Internet of Things (IoT). Hasil kajian menunjukkan bahwa tren utama teknologi keamanan data meliputi adopsi Advanced Encryption Standard (AES), homomorphic encryption, searchable encryption, hingga enkripsi berbasis blockchain, serta integrasi AI untuk deteksi dan mitigasi ancaman secara proaktif. Meskipun demikian, penelitian ini juga menyoroti tantangan besar berupa keamanan data pribadi, kompleksitas pengelolaan data di cloud, serta implementasi regulasi seperti GDPR yang masih menghadapi berbagai kendala teknis dan hukum. Studi ini memberikan kontribusi penting dengan memetakan perkembangan terbaru sekaligus mengidentifikasi gap riset yang relevan untuk penguatan keamanan data di masa mendatang.