TECHNOMEDIA : Informatics and Computer Science

SISTEM PENDUKUNG KEPUTUSAN KENAIKAN PANGKAT APARATUR SIPIL NEGARA MENGGUNAKAN METODE PROFILE MATCHING

Muhamad Lutfi — 2026-07-31

Proses penilaian kelayakan kenaikan pangkat Aparatur Sipil Negara (ASN) di Kantor Kementerian Agama Kabupaten Cilacap saat ini menghadapi kendala pada tahapan rekapitulasi data. Tidak terintegrasinya data secara otomatis dari sistem pusat seperti SIASN dan Pusaka menyebabkan proses penyaringan harus dilakukan secara konvensional, yang berisiko memunculkan human error dan bias subjektivitas. Penelitian ini bertujuan untuk merancang dan mengimplementasikan Sistem Pendukung Keputusan (SPK) berbasis web menggunakan metode Profile Matching guna memberikan rekomendasi urutan prioritas kenaikan pangkat yang objektif, transparan, dan sesuai dengan prinsip meritokrasi, khususnya untuk Jabatan Fungsional Guru ASN. Sistem dikembangkan menggunakan model Waterfall dengan bahasa HTML, CSS, JavaScript, PHP, dan MySQL. Hasil pengujian kebergunaan antarmuka dengan System Usability Scale (SUS) memperoleh skor 80 (Good/Acceptable). Selain itu, uji validitas objektivitas hasil menggunakan analisis Spearman Rank Correlation menghasilkan koefisien korelasi 0,8 (Sangat Kuat). Dengan demikian, SPK ini layak dan efektif digunakan sebagai alat penyaring internal yang akurat sebelum usulan kepangkatan diajukan secara resmi.

SISTEM KLASIFIKASI MUTU BUAH SALAK MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN)

Zaid Husni Abdillah — 2026-07-31

Klasifikasi mutu buah salak (Salacca zalacca) secara manual masih mengandalkan pengamatan visual tenaga kerja, sehingga rentan terhadap ketidakkonsistenan dan subjektivitas. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi mutu buah salak berbasis citra digital menggunakan metode Convolutional Neural Network (CNN) dengan pendekatan transfer learning. Model dibangun menggunakan arsitektur MobileNetV3Large dan dilatih ulang pada dataset berjumlah 1500 citra buah salak, yang terbagi dalam tiga kategori mutu (A, B, dan C), melalui dua tahap pelatihan: feature extraction dan fine-tuning. Evaluasi terhadap data uji menunjukkan akurasi sebesar 82%, sedangkan pengujian pada perangkat mobile (RAM 2 GB) menunjukkan bahwa sistem dapat berjalan secara responsif, meskipun masih ditemukan kendala dalam membedakan mutu A dan B. Model telah diimplementasikan dalam bentuk prototipe aplikasi Android menggunakan format TensorFlow Lite, dan diuji secara langsung menggunakan sembilan sampel citra uji. Hasil ini menunjukkan potensi awal pengembangan sistem klasifikasi mutu buah salak yang lebih objektif, ringan, dan dapat dijalankan pada perangkat dengan sumber daya terbatas.

SISTEM DIAGNOSA GANGGUAN KWH METER DENGAN METODE DECISION TREE BERBASIS WEBSITE

Azis Nurokhman — 2026-07-31

KWH meter merupakan perangkat penting dalam sistem kelistrikan yang berfungsi mengukur konsumsi listrik pelanggan. Gangguan teknis pada KWH meter dapat menyebabkan ketidaktepatan pencatatan daya dan menurunkan kualitas layanan kelistrikan. Penelitian ini bertujuan untuk merancang dan membangun sistem diagnosis gangguan KWH meter berbasis website menggunakan metode Decision Tree. Metode pengembangan sistem menggunakan pendekatan System Development Life Cycle (SDLC) model Waterfall yang terdiri dari analisis kebutuhan, perancangan, implementasi, pengujian, dan pemeliharaan. Data gangguan diperoleh dari laporan teknisi di PT. PLN (Persero) ULP Denpasar dalam format Excel, yang kemudian digunakan untuk melatih model klasifikasi Decision Tree. Sistem ini dirancang agar dapat menerima input parameter teknis seperti tegangan, arus, dan daya, lalu mengidentifikasi jenis gangguan secara otomatis. Hasil pengujian menunjukkan bahwa model memiliki tingkat akurasi rata-rata sebesar 83,08% dalam mengklasifikasikan gangguan. Sistem juga menyediakan antarmuka web yang ramah pengguna, fitur riwayat diagnosis, serta fungsi pembaruan data dan pelatihan ulang model. Dengan demikian, sistem ini dapat menjadi alat bantu diagnosis yang efektif dan dapat dikembangkan lebih lanjut untuk jenis KWH meter lainnya.

SISTEM PAKAR DIAGNOSA PENYAKIT AYAM PEDAGING MENGGUNAKAN METODE CERITAINTY FACTORY BERBASIS MOBILE

Giri Wijanarko — 2026-07-31

Permasalahan penyakit pada ayam pedaging menjadi tantangan serius bagi peternak karena dapat menyebabkan kematian massal dan kerugian ekonomi yang signifikan. Kurangnya akses terhadap tenaga ahli dan kemampuan diagnosa mandiri menjadi hambatan utama dalam penanganan penyakit tersebut, khususnya di daerah pedesaan. Penelitian ini bertujuan untuk mengembangkan sistem pakar berbasis Android untuk mendiagnosa penyakit ayam pedaging menggunakan metode Certainty Factor. Metode Certainty Factor digunakan untuk mengukur tingkat kepastian diagnosa berdasarkan kombinasi nilai keyakinan dari pakar dan pengguna terhadap gejala yang dialami ayam. Hasil pengujian menunjukkan bahwa sistem pakar yang dikembangkan mampu memberikan hasil diagnosa dengan tingkat keakuratan mencapai 95% dibandingkan perhitungan manual. Sistem ini diharapkan dapat membantu peternak melakukan diagnosa terhadap penyakit ayam secara mandiri dan akurat, serta menjadi solusi praktis di tengah keterbatasan akses terhadap pakar.

CHATBOT ASSISTANT DENGAN ALGORITMA LONG SHORT-TERM MEMORY (LSTM) SEBAGAI LAYANAN TANYA JAWAB MENTEE DI INFINITE LEARNING

Rahmad Noor Ikhsan — 2026-07-31

Mentor pada program Studi Independen di Infinite Learning sering menghabiskan waktu menjawab pertanyaan umum yang berulang dari mahasiswa, sehingga mengurangi efisiensi pendampingan. Penelitian ini bertujuan membuat chatbot sebagai layanan tanya jawab mentee dengan metode eksperimental. Pengembangan chatbot menggunakan Long Short-Term Memory (LSTM), arsitektur deep learning yang efektif untuk Natural Language Processing (NLP). Data berupa pertanyaan dan jawaban dibagi menjadi 3 bagian: pre-register, running program, dan end program. Model dilatih selama 39 epoch dengan nilai loss 0.0279, accuracy 99.71%, validation loss 0.0237, dan validation accuracy 99.72%. Evaluasi menggunakan confusion matrix menunjukkan accuracy 99%, precision 97%, recall 98%, dan f1-score 97%. Model kemudian diimplementasikan ke Telegram bot untuk layanan tanya jawab otomatis bagi mentee.