Journal of Information Technology, Software Engineering and Computer Science (ITSECS)

Optimasi Klasifikasi Pola Detak Jantung Menggunakan Particle Swarm Optimization (PSO) dan Algoritma XGBoost

2026-09-28T16:05:02+07:00

Pemantauan detak jantung merupakan salah satu pendekatan penting dalam mendukung deteksi dini gangguan kardiovaskular. Perkembangan Internet of Things (IoT) memungkinkan proses akuisisi data fisiologis dilakukan secara real-time melalui perangkat wearable, namun pemanfaatan data tersebut masih menghadapi tantangan dalam menghasilkan model klasifikasi yang akurat. Penelitian ini bertujuan mengoptimalkan proses klasifikasi pola detak jantung normal dan abnormal menggunakan algoritma Extreme Gradient Boosting (XGBoost) yang dipadukan dengan Particle Swarm Optimization (PSO) sebagai metode hyperparameter tuning. Dataset penelitian diperoleh dari hasil pengukuran detak jantung mahasiswa Program Studi Ilmu Komputer Universitas Negeri Medan menggunakan sensor MAX30102 yang terintegrasi pada perangkat IoT berbasis ESP32-C3 Mini. Tahapan penelitian meliputi akuisisi data, preprocessing, ekstraksi fitur statistik, pembangunan model baseline XGBoost, optimasi threshold klasifikasi menggunakan PSO, serta evaluasi performa model berdasarkan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa optimasi PSO mampu meningkatkan performa model dari akurasi 90% (baseline) menjadi 100%, dengan threshold optimal pada rentang 68,44–97,82 BPM yang memberikan proses inferensi sederhana dan cepat. Temuan ini menunjukkan bahwa integrasi PSO dengan XGBoost efektif dan efisien untuk diterapkan pada sistem klasifikasi detak jantung berbasis IoT secara real-time

Purwarupa Sistem Internet of Things (IoT) untuk Pemberian Pakan Otomatis pada Peternakan Babi

2026-09-28T16:05:41+07:00

Pemberian pakan pada peternakan babi secara manual membutuhkan waktu, tenaga, dan perhatian yang besar, serta sering kali menimbulkan ketidakkonsistenan jadwal dan takaran pakan. Ketidakteraturan tersebut berpotensi mengganggu pertumbuhan dan produktivitas ternak. Penelitian ini bertujuan untuk merancang dan membangun purwarupa sistem pemberian pakan otomatis berbasis Internet of Things (IoT) yang terintegrasi dengan pemantauan suhu, kelembaban, sisa stok pakan, serta kendali jarak jauh melalui web dashboard. Sistem dikembangkan menggunakan metode Prototype yang meliputi tahap identifikasi kebutuhan, perancangan, pengembangan, pengujian, serta evaluasi dan perbaikan. Perangkat keras mengintegrasikan mikrokontroler ESP32 sebagai pengendali utama, sensor DHT22 untuk mengukur suhu dan kelembaban udara, sensor ultrasonik HC-SR04 untuk mengukur sisa pakan, motor servo MG996R sebagai pembuka/penutup katup pakan, layar LCD 16x2 I2C sebagai tampilan lokal, dan web dashboard sebagai antarmuka pemantauan dan pengendalian jarak jauh. Penjadwalan otomatis diatur pada pukul 08.00 dan 17.00 WITA menggunakan koordinasi waktu Network Time Protocol (NTP). Kalibrasi distribusi pakan pelet komersial menunjukkan motor servo beroperasi stabil pada sudut bukaan 145 derajat dengan rata-rata waktu pembukaan 4,77 detik untuk mengeluarkan pakan sebanyak 2 Kg. Hasil pengujian sensor DHT22 menunjukkan akurasi suhu yang tinggi dengan rata-rata selisih 0,19°C (eror 0,57%), sedangkan pembacaan kelembaban memiliki selisih rata-rata 9,8% (eror 16,90%) yang dikompensasi melalui offset program agar tidak mengurangi keandalan pemantauan kandang. Kalibrasi sensor ultrasonik pada wadah berkapasitas 3 Kg mencapai akurasi 96,14% dengan rata-rata selisih 0,062 Kg. Pengujian fungsionalitas Blackbox pada 10 skenario dinyatakan valid, didukung evaluasi kuantitatif berupa keberhasilan transmisi data 100%, latensi respon dashboard 1,2 hingga 2,5 detik, dan pemulihan rekoneksi Wi-Fi rata-rata 3,4 detik. Sistem ini berpotensi membantu mengurangi beban waktu dan tenaga peternak dalam proses pemberian pakan dan pemantauan mikroklimat kandang secara real-time.

Comprehensive Evaluation of Distance-Based MCDM Methods Using Response to Criteria Weighting: A Ranking Stability and Sensitivity Analysis

2026-09-28T16:06:14+07:00

Selecting an appropriate new store location is a complex multi-criteria decision-making problem because potential locations must be evaluated using multiple criteria with different performance characteristics. This study proposes an integrated distance-based Multi-Criteria Decision-Making framework using RECA Weighting combined with TOPSIS, SPOTIS, and EDAS to determine objective criterion importance and evaluate the stability and robustness of alternative rankings. The dataset consists of eight potential store locations evaluated using six criteria: Rental Cost, Building Area, Accessibility, Consumer Traffic, Parking Availability, and Infrastructure. RECA Weighting is applied to determine objective criterion weights based on performance variation, while TOPSIS, SPOTIS, and EDAS are used to generate preference scores and rankings through different distance-based evaluation mechanisms. The results show that Consumer Traffic obtains the highest criterion weight of 0.1824, while Parking Availability receives the lowest weight of 0.1422. The ranking results identify LS5 as the best-performing alternative, followed by LS3, although several alternatives exhibit different ranking positions across the applied methods. Weight-variation analysis using Spearman rank correlation shows that SPOTIS achieves perfect ranking stability with a correlation of 1.0000, TOPSIS demonstrates very strong stability with a correlation of 0.9286, while EDAS produces a lower correlation of 0.1429, indicating greater ranking variation. These findings demonstrate that SPOTIS provides the highest robustness to criterion weight changes, followed by TOPSIS, whereas EDAS is more sensitive to weight variations due to its average-solution-based evaluation mechanism. Overall, the proposed framework provides a comprehensive approach for objective weighting, ranking stability assessment, sensitivity analysis, and robustness evaluation in new store location selection.

Pendekatan Hybrid Data Assessment Weighting dan Simple Additive Weighting untuk Evaluasi Kinerja Operator Produksi pada Industri Elektronik

2026-09-28T16:06:21+07:00

Evaluasi kinerja operator produksi merupakan aspek penting dalam meningkatkan produktivitas dan kualitas proses manufaktur pada industri elektronik. Namun, proses evaluasi yang masih bergantung pada penilaian subjektif berpotensi menghasilkan keputusan yang kurang konsisten dan objektif. Penelitian ini bertujuan untuk menerapkan pendekatan Hybrid Data Assessment Method (DAM) Weighting dan Simple Additive Weighting (SAW) dalam mengevaluasi kinerja operator produksi secara objektif. Metode DAM Weighting digunakan untuk menentukan bobot setiap kriteria berdasarkan karakteristik data, sedangkan metode SAW digunakan untuk menghitung nilai preferensi dan menentukan peringkat operator produksi. Penelitian menggunakan lima kriteria evaluasi, yaitu produktivitas, disiplin kehadiran, ketepatan waktu, kerja sama tim, dan inisiatif dengan sepuluh operator produksi sebagai alternatif. Hasil pembobotan menunjukkan bahwa produktivitas memiliki bobot tertinggi sebesar 0,2041, diikuti oleh inisiatif sebesar 0,2030, ketepatan waktu sebesar 0,2024, kerja sama tim sebesar 0,1985, dan disiplin kehadiran sebesar 0,1921. Berdasarkan proses perangkingan menggunakan SAW, OPT-10 memperoleh nilai preferensi tertinggi sebesar 0,9937, sedangkan OPT-8 memperoleh nilai preferensi terendah sebesar 0,9150. Hasil penelitian menunjukkan bahwa pendekatan hybrid DAM Weighting dan SAW mampu menghasilkan proses evaluasi yang lebih objektif, konsisten, dan transparan dibandingkan penilaian konvensional, sehingga dapat dijadikan sebagai sistem pendukung keputusan dalam evaluasi kinerja operator produksi pada industri elektronik.

Deteksi Alzheimer Berbasis Random Forest dengan Feature Selection dan Analisis SHAP pada Data Klinis

2026-09-28T16:07:14+07:00

Penyakit Alzheimer merupakan gangguan neurodegeneratif progresif yang menjadi penyebab utama demensia, namun deteksi dininya di Indonesia masih terkendala oleh mahalnya metode pencitraan otak seperti MRI dan PET Scan. Machine learning menawarkan alternatif deteksi dini berbasis data klinis rutin yang lebih terjangkau dan mudah diakses. Penelitian ini bertujuan mengembangkan model deteksi dini Alzheimer menggunakan algoritma Random Forest yang dioptimalkan melalui seleksi fitur dan disertai analisis interpretabilitas SHAP (SHapley Additive exPlanations) pada data klinis non-pencitraan. Dataset yang digunakan bersumber dari Kaggle, terdiri dari 2.149 data pasien dengan 32 fitur prediktor setelah pra-pemrosesan, mencakup aspek demografis, medis, kognitif, dan fungsional. Ketidakseimbangan kelas pada data latih (1.111 pasien sehat berbanding 608 pasien Alzheimer) ditangani menggunakan SMOTE. Seleksi fitur dilakukan melalui kombinasi Random Forest Feature Importance dan RFECV (Recursive Feature Elimination with Cross-Validation) dengan skema 5-fold Stratified Cross-Validation, sementara optimasi hyperparameter dilakukan menggunakan GridSearchCV terhadap 72 kombinasi parameter. Hasil penelitian menunjukkan bahwa model Random Forest menghasilkan performa yang sangat baik dengan accuracy 94,19%, precision 94,41%, recall 88,82%, F1-Score 91,53%, dan ROC-AUC 0,938. Hasil RFECV secara objektif memvalidasi bahwa seluruh 32 fitur tetap relevan bagi model, berbeda dari pendekatan pemangkasan fitur sepihak pada penelitian acuan. Analisis SHAP mengungkap bahwa Functional Assessment, ADL, MMSE, Memory Complaints, dan Behavioral Problems merupakan lima fitur paling dominan, dengan pola hubungan berbentuk ambang batas pada Functional Assessment dan ADL, serta interpretasi transparan pada level individu pasien melalui waterfall plot. Penelitian ini diharapkan dapat memberikan kontribusi pada pengembangan sistem pendukung keputusan medis untuk deteksi dini Alzheimer yang akurat sekaligus interpretatif.

Pengembangan Sistem Informasi Sekolah Berbasis Website Menggunakan Metode Rapid Application Development (RAD)

2026-09-28T16:08:00+07:00

Penelitian ini berfokus pada pengembangan Sistem Informasi Sekolah berbasis website di SMP Negeri 1 Gandusari yang bertujuan untuk meningkatkan efektivitas dan efisiensi pengelolaan layanan akademik dan informasi sekolah. Permasalahan yang dihadapi sebelumnya meliputi pencatatan absensi dan jurnal pembelajaran yang masih dilakukan secara manual, pengelolaan jadwal pelajaran dan jadwal mengajar yang belum terintegrasi, serta penyampaian informasi sekolah yang masih menggunakan media konvensional sehingga berpotensi menyebabkan keterlambatan informasi, duplikasi data, dan kurang efektifnya pengelolaan layanan. Metode yang digunakan adalah Rapid Application Development (RAD) dengan tahapan Requirement Planning, User Design, Construction, dan Cutover, sedangkan pengumpulan data dilakukan melalui observasi, wawancara, dan studi pustaka untuk mengidentifikasi dan memastikan kesesuaian sistem dengan kebutuhan pengguna. Hasil penelitian menunjukkan bahwa sistem yang dikembangkan mampu mengintegrasikan fitur jurnal pembelajaran beserta absensi siswa, jadwal pelajaran, jadwal mengajar guru, pendaftaran ekstrakurikuler, layanan aduan siswa, pengumuman, galeri kegiatan sekolah, serta penyampaian informasi sekolah dalam satu platform berbasis website. Pengujian menggunakan Black Box Testing menunjukkan bahwa fungsi-fungsi yang dikembangkan dapat berjalan sesuai dengan spesifikasi. Hasil evaluasi terhadap 23 responden memperoleh persentase sebesar 85,74% dengan kategori sangat baik, yang menunjukkan tingkat penerimaan dan kemudahan penggunaan sistem oleh pengguna. Dengan demikian, sistem yang dikembangkan dapat memenuhi kebutuhan pengguna dan mendukung pengelolaan layanan akademik serta informasi sekolah secara lebih efektif, efisien, terstruktur, dan mudah diakses.

Analysis of Land Cover Change Using Support Vector Machine Algorithm on Satellite Imagery (Case Study: Mining Area of IWIP).

2026-09-28T16:06:53+07:00

Unsupervised mining activities and the lack of proper management of the environment can bring very serious ecological effects. One of the worst is large-scale land cover change. This paper investigates the land cover changes in the mining area of PT Indonesia Weda Bay Industrial Park (IWIP), Weda Bay Nickel (WBN) area, and measures the performance of the Support Vector Machine technique of land cover classification using satellite imagery. This research is a quantitative study based on a remote sensing technique and spatial analysis in a GIS environment. Multi-temporal satellite images, Landsat-7 (2010), Landsat-8 (2014), and Sentinel-2 (2019 and 2025) were processed to land cover classes (vegetation, open land, cloud) based on the spectral indices NDVI, NDBI, and BSI. Through the post-classification comparison method, land cover changes were detected. The overall change from 2010 to 2025 is quite significant. The vegetation cover decreased from 91.2% to 84.3%, while open land increased from less than 1% to 11.4%. The greatest changes were observed in 2019 and 2025, suggesting that mining activities and related industry development have speed up A lot. The Support Vector Machine algorithm reached excellent classification accuracy over the different periods (97.47%, 96.67%, 89.52%, 95.12% in the cases of 2010 2014 2019 and 2025 respectively), and the results were supported by the high Kappa agreement scores (ranging from 0.84 to 0.96). The low difference between training and testing accuracy indicates a strong generalization without any sign of the model getting overfitted to the training data. The work highlights that Support Vector Machine algorithm, is a very good and reliable method for detecting land cover change in mining areas, where patterns are both complex as well as dynamic.