Widyatama Repository

Widyatama Repository is a digital service that collects, preserves, and distributes digital material.

Kampus Merdeka
 

Communities in DSpace

Select a community to browse its collections.

Now showing 1 - 5 of 7

Recent Submissions

Thumbnail Image
Item
PERBANDINGAN KINERJA ALGORITMA RANDOM FOREST, SUPPORT VECTOR MACHINE, DAN NAIVEBAYES CLASSIFIER DALAM REKOMENDASI FILM PADA DATASET MOVIELENS
(Program Studi S1 Informatika, 2024) Robbani, Azzam Haqqoni; Ari Purno Wahyu Wibowo (Pembimbing)
Penelitian ini membandingkan kinerja tiga algoritma pembelajaran mesin, yaitu Random Forest, Support Vector Machine (SVM), dan Naive Bayes Classifier, dalam konteks rekomendasi film menggunakan dataset Movielens. Tujuan utama penelitian ini adalah untuk menentukan algoritma terbaik yang dapat digunakan dalam sistem rekomendasi film.Hasil penelitian menunjukkan bahwa algoritma Random Forest mencapai tingkat akurasi tertinggi, yaitu 76.30%, dibandingkan dengan SVM dan Naive Bayes yang masing-masing mencapai akurasi 34.12% dan 34.36%. Hal ini menandakan bahwa Random Forest mampu mengenali pola data dengan lebih baik dan memberikan rekomendasi yang lebih akurat dalam sistem rekomendasi film. Oleh karena itu, algoritma Random Forest dipilih sebagai model terbaik untuk diterapkan dalam pengembangan sistem rekomendasi.Penelitian ini memberikan kontribusi dalam memahami keunggulan algoritma Random Forest untuk sistem rekomendasi.
Thumbnail Image
Item
IMPLEMENTASI DAN ANALISIS ALGORITMA CONTENTBASED FILTERING PADA SISTEM REKOMENDASI PRODUK TAS PADA BASIS DATA MYSQL
(Program Studi S1 Informatika, 2025) Pranata, Aryoga; Feri Sulianta (Pembimbing)
Sistem rekomendasi merupakan elemen penting dalam platform digital modern yang berfungsi untuk meningkatkan kenyamanan pengguna dengan menyajikan produk yang relevan. Penelitian ini mengimplementasikan dan menganalisis algoritma Content-Based Filtering (CBF) pada sistem rekomendasi produk tas menggunakan basis data MySQL. CBF bekerja dengan mencocokkan kesamaan fitur antar produk, berdasarkan atribut seperti kategori, bahan, dan deskripsi produk. Teknik Natural Language Processing (NLP) digunakan untuk mengekstraksi informasi penting dari deskripsi produk menggunakan metode TFIDF, yang kemudian diolah menggunakan Cosine Similarity untuk menghasilkan skor kemiripan antar produk. Data produk dan riwayat preferensi pengguna dianalisis untuk menghasilkan rekomendasi yang relevan. Sistem kemudian dievaluasi menggunakan metrik Precision, Recall, F1 Score, dan Mean Average Precision (MAP). Hasil pengujian menunjukkan bahwa sistem menghasilkan nilai Precision sebesar 100%, Recall sebesar 3,01%, F1 Score sebesar 5,84%, dan MAP sebesar 100%. Nilai Precision dan MAP yang tinggi mengindikasikan bahwa sistem mampu memberikan rekomendasi yang sangat akurat, meskipun nilai Recall yang rendah menunjukkan bahwa cakupan item yang direkomendasikan masih terbatas. Dengan adanya sistem ini, diharapkan pengguna dapat memperoleh pengalaman berbelanja yang lebih personal dan efisien, serta meningkatkan tingkat keterlibatan pada platform e-commerce.
Thumbnail Image
Item
IMPLEMENTASI U-NET DAN CONVOLUTIONAL NEURAL NETWORK (CNN) TRANSFER LEARNING MENGGUNAKAN MODEL VGG-16 PADA CITRA MRI UNTUK MENGKLASIFIKASI TUMOR OTAK
(Program Studi S1 Informatika, 2025) Nurjaman, Arya Dwi; Azizah Zakiah (Pembimbing)
Tumor otak merupakan kondisi serius yang dapat menyebabkan gangguan pada sistem saraf dan berpotensi mengancam jiwa. Diagnosis dini dan akurat tumor otak sangat penting untuk meningkatkan hasil pengobatan pasien. Penelitian ini bertujuan untuk mengimplementasikan kombinasi algoritma U-Net dan Convolutional Neural Network (CNN) dengan Transfer Learning menggunakan model VGG-16 untuk membantu mengklasifikasikan tumor otak melalui Magnetic Resonance Imaging (MRI). Arsitektur U-Net digunakan untuk mengekstrak fitur, sementara CNN yang ditingkatkan dengan Transfer Learning digunakan untuk mengklasifikasikan jenis tumor seperti glioma, meningioma, pituitary, dan notumor. Penelitian ini menggunakan dataset yang bersumber dari Kaggle, yang terdiri dari citra MRI yang dibagi menjadi folder pelatihan dan pengujian, dengan empat kelas tumor: glioma, meningioma, pituitary, dan non-tumor. Beberapa langkah yang di lakukan antara lain preprocessing, pembuatan arsitektur model, train model dan evaluasi model setelah model di evaluasi selanjutnya adalah mengimplementasikan nya ke dalam streamlit. Kinerja klasifikasi CNN dievaluasi menggunakan Confusion matrix seperti akurasi, presisi, recall, dan F1-score. Kombinasi U-Net dan CNN dengan Transfer Learning menghasilkan model yang cukup baik dengan akurasi mencapai 97% dan nilai f1-score, recall, dan presisi memiliki nilai yang cukup bagus yaitu sekitar 94% sampai 99% pada tiap kelasnya. Dengan demikian penelitian ini diharapkan dapat menjadi inovasi dalam pengelolaan citra mri untuk tumor otak
Thumbnail Image
Item
PENGEMBANGAN SISTEM REKOMENDASI STOK BARANG MELALUI ANALISIS POLA PEMBELIAN DENGAN ALGORITMA FP-GROWTH
(Program Studi S1 Informatika, 2025) Saepudin, Ari; Yan Puspitarani (Pembimbing)
Thumbnail Image
Item
PENGEMBANGAN APLIKASI TRACKING BERBASIS MOBILE SOLUSI PEMASARAN DAN PENGIKLANAN UNTUK PEDAGANG
(Program Studi S1 Informatika, 2025) Maulana, Ar Rafi; Yosi Malatta Madsu (Pembimbing)
Pemasaran dan periklanan berperan penting dalam meningkatkan visibilitas dan keuntungan bisnis. Namun, pedagang keliling sering menghadapi kesulitan dalam memasarkan produk mereka karena tidak memiliki lokasi tetap. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan Sana Mobile, sebuah aplikasi berbasis mobile yang memanfaatkan fitur tracking untuk membantu pedagang menjangkau konsumen dengan lebih efisien. Aplikasi ini memungkinkan pengguna untuk melacak lokasi pedagang secara langsung yang disajikan dalam tampilan peta, melihat informasi produk, serta berkomunikasi langsung melalui fitur chat. Pengembangan dilakukan menggunakan Flutter (Dart) untuk frontend, Go (Golang) untuk backend, PostgreSQL sebagai database dan Firebase Cloud Messaging untuk push notification . Pengujian menggunakan metode Black Box Testing, memastikan setiap fitur berfungsi sesuai kebutuhan pengguna. Hasil penelitian menunjukkan bahwa aplikasi ini dapat meningkatkan aksesibilitas pedagang dan mempermudah konsumen dalam menemukan produk yang mereka butuhkan secara cepat dan efisien.