SISITI : Seminar Ilmiah Sistem Informasi dan Teknologi Informasi

Penerapan Metode Haversine Formula Pada Sistem Absensi Kegiatan Kuliah Lapangan (KKL)

Fri, 30 Jan 2026 00:00:00 +0800

Pencatatan kehadiran pada Kuliah Kerja Lapangan (KKL) yang bersifat mobile sering kali menghadapi tantangan terkait akurasi data dan potensi terjadinya kejadian, seperti praktik titip absen. Penelitian ini bertujuan untuk merancang sistem absensi berbasis web yang memanfaatkan algoritma Haversine Formula untuk memvalidasi lokasi mahasiswa secara real-time. Pendekatan yang digunakan dalam penelitian ini adalah metode eksperimen kuantitatif dengan model pengembangan prototyping. Sistem ini menghitung jarak lingkaran besar (great-circle distance), yang merupakan jarak terpendek antara dua titik pada permukaan bumi, antara posisi GPS pengguna dan titik koordinat lokasi KKL yang telah ditentukan. Hasil pengujian menunjukkan bahwa sistem ini mampu memvalidasi kehadiran dengan tingkat akurasi yang tinggi, dengan rata-rata selisih jarak antara 0,1 hingga 0,8 Meter jika dibandingkan dengan pengukuran menggunakan Google Maps, serta secara efektif menolak absensi yang dilakukan di luar radius toleransi sebesar 50 meter. Implementasi ini membuktikan bahwa metode Haversine dapat berfungsi secara efektif sebagai mekanisme geofencing yang sederhana untuk meningkatkan integritas dan akuntabilitas data kehadiran siswa.

Pengaruh Transposisi Terhadap Keamanan Dan Ketahanan Kolisi Dalam Fungsi Hash

Sri Wahyuni, Suci Rahma Dani Rachman, Herlinda — Fri, 30 Jan 2026 00:00:00 +0800

Transposisi merupakan salah satu mekanisme penting dalam perancangan fungsi hash modern karena berperan dalam menciptakan tingkat difusi yang tinggi pada data masukan. Melalui proses pengacakan posisi bit, byte, atau blok, transposisi membantu menyebarkan perubahan kecil pada input sehingga menghasilkan perubahan besar pada output, yang dikenal sebagai avalanche effect. Penelitian ini mengkaji pengaruh transposisi terhadap peningkatan keamanan dan ketahanan fungsi hash terhadap serangan kolisi. Dengan melakukan analisis pada beberapa algoritma hash seperti SHA-256, SHA-3, dan Blake2, penelitian ini menunjukkan bahwa lapisan transposisi dan permutasi yang dirancang dengan baik mampu memperkuat struktur internal fungsi hash, mengurangi pola teratur, dan memperbesar ruang pencarian bagi penyerang. Hasil kajian menunjukkan bahwa transposisi tidak hanya berfungsi sebagai komponen pendukung, tetapi merupakan elemen krusial dalam menjaga integritas dan keamanan fungsi hash modern.

Komparasi Algoritma Naïve Bayes Dan Support Vector Machine Untuk Klasifikasi Sentimen Aplikasi LinkAja

Muh. Syahlan Natsir, Rudy Donny L, Imran Djafar, Marsa, Yusril Fadliansyah — Fri, 30 Jan 2026 00:00:00 +0800

Dompet digital menjadi tren yang saat ini sering digunakan masyarakat sebagai media transaksi atau hanya sekedar menyimpan uang. LinkAja adalah salah satu aplikasi dompet digital di indonesia yang dikembangkan oleh PT. Fintek Karya Nusantara yang merupakan perusahaan BUMN. Banyaknya pengguna aplikasi LinkAja menimbulkan beragam sentimen mulai dari performa aplikasi, fitur dan lain sebagainya. dengan banyaknya sentimen dari pengguna , akan menyulitkan untuk mengolah data tersebut secara manual. maka dari itu , diperlukan analisis terhadap sentimen pengguna aplikasi LinkAja untuk mengklasifikasikan opini dari ulasan pengguna baik itu opini positif maupun negatif. Data diperoleh dari sentimen ulasan pengguna pada aplikasi LinkAja berjumlah 2312 data. adapun algoritma yang digunakan adalah naive bayes dan Support Vector machine dengan tujuan untuk membandingkan performa kedua algoritma tersebut dalam klasifikasi. Hasil yang diperoleh pada algoritma naive bayes didapatkan akurasi sebesar 82 % sementara algoritma Support Vector Machine sedikit lebih unggul dengan akurasi sebesar 83%. berdasarkan hasil perbandingan akurasi disimpulkan bahwa, algoritma Support Vector Machine memiliki performa yang lebih unggul untuk mengklasifikasikan sentimen pada ulasan aplikasi LinkAja.

Peningkatan Pengalaman Pengguna Melalui Desain UI/UX pada Sistem Prediksi Kebutuhan Bahan Baku: Studi Kasus Kafe Kanal Social Space

Lina, Faizal Faizal, Muh. Alif Anhar, Anthony Saul Rombe — Fri, 30 Jan 2026 00:00:00 +0800

Desain antarmuka pengguna (UI) dan pengalaman pengguna (UX) berperan penting dalam efisiensi sistem informasi, khususnya pada aplikasi berbasis web yang digunakan untuk prediksi kebutuhan bahan baku. Artikel ini mengulas implementasi UI/UX pada sistem prediksi di Kafe Kanal Social Space yang menggunakan metode Weighted Moving Average (WMA) sebagaimana dibahas oleh Yulis et al. (2025). Penelitian ini bertujuan untuk menganalisis bagaimana pengembangan UI/UX dapat mempengaruhi interaksi pengguna dan akurasi prediksi bahan baku. Metodologi penelitian meliputi wawancara dengan pengguna, analisis desain antarmuka, serta pengujian usability. Hasil menunjukkan bahwa penerapan prinsip-prinsip desain yang berorientasi pada pengguna dapat memperbaiki efektivitas sistem, meningkatkan kepuasan pengguna, dan mempermudah keputusan manajerial.

Intelligent Supply Chain Management: Optimasi Distribusi Farmasi Berbasis Artificial Intelligence dan Data Mining di Kabupaten Maros

Fri, 30 Jan 2026 00:00:00 +0800

Distribusi obat dan alat kesehatan di sektor publik menghadapi berbagai tantangan, seperti ketidakpastian permintaan, risiko kedaluwarsa, dan kendala geografis yang berat. Di Kabupaten Maros, perbedaan topografi antara wilayah pesisir dan pegunungan menyebabkan distribusi logistik konvensional tidak efisien, sehingga terjadi kekosongan stok di daerah terpencil dan penumpukan di area perkotaan. Penelitian ini bertujuan mengembangkan sistem Manajemen Rantai Pasok Cerdas (ISCM) yang mengintegrasikan kecerdasan buatan untuk mengotomatiskan pengambilan keputusan logistik. Pendekatan yang digunakan adalah metode eksperimen melalui pembuatan prototipe sistem cerdas. Dalam penelitian ini, algoritma K-Means digunakan untuk mengelompokkan fasilitas kesehatan berdasarkan aksesibilitas, sementara Machine Learning dengan metode Arima Time Series digunakan untuk memprediksi kebutuhan obat secara tepat. Hasil pengujian menunjukkan bahwa sistem mampu mengelompokkan fasilitas kesehatan ke dalam tiga klaster prioritas dan merekomendasikan buffer stock dinamis (penambahan 20-50%) untuk daerah pegunungan. Implementasi modul FEFO (First Expired, First Out) dan visualisasi peta GIS dari dashboard sistem meningkatkan pengawasan stok secara real-time dan meminimalkan risiko kedaluwarsa obat. Sistem ini menawarkan solusi proaktif untuk memastikan ketersediaan farmasi yang merata.

Implementasi Hierarchical Reasoning Model (HRM) Pada Kasus Klasifikasi

Arwansyah, Suryani, Hasyrif SY, Nurdiansah, Ahyuna — Fri, 30 Jan 2026 00:00:00 +0800

Penelitian ini mengeksplorasi penerapan Hierarchical Reasoning Model (HRM) tersimulasi sebagai arsitektur pembelajaran mendalam untuk tugas klasifikasi pada berbagai karakteristik data. HRM dirancang untuk meniru proses kognitif dengan memisahkan "perencanaan" tingkat tinggi dari "eksekusi" tingkat rendah dalam siklus penalaran berulang. Model ini diimplementasikan menggunakan TensorFlow/Keras dan diuji pada tiga dataset benchmark: Breast Cancer Wisconsin (BCD), Diabetes Pima Indian, dan Iris. Hasil eksperimen menunjukkan perbedaan kinerja yang signifikan berdasarkan dimensi fitur dan kompleksitas data. HRM menunjukkan efektivitas superior pada dataset BCD (30 fitur) dengan mencapai akurasi pengujian sebesar 96%, membuktikan bahwa mekanisme penyempurnaan state laten sangat menguntungkan pada data berdimensi tinggi. Sebaliknya, pada dataset Diabetes (8 fitur), model mengalami overfitting ekstrem dengan akurasi 71%, sementara pada dataset Iris (4 fitur), model mengalami mode collapse dengan akurasi hanya 33,3%. Temuan ini menyimpulkan bahwa meskipun arsitektur penalaran hierarkis unggul dalam mengekstraksi informasi dari data yang kompleks dan kaya fitur, model ini cenderung tidak stabil dan over-engineered untuk dataset berdimensi rendah. Penelitian ini memberikan wawasan penting mengenai batasan struktural HRM dan perlunya adaptasi arsitektur berdasarkan karakteristik input data untuk mencapai generalisasi yang optimal.

Perancangan Aplikasi Sistem Pendukung Keputusan Pemberian Beasiswa Bagi Siswa SMK Negeri 1 Bantaeng

Magfirah, Novita Sambo Layuk, Imran Djafar — Fri, 30 Jan 2026 00:00:00 +0800

Sistem Pendukung Keputusan dapat digambarkan sebagai sistem yang berkemampuan mendukung analisis ad hoc data, dan pemodelan keputusan, berorientasi keputusan, orientasi perencanaan masa depan, dan digunakan pada saat-saat yang tidak biasa. Beasiswa adalah pemberian berupa bantuan keuangan yang diberikan kepada perorangan yang bertujuan untuk digunakan demi keberlangsungan pendidikan yang ditempuh. Beasiswa dapat diberikan oleh lembaga pemerintah, perusahaan ataupun yayasan. Proses pemberian beasiswa yang dilakukan di SMK N 1 Bantaeng dengan cara memilih-memilih siswa di setiap kelas, mana yang berhak diberikan beasiswa kemudian ditanyakan kepada guru-guru lainnya untuk diseleksi kembali kemudian hasil seleksi tersebut selanjutnya diserahkan kepada wakasek kesiswaan yang memiliki wewenang untuk mengeluarkan beasiswa. Sebaiknya SMK Negeri1 Bantaeng dalam penentuan pemberian beasiswa sekarang itu harus dibantu oleh suatu sistem yang dapat menyeleksi siswa mana yang berhak menerima beasiswa tersebut, di mana sistem ini dapat menyeleksi kriteria yang dimiliki siswa yang memungkinkan siswa tersebut dapat memperoleh beasiswa, sehingga beasiswa yang dikeluarkan lebih tepat sasaran pemberiannya kepada siswa yang benar-benar lebih berhak menerimanya. Oleh karena itu perlu dirancang sebuah SPK untuk menentukan pemberian beasiswa agar pemberian beasiswa lebih objektif. Hasil akhir akan diperoleh siswa dengan tingkat sangat berhak dengan nilai total >= 90, berhak dengan nilai total >= 80, cukup berhak dengan nilai total >= 60 dan tidak berhak dengan nilai total < 60.

Deteksi Dini Permasalahan Akademik Mahasiswa Menggunakan Algoritma K-Means

Muhardi Hardi, Hasriani, Thabrani, Heriadi — Fri, 30 Jan 2026 00:00:00 +0800

Penelitian ini bertujuan menganalisis pola akademik mahasiswa menggunakan metode clustering berdasarkan atribut IPK, nilai mata kuliah inti, jumlah SKS, mata kuliah diulang, status cuti, dan semester. Penelitian ini juga mengembangkan sistem informasi berbasis web menggunakan framework Laravel sebagai media implementasi algoritma K-Means sehingga proses pengolahan dan visualisasi data dapat dilakukan secara terintegrasi. Data akademik sebanyak 100 mahasiswa diproses melalui tahap prapemrosesan berupa normalisasi Min-Max, kemudian dikelompokkan menggunakan algoritma K-Means dengan empat cluster. Hasil pengelompokan menunjukkan bahwa setiap cluster memiliki karakteristik akademik yang berbeda, yaitu mahasiswa dengan IPK rendah namun nilai inti tinggi, mahasiswa dengan capaian akademik sedang, mahasiswa yang sering mengambil cuti, serta mahasiswa dengan kecenderungan mengulang mata kuliah dan cuti tinggi. Atribut IPK, nilai inti, dan mata kuliah diulang menjadi indikator utama dalam membedakan kelompok mahasiswa berdasarkan tingkat risiko akademik. Sistem berbasis web yang dibangun mampu menyajikan hasil clustering secara visual dan informatif sehingga dapat dimanfaatkan sebagai alat bantu bimbingan akademik dan deteksi dini permasalahan akademik mahasiswa.

Penerapan Algoritma K-Medoids untuk Mengelompokkan Pola Harga High–Low Berdasarkan Volume Perdagangan pada Data Candlestick Timeframe H4 XAUUSD

Ardimansyah, Abdul Ibrahim, Cucut Susanto — Fri, 30 Jan 2026 00:00:00 +0800

Pergerakan harga emas (XAUUSD) memiliki karakteristik volatilitas yang tinggi sehingga memerlukan analisis pola yang efektif untuk memahami kondisi pasar. Penelitian ini bertujuan untuk mengelompokkan pola pergerakan harga High–Low berdasarkan volume perdagangan pada data candlestick H4 XAUUSD menggunakan algoritma K-Medoids. Data yang digunakan terdiri dari 1.541 candlestick dengan variabel High, Low, dan Volume, di mana range harga dihitung sebagai selisih antara nilai High dan Low. Proses klasterisasi dilakukan terhadap data yang telah dinormalisasi menggunakan StandardScaler dengan jumlah klaster sebanyak tiga. Hasil penelitian menunjukkan bahwa algoritma K-Medoids mampu membentuk klaster dengan karakteristik pasar yang berbeda, yaitu klaster dengan volatilitas dan volume tinggi, menengah, serta rendah. Kualitas pengelompokan dievaluasi menggunakan Silhouette Score dan diperoleh nilai sebesar 0,378 yang menunjukkan hasil klasterisasi cukup baik. Hasil penelitian ini diharapkan dapat memberikan gambaran pola pergerakan harga emas berdasarkan aktivitas volume perdagangan serta menjadi dasar analisis lanjutan dalam studi pasar keuangan.

Tanggung Jawab Perdata Penyedia Platform AI Terhadap Pelanggaran Hak Cipta Karya Digital Di Indonesia

Abdul Rauf, Annah, Hardi — Fri, 30 Jan 2026 00:00:00 +0800

Pesatnya adopsi Kecerdasan Buatan (AI) Generatif di Indonesia saat ini, telah memicu krisis perlindungan kekayaan intelektual, khususnya terkait penggunaan karya digital sebagai data pelatihan tanpa izin. Penelitian ini bertujuan untuk menganalisis kedudukan hukum platform AI dalam kerangka hukum positif Indonesia serta mengkaji mekanisme tanggung jawab perdata platform terhadap pelanggaran hak cipta pada fase input maupun output sistem. Dengan menggunakan metode penelitian hukum normatif dan pendekatan perundang-undangan (statute approach), penelitian ini menemukan bahwa platform AI berkedudukan sebagai Penyelenggara Sistem Elektronik (PSE) yang memikul tanggung jawab atas keandalan sistemnya. Hasil analisis menunjukkan bahwa platform dapat dimintai pertanggungjawaban perdata melalui Pasal 1365 KUHPerdata tentang Perbuatan Melawan Hukum (PMH) dengan standar kesalahan objektif. Namun, penegakan hukum menghadapi kendala serius berupa masalah Black Box Algorithm dan minimnya transparansi dataset. Penelitian ini merekomendasikan perlunya regulasi yang mewajibkan transparansi data pelatihan AI dan penerapan beban pembuktian terbalik dalam sengketa hak cipta digital guna memberikan perlindungan hukum yang berkeadilan bagi pencipta manusia di era otomatisasi seperti sekarang ini.

Explainable Artificial Intelligence (XAI) Pada Time Series Forecasting Menggunakan Gated Recurrent Unit (GRU)

Arwansyah, Hasyrif SY, Suryani, Usman, Samsu Alam — Fri, 30 Jan 2026 00:00:00 +0800

Penelitian ini bertujuan untuk mengatasi tantangan black box yang melekat pada model deep learning dalam tugas prediksi deret waktu dengan mengimplementasikan Explainable Artificial Intelligence (XAI). Kami menggunakan Gated Recurrent Unit (GRU), sebuah arsitektur jaringan berulang yang efisien, sebagai model prediktif utama karena kemampuannya dalam menangkap dependensi temporal yang kompleks. Model ini diuji pada empat domain data yang berbeda yakni ETTh1 (Energi Jam), ETTm1 (Energi Menit), data Weather (Cuaca), dan ExchangeRate (Keuangan), untuk memastikan validitas dan generalisasi. Metode kunci yang digunakan adalah GRU untuk prediksi dan SHapley Additive exPlanations (SHAP) untuk interpretasi. SHAP melalui KernelExplainer secara kuantitatif memberikan atribusi kontribusi setiap lagged feature terhadap prediksi model. Hasil eksperimen secara konsisten menunjukkan bahwa penerapan XAI pada GRU tidak hanya memvalidasi akurasi model tetapi juga memberikan informasi yang transparan dan rinci mengenai hasil prediksi deret waktu. Informasi ini mencakup identifikasi lagged feature mana yang memiliki pengaruh terbesar (secara global) dan bagaimana setiap nilai masa lalu (secara lokal) mendorong prediksi menuju nilai tertentu. Studi ini menegaskan pentingnya implementasi XAI untuk mencapai akuntabilitas yang lebih tinggi dalam sistem prakiraan deret waktu berbasis GRU.