Jurnal Teknologi dan Sistem Tertanam (JTST)

SEGMENTASI PELANGGAN PRIVATE GYM BERDASARKAN DATA BOOKING DENGAN ALGORITMA K-MEANS

2026-01-31T15:39:10+07:00

Perkembangan industri kebugaran mendorong meningkatnya minat masyarakat terhadap layanan private gym yang
menawarkan pengalaman berlatih yang lebih personal. Namun, tantangan yang dihadapi manajemen adalah memahami
perilaku pelanggan yang beragam agar strategi pelayanan dan pemasaran dapat tepat sasaran. Studi ini bertujuan untuk
mengelompokkan pelanggan private gym berdasarkan data booking menggunakan algoritma K-Means. Data yang
digunakan meliputi jumlah sesi booking, durasi latihan, serta waktu pemesanan. Metode penelitian mencakup tahap pra
pemrosesan data, penerapan algoritma K-Means untuk membentuk kelompok pelanggan, serta menggunakan Elbow
Method untuk menentukan nilai k yang optimal dan mengetahui kualitas cluster yang dihasilkan dengan Silhouette Score.
Implementasi dilakukan pada sistem berbasis web menggunakan framework Laravel yang menampilkan hasil segmentasi
dalam bentuk tabel dan visualisasi grafik. Hasil penelitian menunjukkan bahwa pelanggan dapat dikelompokkan menjadi
tiga segmen utama, yaitu pelanggan aktif, pasif, dan potensial. Kesimpulannya, penerapan algoritma K-Means mampu
membantu manajemen private gym dalam memahami karakteristik pelanggan serta merumuskan strategi bisnis yang
lebih efektif dan berbasis data.

SISTEM PENGELOMPOKAN PRODUK ELEKTRONIKA MENGGUNAKAN METODE K-MEANS CLUSTERING

2026-01-31T15:39:10+07:00

Perkembangan teknologi telah beralih ke proyek elektronika seperti Internet of Things (IoT), yang menyebabkan
peningkatan signifikan dalam permintaan komponen seperti mikrokontroler, sensor, dan komponen pendukung lainnya.
Sebuah survei internal di toko BCS Elektronika Malang menunjukkan adanya masalah dalam manajemen stok yang tidak
sesuai karena analisa pola perputaran produk masih menggunakan intuisi. Penelitian ini bertujuan untuk membuat sistem
segmentasi produk berdasarkan popularitasnya, yaitu produk high turnover, medium turnover, dan low turnover dengan
metode k-means menggunakan tiga variable yaitu total terjual produk, frekuensi produk dan recency produk berdasarkan
data transaksi yan telah ada. Dari hasil uji blackbox mengunjukan sistem dapat berjalan sesuai dengan yang diujikan.
Pengujian hasil metode menggunakan skor silhouette menghaslkan nilai 0.8556 yang menunjukan bahwa hasil clustering
dinilai cukup baik, hasil dari clustering juga direpresentasikan dalam bentuk tabel daftar produk dan informasi cluster
produk tersebut.

PREDIKSI HARGA SAHAM SEKTOR ASURANSI MENGGUNAKAN ALGORITMA LONG-SHORT TERM MEMORY (LSTM)

2026-01-31T15:39:10+07:00

Investasi saham merupakan salah satu instrumen keuangan yang diminati untuk memperoleh keuntungan yang lebih tinggi. Namun, dalam melakukan investasi saham diperlukan analisis mendalam terhadap data historis perusahaan untuk mengetahui potensi kenaikan atau penurunan harga saham. Fluktuasi harga yang dinamis memerlukan pemodelan data yang mampu memberikan prediksi secara akurat. Salah satu algoritma yang dikembangkan untuk mengatasi permasalahan data berurutan dengan jangka waktu panjang adalah Long Short-Term Memory (LSTM). Penelitian ini bertujuan untuk memprediksi harga saham pada asuransi yang terdaftar di Bursa Efek Indonesia, yaitu PT Asuransi Tugu Pratama Indonesia Tbk (TUGU.JK), PT Asuransi Multi Artha Guna Tbk (AMAG.JK), dan PT Asuransi Harta Aman Pratama Tbk (AHAP.JK). Berdasarkan hasil pengujian dengan beberapa variasi epoch, diperoleh nilai Root Mean Square Error (RMSE) terbaik pada masing-masing saham, yaitu TUGU.JK dengan 150 epoch menghasilkan RMSE sebesar 15,89, AMAG.JK dengan 100 epoch menghasilkan RMSE sebesar 7,96, dan AHAP.JK dengan 200 epoch menghasilkan RMSE sebesar 2,56. Hasil tersebut menunjukkan bahwa model LSTM mampu mengenali pola pergerakan harga saham dengan baik dan memberikan hasil prediksi yang akurat, sehingga dapat membantu investor dalam pengambilan keputusan investasi yang lebih tepat dan berbasis data historis

PREDICTING STUDENT STRESS AND MENTAL HEALTH USING SUPPORT VECTOR MACHINE

2026-01-31T15:39:11+07:00

Student mental health is a critical issue in Indonesia, with more than 30% of students experiencing symptoms of stress and depression due to academic, social, and economic pressures. This study aims to develop a stress classification pipeline based on a Likert-scale survey using the Support Vector Machine (SVM) algorithm. A quantitative cross-sectional method was employed with 293 active university student respondents, encompassing stages of data preprocessing, labeling based on median scores, normalization, feature selection, model training, and evaluation. The evaluation results show an accuracy of 89.77%, with precision, recall, and F1-score values consistently ranging between 0.897–0.898. The confusion matrix indicates a balanced classification distribution between the “Stress” and “No Stress” classes. The discussion reveals that dominant factors in stress classification include academic pressure, sleep disturbance, and social support, aligning with established psychological stress theories. This study demonstrates that the SVM model is effective in classifying student stress and that the constructed pipeline adheres to the principles of reproducibility, auditability, and data ethics. The proposed system has the potential to be developed into a practical and responsible stress monitoring tool accessible to educational institutions.

The COMPARISON OF NEURAL NETWORK AND RANDOM FOREST MODEL PERFORMANCE IN DIABETES DISEASE DETECTION

2026-01-31T15:39:11+07:00

In order to better understand how neural networks and random forest algorithms detect diabetes, this study will assess their performance. The necessity for trustworthy prediction methodologies, especially in the healthcare industry, is the driving force behind this study's foundation. Accuracy, precision, recall, F1-score, and AUC-ROC are important metrics, and the Pima Indian Diabetes dataset from Kaggle is used for this purpose.

Collecting and preparing data, normalizing it, and dividing it into training and testing subsets are all part of the study methodology. In order to rectify the data's class imbalance, the Synthetic Minority Oversampling Technique (SMOTE) was utilized to equalize the distribution of diabetes cases, both positive and negative. In contrast to the Random Forest model's use of an ensemble of decision trees to produce predictions, the Neural Network model was built with numerous hidden layers.

Applying SMOTE improved the performance of both models, according to the data. In comparison to the Neural Network's 61% F1-score, Random Forest's recall and F1-score improvement reached 72%. According to these results, data balancing greatly enhances the models' capacity to correctly detect positive and negative instances.

IMPLEMENTASI CONVOLUTIONAL NEURAL NETWORK UNTUK KLASIFIKASI PENYAKIT DAUN PISANG MENGGUNAKAN CITRA DIGITAL

2026-01-31T15:39:11+07:00

Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi penyakit daun pisang berbasis pengolahan citra digital menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur ResNet50V2. Dataset yang digunakan terdiri dari lima kategori, yaitu Cordana, Black Sigatoka, Yellow Sigatoka, Sehat, dan Non-Banana, yang dikumpulkan dari perkebunan PT Daun Kita Djoyo di Malang. Proses penelitian meliputi pengumpulan dan pelabelan data, pra-pemrosesan citra melalui penyesuaian ukuran menjadi 224×224 piksel, normalisasi, serta augmentasi dengan rotasi, zoom, dan flip. Pelatihan dan validasi model dilakukan menggunakan framework TensorFlow dan Keras pada platform Google Colab, kemudian diimplementasikan ke dalam aplikasi web berbasis Flask. Hasil pengujian menunjukkan bahwa model ResNet50V2 mencapai akurasi pelatihan sebesar 96,08% dan akurasi validasi sebesar 96,01%, dengan nilai loss masing-masing 0,13 dan 0,15. Pengujian terhadap data uji menghasilkan akurasi rata-rata sebesar 95,2% dengan confusion matrix yang menunjukkan tingkat presisi tinggi pada setiap kategori penyakit. Aplikasi web yang dikembangkan memungkinkan pengguna mengunggah citra daun pisang dan memperoleh hasil klasifikasi beserta nilai probabilitas prediksinya secara langsung.