Jurnal Ilmiah Sistem Informasi dan Teknik Informatika (JISTI)

Penerapan Metode Weighted Product dan Rank Order Centroid dalam Sistem Pendukung Keputusan Pemilihan Pupuk Padi

Lut Faizal — 2026-04-25

Choosing the right type of fertilizer is a crucial factor in increasing rice productivity. Problems often faced by farmers are a lack of understanding of the nutritional content of fertilizers and limited access to credible agricultural information. To overcome these challenges, this research aims to develop a Decision Support System (SPK) based on the Weighted Product (WP) and Rank Order Centroid (ROC) methods to help farmers choose the best fertilizer. The ROC method is used to determine the weight of criteria based on priority ranking, while the WP method is used to evaluate and rank fertilizer alternatives based on predetermined weight values. The criteria used in this study include nitrogen, phosphorus, potassium, sulfur, organic content, price, and availability in the local market. The fertilizer alternatives analyzed are: Urea, SP-36, ZA, NPK Phonska, KCL and Petroganik. The test results show that NPK Phonska is the best fertilizer alternative, followed by ZA and Urea.

Pemrosesan Query Pada Sistem Monitoring Lingkungan Berbasis Jaringan Sensor Nirkabel

Gunawan Halim — 2026-04-25

In wireless sensor network (WSN) and Internet of Things (IoT) systems, inter-node communication is predominantly unidirectional, in which sensor nodes transmit data to a central collection node. Nevertheless, certain scenarios necessitate bidirectional communication, enabling users to request specific data from distributed nodes without reliance on scheduled transmissions. The objective of this study is to develop a data query processing mechanism suitable for environmental monitoring systems based on WSN and IoT architectures. Arduino microcontrollers and the nRF24L01 communication module were utilized as a cost-effective and reliable prototyping platform, with eleven distinct query types designed to facilitate user interaction. Field experiments conducted in an agricultural setting revealed that the query processing system achieved a satisfactory accuracy rate at a sensor-to-base-station distance of 30 meters—specifically, 4 out of 50 transmitted queries failed, resulting in an accuracy of 92%. At a distance of 60 meters, an accuracy rate of 80% was deemed acceptable. Moreover, a numerical simulation model indicated that distances of up to 70 meters constitute the optimal operational range, affording both robust communication accuracy and enhanced energy efficiency. Distances exceeding 70 meters necessitate supplementary strategies, such as the deployment of repeater nodes.

Analisis Komparatif Performa Go, Bun, dan PHP dalam Menangani HTTP Request Data Besar dari Database MySQL

Kamarudin Kamarudin — 2026-04-25

Penelitian ini menyajikan analisis komparatif performa tiga runtime backend Go, Bun, dan PHP dalam menangani HTTP request dengan beban data besar dari database MySQL. Pengujian dilakukan menggunakan Grafana k6 dengan skenario ramp up hingga 250–300 virtual users (VU) selama 6–7 menit, di deploy pada platform Railway.app dengan spesifikasi 8 vCPU dan 8 GB RAM. Tiga skenario diuji: (1) query 10.000 baris × 40 field dengan 250 VU, (2) query 5.000 baris × 40 field dengan 250 VU, dan (3) query 1.000 baris × 50 field dengan 300 VU. Hasil menunjukkan bahwa Go secara konsisten unggul di seluruh skenario dengan throughput tertinggi mencapai 19,3 req/s pada skenario 10.000 baris dan konsumsi memori yang efisien (43–155 MB). Bun berada di posisi kedua dengan throughput 2,1–3,04 req/s namun mengalami konsumsi memori tertinggi (116–425 MB) akibat double allocation pada proses JSON.stringify(). PHP menunjukkan throughput terendah (3,5–4,8 req/s) dengan error rate yang sangat tinggi (81,4–99,9%) akibat keterbatasan arsitektur PHP-FPM yang sinkronus dalam menangani concurrent requests. Root cause analysis mengidentifikasi bahwa streaming JSON encoder Go, model goroutine yang ringan, dan garbage collector yang prediktabel menjadi faktor utama keunggulan performa Go. Temuan penelitian memberikan panduan empiris bagi pengembang dalam memilih runtime yang sesuai berdasarkan karakteristik beban data dan tingkat konkurensi yang dibutuhkan

Penerapan Customer Relationship Management (CRM) Dalam Meningkatkan Kualitas Layanan Toko Yayyashop Berbasis Website

Karanita Karanita — 2026-04-25

Toko Yayyshop merupakan sebuah bisnis yang bergerak di bidang penjualan kosmetik dan skincare. Toko Yayyshop berlokasi di Bumi Pratama Residance Jl. Tamangapa Raya No.3 Kelurahan Bangkala, Antang, Kecamatan Manggala. Permasalahan muncul dari pemasaran online karena banyak pelanggan yang mengeluhkan pelayanan yang diberikan. Hal ini berdampak negatif bagi pihak toko, termasuk berkurangnya loyalitas pelanggan dan meningkatnya pembatalan memesan produk. Toko Yayyshop juga belum memiliki sistem untuk mengelola dan menyimpan data transaksi, data pelanggan dan laporan penjualan, sehingga prosesnya masih manual dan memakan waktu yang cukup lama. Tujuan dari penelitian ini adalah membangun sistem yang dapat menjalankan proses bisnisnya dan meningkatkan kualitas layanan terhadap pelanggan dengan menerapkan strategi bisnis yaitu CRM (Customer Relationship Management). Customer Relationship Management merupakan strategi yang komprehensif bagi toko agar siklus hidup setiap pelanggan dapat digunakan secara optimal. Hasil dari penerapan Customer Relationship Management (CRM) mengacu pada software sistem membantu toko mendapatkan pelanggan baru, memperoleh dan menyimpan data pelanggan, mempertahankan loyalitas pelanggan, memfasilitasi layanan yang terbaik untuk kepuasan pelanggan, dan pada akhirnya meningkatkan penjualan dan pendapatan. Perancangan website toko Yayyshop ini telah layak digunakan, dengan persentase jawaban 80% penguji setuju terhadap tampilan informasi pada website, 80% sangat setuju untuk kemudahan penggunaan menu dan fitur, 70% penggunaan sistem ini memuaskan secara keseluruhan

Sistem Informasi Bantuan Bagi Penyandang Disabilitas Berbasis WEB di Kantor Dinas Sosial Kabupaten Soppeng

Andi Patappari — 2026-04-27

Adanya masalah penerimaan bantuan sistem informasi bagi penyandang disabilitas yang masih menggunakan penginputan data bantuan secara manual dan pengelolaan data menggunakan waktu yang relatif lama serta kurang efektif pada dinas sosial Kabupaten Soppeng. Sistem ini dirancang untuk meningkatkan efisiensi dan efektivitas dalam pemberian bantuan disabilitas, memudahkan akses informasi bagi staf dan penyandang disabilitas, serta mendukung transparansi dan akuntabilitas pelayanan publik. Melalui sistem ini, diharapkan proses pendataan, pengolahan, dan penyampaian informasi mengenai disabilitas dapat berjalan lebih optimal dan terintegrasi. Adapun metode dan pendekatan yang digunakan dalam penelitian adalah metode pengumpulan data meliputi teknik observasi, kepustakaan, dan wawancara serta pendekatan terstruktur yang menggunakan beberapa alat bantu dan teknik pengerjaan. Dengan diimplementasikan Sistem Informasi Bantuan Disabilitas Berbasis Web Di Kantor Dinas Sosial Kabupaten Soppeng menggunakan bahasa pemrograman php dan mysql dapat memudahkan pihak dinas sosial untuk melakukan pendataan penerima bantuan social disabilitas

Prediksi Produktivitas Jagung Berbasis Explainable Machine Learning dan Seleksi Fitur Adaptif

Hermin Hermin — 2026-04-28

Produktivitas jagung dipengaruhi oleh faktor agroklimat dan karakteristik tanah yang saling berinteraksi secara kompleks, sehingga diperlukan pendekatan prediktif yang akurat sekaligus interpretatif. Penelitian ini bertujuan membangun model prediksi produktivitas jagung berbasis machine learning dengan dukungan seleksi fitur adaptif dan explainable machine learning. Data penelitian terdiri atas 180 observasi yang mencakup variabel produktivitas jagung, agroklimat, dan sifat tanah. Tahapan penelitian meliputi pra-pemrosesan data, seleksi fitur adaptif, pengembangan model, evaluasi performa, dan analisis feature importance. Model yang diuji meliputi Elastic Net, Random Forest, dan Gradient Boosting. Hasil penelitian menunjukkan bahwa seleksi fitur adaptif berhasil mereduksi 10 fitur numerik awal menjadi 6 fitur optimal, yaitu curah hujan, penyinaran, suhu rata-rata, elevasi, nitrogen, dan pH tanah. Model terbaik diperoleh pada Random Forest setelah seleksi fitur dengan nilai RMSE sebesar 0,548, MAE sebesar 0,426, dan R² sebesar 0,528. Analisis explainability menunjukkan bahwa curah hujan merupakan fitur paling dominan, diikuti pH tanah, suhu rata-rata, elevasi, penyinaran, dan nitrogen. Hasil ini menegaskan bahwa integrasi seleksi fitur adaptif dan explainable machine learning efektif untuk menghasilkan model prediksi produktivitas jagung yang lebih akurat, efisien, dan interpretatif

Klasifikasi Jenis Kurma Berdasarkan Fitur Warna, Bentuk, dan Tekstur Dengan Support Vector Machine

Andika Setiawan — 2026-04-30

This study was conducted to address the difficulty in distinguishing between the widely distributed date varieties in Indonesia ie Ajwa, Sukari, and Medjool, which often share similar visual characteristics. The objective of the research was to develop an automatic classification system based on digital image processing and machine learning. Date fruit images were collected and processed through several stages, including preprocessing, segmentation using adaptive thresholding and morphological operations, followed by feature extraction covering color (HSV mean and standard deviation), shape (area and Hu moments), and texture (GLCM). The extracted features were then classified using a Support Vector Machine (SVM) with k-fold cross-validation and parameter optimization via Grid Search, employing both linear and RBF kernels. The results demonstrated very high performance, with an average accuracy of 96.86% for the linear kernel and 88.33% for the RBF kernel, with the best model obtained using the linear kernel at C=100. The minimal classification errors indicate that the extracted features were effective in consistently distinguishing the three date varieties. These findings confirm that classical feature-based methods combined with SVM remain highly competitive and efficient, particularly with limited datasets. The implications of this research highlight its potential application in supporting the imported fruit trade industry as well as serving as a reference for future studies in agro-informatics.

Implementasi TinyML dengan Edge AI untuk Deteksi Anomali Sensor IoT pada Kondisi Lingkungan Tropis

Iqbal — 2026-05-18

This study aims to implement TinyML based on Edge AI for anomaly detection on resource-constrained IoT devices in tropical environments in Indonesia. Tropical environments with high temperatures and extreme humidity often cause sensor data drift and other anomalies, disrupting the reliability of monitoring systems. This research was conducted through simulation without physical hardware to overcome cost and infrastructure limitations. The methods include collecting time-series datasets from open sources, augmenting tropical noise using Gaussian filter, training anomaly detection models (K-means and Autoencoder) on the Edge Impulse platform, INT8 quantization, and inference simulation using TensorFlow Lite Runtime in Python. Evaluation was performed on accuracy, inference latency, model size, and model robustness against tropical conditions. Simulation results show that the TinyML model achieved 89.4% anomaly detection accuracy, model size of 142 KB, and average inference latency of 28 ms. The model also demonstrated good resilience to tropical noise with only a 6.2% decrease in accuracy. The study concludes that TinyML based on Edge AI has high potential for implementation on low-power IoT devices in tropical environments. This research is expected to serve as a reference for developing intelligent monitoring systems in tropical regions of Indonesia, such as South Sulawesi.

Optimasi Model Machine Learning untuk Reduksi Kesalahan Klasifikasi Penerima BLT Berbasis Data Sosial-Ekonomi

Suherman Suherman — 2026-05-19

Penelitian ini bertujuan mengoptimalkan model machine learning untuk mereduksi kesalahan klasifikasi penerima Bantuan Langsung Tunai (BLT) berbasis data sosial-ekonomi di Kabupaten Soppeng. Penelitian menggunakan pendekatan kuantitatif dengan desain eksperimen komputasional. Dataset yang digunakan terdiri atas 300 data calon penerima BLT dengan 22 variabel, mencakup indikator sosial-ekonomi seperti pendapatan, pekerjaan, jumlah tanggungan, kondisi rumah, kepemilikan aset, status kerentanan, dan riwayat penerimaan bantuan sosial. Algoritma yang diuji meliputi Logistic Regression, Decision Tree, Random Forest, Support Vector Machine, K-Nearest Neighbor, Naive Bayes, dan XGBoost. Proses optimasi dilakukan melalui prapemrosesan data, one-hot encoding, normalisasi, seleksi fitur, dan hyperparameter tuning. Evaluasi model menggunakan accuracy, precision, recall, F1-score, ROC-AUC, dan confusion matrix. Hasil penelitian menunjukkan bahwa Random Forest menjadi model terbaik dengan accuracy 0,9833, precision 1,0000, recall 0,9643, F1-score 0,9818, dan ROC-AUC 0,9900. Analisis confusion matrix menunjukkan hanya terdapat satu kesalahan klasifikasi berupa false negative dan tidak terdapat false positive. Temuan ini menunjukkan bahwa model machine learning yang dioptimalkan dapat mendukung klasifikasi penerima BLT secara lebih objektif, akurat, dan berbasis data