DSpace Repository

Repository Unilak

Welcome To Repository Universitas Lancang Kuning

Photo by @inspiredimages

Communities in DSpace

Select a community to browse its collections.

Now showing 1 - 1 of 1

Karya Tugas Akhir

Recent Submissions

Sistem Informasi Tonase Tandan Buah Segar (Tbs) Berbasis Web Menggunakan Metode Hashing
(Universitas Lancang Kuning, 2026)
Hendra, Hendra
Penelitian ini bertujuan untuk membangun sebuah aplikasi manajemen informasi hasil tonase Tandan Buah Segar (TBS) berbasis web pada Koperasi Unit Desa (KUD) Muara Jaya. Sistem ini dirancang untuk memudahkan admin dalam melakukan input data tonase, serta memberikan akses informasi panen kepada petani dan pemilik KUD secara efisien dan real-time. Dalam pengembangan aplikasi ini digunakan metode Waterfall, dengan tahapan mulai dari analisis kebutuhan, perancangan, implementasi, hingga pengujian. Untuk meningkatkan keamanan data login pengguna, sistem ini mengimplementasikan algoritma hashing bcrypt. Dengan menggunakan bcrypt, password pengguna tidak disimpan dalam bentuk asli, melainkan diubah menjadi bentuk terenkripsi satu arah sehingga memperkuat sistem terhadap serangan pencurian data. Hasil dari implementasi menunjukkan bahwa aplikasi telah berjalan dengan baik, dengan fitur utama seperti login multi-role (admin, petani, pemilik), manajemen data tonase, laporan panen, serta pencetakan laporan. Pengujian dilakukan menggunakan metode black box dan seluruh fitur diuji berhasil sesuai dengan fungsinya. Diharapkan sistem ini dapat membantu pengelolaan data hasil panen TBS menjadi lebih aman, terstruktur, dan mudah diakses.
Analisis Sentimen Terhadap Kripto Menggunakan Metode Machine Learning
(Universitas Lancang Kuning, 2026)
Hisbulloh, Haris
Pertumbuhan investasi cryptocurrency di Indonesia menunjukkan tren yang signifikan, namun diiringi oleh volatilitas harga yang tinggi dan dinamika opini publik yang fluktuatif di media sosial. Penelitian ini bertujuan untuk melakukan analisis sentimen terhadap aset kripto menggunakan data dari media sosial X guna memetakan persepsi masyarakat ke dalam kategori sentimen positif, negatif, dan netral. Data yang digunakan dalam penelitian ini sebanyak 3.118 tweet yang dikumpulkan melalui teknik scraping pada periode 1 Januari 2023 hingga 29 Oktober 2025. Metodologi penelitian meliputi tahap preprocessing, pelabelan otomatis berbasis Lexicon, serta ekstraksi fitur menggunakan Term FrequencyInverse Document Frequency (TF-IDF). Klasifikasi dilakukan dengan membandingkan dua algoritma machine learning, yaitu Support Vector Machine (SVM) dan K-Nearest Neighbor (KNN), yang dioptimalkan menggunakan teknik Hyperparameter Tuning (Grid Search). Hasil pengujian menunjukkan bahwa algoritma SVM memiliki kinerja yang jauh lebih unggul dengan akurasi mencapai 92,66%, serta mampu menjaga keseimbangan precision dan recall pada kelas sentimen yang tidak seimbang. Sebaliknya, algoritma KNN menunjukkan performa yang kurang optimal dengan akurasi sebesar 75,06% akibat fenomena curse of dimensionality. Berdasarkan hasil tersebut, disimpulkan bahwa metode SVM merupakan model yang paling efektif untuk analisis sentimen terhadap kripto pada dataset tekstual berdimensi tinggi.
Analisis Klasifikasi Masa Studi Mahasiswa Prodi Teknik Informatika Unilak Dengan Metode Support Vector Machine (Svm), Iterative Dichotomiser 3 (Id3), Random Forest Dan K-Nearest Neighbors (Knn)
(Universitas Lancang Kuning, 2022)
Sunaryanto, Hadi
Pemelitian ini berjudul “Analisis Klasifikasi Masa Studi Mahasiswa Prodi Teknik Informatika Unilak Dengan Metode Support Vector Machine (SVM), Iterative Dichotomiser 3 (ID3), Random Forest dan K-Nearest Neighbors (KNN)” dalam menyikapi kecenderungan lebih besarnya jumlah masuknya mahasiswa dibanding angka kelulusan mahasiswa maka diperlukan sebuah usaha untuk memahami apakah ada faktor-faktor yang mempengaruhi lama masa studi mahasiswa. Pada dasarnya lama masa studi bukanlah sebagai tolak ukur kemampuan akademik non akademik seorang mahasiswa namun sebagian besar orang menilai mahasiswa dengan masa studi lebih dari 8 semester atau tergolong lama itu tidak bagus. Oleh karena itu penelii memilih untuk mengklasifikasi faktor-faktor yang mempengaruhi lama masa studi mahasiswa di Fakultas Ilmu Komputer Universitas Lancang Kuning. Penelitian ini menggunakan 4 (empat) metode perhitungan. Dengan adanya beberapa metode yang digunakan penulis dapat membandingkan hasil dari empat metode perhitungan sehingga dapat menentukan mana metode dengan perhitungan lebih baik. Hasil dari penelitian ini adalah perbandingan antara 4 (empat) metode perhitungan dalam menentukan metode mana yang memiliki kemampuan klasifikasi baik.
Analisis Perbandingan Kinerja Lstm Dan Gru Dalam Permodelan Time Series Harga Penutupan Harian Bitcoin
(Universitas Lancang Kuning, 2026)
Ananda, Frima
Pergerakan harga Bitcoin yang sangat fluktuatif dan dinamis menuntut adanya analisis data historis yang akurat untuk memahami pola perilaku pasar. Penelitian ini bertujuan membandingkan kinerja model Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU) dalam memodelkan data time series harga penutupan harian Bitcoin. Data sekunder diperoleh dari CoinMarketCap dengan periode pengamatan mulai 1 Januari 2023 hingga 31 Oktober 2025. Metode penelitian menggunakan pendekatan kuantitatif melalui eksperimen komputasional yang meliputi tahapan pra-pemrosesan data, normalisasi Min-Max Scaling, serta pembentukan data sekuens. Dataset dibagi menjadi data latih dan data uji dengan skenario terbaik menggunakan rasio 80:20. Evaluasi kinerja model dilakukan menggunakan metrik Mean Absolute Error (MAE), Root Mean Square Error (RMSE), dan Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa model GRU memiliki kinerja yang lebih unggul dan stabil dalam menangkap pola data historis dibandingkan LSTM. Pada skenario pengujian terbaik, model GRU menghasilkan nilai error yang lebih rendah dengan MAE sebesar 873,64, RMSE 1.050,05, dan MAPE 3,62%. Sementara itu, model LSTM mencatat nilai error yang lebih tinggi dengan MAE 2.024,79, RMSE 2.184,89, dan MAPE 8,36%. Berdasarkan hasil tersebut, disimpulkan bahwa arsitektur GRU yang lebih sederhana terbukti lebih efektif dan efisien dibandingkan LSTM dalam memodelkan data time series harga penutupan harian Bitcoin pada periode penelitian ini.
Analisis Keberhasilan Gnysys Creative Dalam Menerapkan Social Media Management Pada Usaha Cluster Coffee
(Universitas Lancang Kuning, 2026)
Listyanto, Eka Arif
Persaingan industri Food and Beverage (F&B) saat ini menuntut pelaku usaha untuk mengelola aset digital secara profesional. Keterbatasan sumber daya internal seringkali membuat pelaku usaha menggunakan jasa pihak ketiga, seperti GNYSYS Creative, untuk menjalankan fungsi Social Media Management (SMM). Penelitian ini bertujuan untuk mengevaluasi keberhasilan layanan SMM oleh GNYSYS Creative pada akun Instagram Cluster Coffee. Metode yang digunakan adalah Customer Satisfaction Index (CSI) untuk mengukur tingkat kepuasan menyeluruh, dan Importance-Performance Analysis (IPA) untuk memetakan prioritas perbaikan. Pengambilan sampel menggunakan pendekatan two-stage sampling (kombinasi simple random dan purposive sampling) dengan total 402 responden valid dari populasi 2.124 pengikut. Hasil penelitian menunjukkan nilai CSI sebesar 83,80%, yang masuk dalam kategori "Sangat Puas". Analisis IPA menunjukkan bahwa faktor dominan yang menunjang keberhasilan layanan adalah dimensi Assurance dan Tangible di Kuadran II. Sebaliknya, prioritas utama perbaikan pada Kuadran I adalah kerapian feed, kecepatan respons admin, dan kesesuaian promo. Secara keseluruhan, implementasi SMM oleh GNYSYS Creative dinyatakan berhasil dan direkomendasikan untuk dilanjutkan dengan beberapa perbaikan operasional khusus.