Jurnal Informatika最新文献

{"title":"Penerapan Metode Regresi Linear Untuk Prediksi Jumlah Bahan Baku Produksi Selai Bilfagi","authors":"Husdi Husdi, Hastuti Dalai","doi":"10.31294/inf.v10i2.14129","DOIUrl":"https://doi.org/10.31294/inf.v10i2.14129","url":null,"abstract":"Penelitian ini bertujuan untuk mengetahui hasil penerapan metode regresi linear sederhana untuk memprediksi jumlah bahan baku nanas produksi Selai Bilfagi yang bertempat di Rumah Produksi Selai Bilfagi. Permasalahan yang sering dihadapi oleh pemilik usaha Selai Bilfagi adalah seringnya terjadi penumpukan maupun kekosongan jumlah persediaan nanas. Hal ini disebabkan oleh pembelian nanas diawal sebagai persediaan bahan baku sehingga sering terjadi penumpukan yang berlebih, sedangkan kekosongan terjadi karena faktor nanas itu sendiri yang mudah busuk. Peramalan diperlukan demi mempermudah pihak Rumah Produksi Selai Bilfagi dalam meramalkan seberapa besar jumlah bahan baku nanas yang dibutuhkan untuk produksi Selai Bilfagi pada bulan berikutnya, sehingga tidak mengalami kekosongan atau penumpukan bahan baku nanas pada bulan selanjutnya. Metode regresi linier sederhana merupakan metode peramalan yang menggunakan dua faktor, sehingga dapat menentukan hasil yang maksimal. Dengan metode regresi linear sederhana ini didapatkan Mean Absolute Percentage Error (MAPE) di uji coba dengan data 2021 yang didapatkan yaitu 18,897% dari hasil akurasi dapat disimpulkan bahwa sistem prediksi efektif untuk digunakan. This study aims to determine the results of applying a simple linear regression method to predict the raw material number of pineapple production at the Bilfagi Jam Production House. The problem often faced by Bilfagi Jam business owners is the pineapple supplies that often show cumulation or emptiness. It is due to the initial purchase of pineapples as a stock of raw materials that there is often an excess cumulation. The emptiness occurs due to the perishable condition of pineapple. A prediction is needed to make it easier for the Bilfagi Jam Production House. It predicts the number of raw materials (pineapple) required by Bilfagi Jam production for the following month. It leads to no emptiness or cumulation of pineapple raw materials in the following month. The simple linear regression method is a prediction method that uses two factors. It can determine the maximum result through a simple linear regression method. The mean absolute percentage error (MAPE) is tested with the 2021 data obtained. It has 18.897% of accurate results. It means that the prediction system is effective to use.","PeriodicalId":31849,"journal":{"name":"Jurnal Informatika","volume":"7 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-10-02","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"135830356","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

{"title":"Perbandingan Metode Klasifikasi pada Data dengan Imbalance Class dan Missing Value","authors":"Nofita Istiana, Arief Mustafiril","doi":"10.31294/inf.v10i2.15540","DOIUrl":"https://doi.org/10.31294/inf.v10i2.15540","url":null,"abstract":"Imbalance class dan missing value merupakan beberapa permasalahan dalam metode klasifikasi. Imbalance class berdampak pada hasil prediksi dimana kelas minoritas sering disalahklasifikasikan sebagai kelas mayoritas. Missing value menyebabkan beberapa algoritma dalam metode klasifikasi tidak dapat dijalankan. Pada penelitian ini, imbalance class ditangani dengan SMOTE, sedangkan missing value ditangani dengan imputasi rataan dan binning peubah. Metode klasifikasi yang dibandingkan dalam kasus ini adalah regresi logistik, bagging, boosting, random forest, dan support vector machine yang diaplikasikan pada data dummy status kolektibilitas debitur. Metode klasifikasi tersebut akan cenderung memprediksi data kelas mayor (debitur berstatus kolektibilitas baik), sehingga prediksi kelas minor (debitur berstatus kolektibilitas buruk) cenderung sedikit. Metode yang memberikan akurasi tertinggi yaitu random forest (missing value diimputasi dengan nilai rataan), yang menghasilkan akurasi sebesar 0.801, sensitivitas sebesar 0.593, dan spesivitas sebesar 0.807. Imbalance class and missing value are some of the problems in classification method. Imbalance class causes the prediction of the minority class to be misclassified as the majority class. Missing value causes several algorithms in classification method cannot be run. In this study, imbalance class is handled by SMOTE, while missing value is handled by mean imputation and binning variable. The classification methods being compared in this study are logistic regression, bagging, boosting, random forest, and support vector machines which are applied to dummy data on debtors' collectibility status with total data 12459. The data contains 97.48 debtors with good collectibility status and 2.52 percent of debtors with bad collectibility status. The method that provides the highest accuracy is random forest (missing value imputed by mean value), which results in accuracy of 80.1 percent, sensitivity of 59.3 percent, and specificity of 80.7 percent.","PeriodicalId":31849,"journal":{"name":"Jurnal Informatika","volume":"28 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-10-02","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"135830358","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

{"title":"Perbadingan Efisiensi Deteksi Tepi Roberts, Prewitt, dan Canny untuk Identifikasi Kartu Mahasiswa","authors":"Rizal Adi Saputra, Muhamad Amhar Rayadin, Wa Ode Ika Febryanti","doi":"10.31294/inf.v10i2.16726","DOIUrl":"https://doi.org/10.31294/inf.v10i2.16726","url":null,"abstract":"Sekarang ini setiap universitas/perguruan tinggi memiliki identitas tersendiri yang membedakannya dengan universitas/perguruan tinggi lain. Memisahkan mahasiswa dari universitas berdasarkan kartu mahasiswa mereka. Dalam kartu mahasiswa terdapat data NIM. Nomor Induk Mahasiswa (NIM) adalah nomor yang digunakan sebagai nomor identitas mahasiswa selama masa studi berlangsung. Berdasarkan hal itu sebuah perguruan tinggi perlu memiliki sistem yang dapat mengidentifikasi NIM pada kartu mahasiswa. Adanya sistem tersebut dapat mempermudah dalam mengidentifikasi data mahasiswa berdasarkan nim yang tertera pada kartu mahasiswa. Untuk melakukan identifikasi data NIM pada kartu mahasiswa, dapat dilakukan metode deteksi tepi. Operator kernel pertama yang digunakan adalah Roberts. Kemudian digunakan Prewitt, lalu terakhir Canny. Ketiga metode ini bekerja dengan mengidentifikasi dan menonjolkan lokasi pixel yang memiliki nilai perbedaan intensitas citra yang ekstrim, akan tetapi ketiganya memiliki perbedaan pada ukuran kernel, kompleksitas metode, dan sensivitas terhadap derau. Penelitian ini bertujuan untuk membandingkan efisiensi antara ketiga operator tersebut dalam deteksi tepi. Dari hasil identifikasi NIM, diperoleh nilai rata - rata MSE, RMSE, dan PSNR operator Canny dari data uji yaitu 0.34068692, 0.57071118 dan 53.08796. Nilai ini adalah lebih baik dibanding dengan Roberts dan Prewitt. Dengan demikian dapat disimpulkan bahwa operator Canny adalah yang terbaik untuk melakukan deteksi tepi pada kartu mahasiswa","PeriodicalId":31849,"journal":{"name":"Jurnal Informatika","volume":"30 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-10-02","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"135830214","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

{"title":"Sistem Pendukung Keputusan Penentuan Nutrisi Pada Masa Kehamilan Menggunakan Metode Harris Benedict","authors":"Najirah Umar, A.Edeth Fuari Anatasya, Nur Ika Putri, Sri Khaerawati Nur","doi":"10.31294/inf.v10i2.15658","DOIUrl":"https://doi.org/10.31294/inf.v10i2.15658","url":null,"abstract":"Kehidupan manusia dimulai dengan lahirnya janin dalam kandungan. Manusia telah berpindah dari kehidupan kemasa perjuangan, salah satunya menghadapi kemungkinan kekurangan zat nutrisi yang diterima. Ketika seorang ibu menghadapi kurangnya gizi selama kehamilan, maka menimbulkan masalah bagi ibu maupun janinnya, seperti anemia, pendarahan dan berat badan ibu tidal bertambah secara normal. Kekurangan gizi dapat mempengaruhi proses persalinan yang menyebabkan persalinan akan sulit dan lama, kelahiran premature dan pendarahan postpartum, mempengaruhi perkembangan janin dan menyebabkan abortus, keguguran, cacat lahir dan berat lahir bayi rendah. Terutama masalah gizi ibu hamil di pengaruhi faktor ekonomi yang dimana tingkat kemampuan material ibu hamil masih banyak di garis kemiskinan. Oleh kaena itu Penelitian dilakukan untuk merancang dan mengimplementasikan system pendukung keputusan penentuan nutrisi pada masa kehamilan dengan menggunakan metode harris benedict. Rancangan system ini didesain secara terstruktur menggunakan UML, meliputi model use case diagram, activity diagram, sequence diagram dan class diagram. Dalam menentukan nutrisi yang baik dan sesuai dengan yang dibutuhkan oleh ibu hamil, maka dibutuhkan suatu hasil dan saran dari hasil perhitungan jumlah nutrisi yang akan membantu para ibu hamil untuk mengoptimalkan dan memaksimalkan pola hidup yang sehat.Penelitian ini memberikan solusi dalam menentukan jumlah nutrisi atau rekomendasi asupan nutrisi dan system mampu memberikan Hasil penentuan jumlah nutrisi yang akurat sehingga dapat memberikan suatu alternatif pengambilan keputusan.berdasarkan hasil pengujian ahli gizi dengan kesamaan hasil penentuan nutrisi dengan system menghasilkan persentase 90%. Berdasarkan pengujian blackbox yang telah dilakukan system ini menghasilkan output sesuai dengan diharapkan oleh 30 responden dengan persentase kelengkapan informasi 89,33%, kebutuhan pengguna 96,67%, kemudian akses 93,33%. Human life begins with the birth of the fetus in the womb. Humans have moved from life to struggle, one of which faces the possibility of lack of nutrients received. When a mother faces malnutrition during pregnancy, it causes problems for both the mother and her fetus, such as anemia, bleeding and the mother's weight does not increase normally. Malnutrition can affect the labor process causing labor to be difficult and long, premature birth and postpartum bleeding, affecting fetal development and causing abortion, miscarriage, birth defects and low birth weight of the baby. Especially the nutritional problems of pregnant women are influenced by economic factors where the level of material ability of pregnant women is still at the poverty line. Therefore, research was conducted to design and implement a decision support system for determining nutrition during pregnancy using the harris benedict method. The design of this system is designed in a structured manner using UML, including model use case diagrams, activity diagra","PeriodicalId":31849,"journal":{"name":"Jurnal Informatika","volume":"102 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-10-02","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"135830217","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

{"title":"Rate and Proportion Analysis of The Decision Model from Online Learning Sustainability","authors":"Erna Fransisca Angela Sihotang, Islam Nur Alam","doi":"10.31294/inf.v10i2.16713","DOIUrl":"https://doi.org/10.31294/inf.v10i2.16713","url":null,"abstract":"The human development index is built by three fundamental dimensions: long life and healthy life, knowledge, and a decent standard of living. This research was inspired by sustainable development goal four, Quality Education. Quality of education has an excellent relation with knowledge management. The fuzzy logic-based decision support model of online course learning suggests nine parameters to be considered. This research collaborates those nine parameters, participation rate, and the Proportion of youth and adult involvement in formal and non-formal education. The result shows that from the participation rate, it concluded that those with stable expansion also consistently enrich their knowledge by attending formal or non-formal learning; female constantly takes learning more than male; people who lived in city has more urge to learn than people who live in villages. From the Proportion from 2017, 2018 and 2022, people with ICT skills increased significantly, showing good value. Nevertheless, while female participation in learning is higher than male, it does not make female has better skills than male. Last, needed an innovation to gain interest in study to village residents.","PeriodicalId":31849,"journal":{"name":"Jurnal Informatika","volume":"18 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-10-02","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"135830362","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

{"title":"Implementasi Metode Content Based Filtering Pada Pemilihan Komik","authors":"Arba'i Kurniaji, Rina Candra Noor Santi","doi":"10.31294/inf.v10i2.16113","DOIUrl":"https://doi.org/10.31294/inf.v10i2.16113","url":null,"abstract":"Komik adalah rangkaian gambar dan kata yang disusun dengan tujuan untuk menyampaikan informasi kepada orang yang membacanya. Selain dalam bentuk buku saat ini komik memiliki bentuk digital yang dapat dibaca melalui smartphone atau komputer. Komik memiliki beragam alur cerita dan genre, mulai dari aksi, petualangan dan lain-lain . Selain itu setiap negara memiliki komik dengan gaya yang berbeda. Banyaknya komik yang ada saat ini serta memiliki jenis, alur dan genre yang berbeda menjadi sebuah masalah bagi orang yang ingin membaca komik. Permasalahan ini dapat diselesaikan dengan membuat suatu sistem rekomendasi. Pada penelitian ini akan menggunakan metode Content Based Filtering untuk mendapatkan hasil rekomendasi. Dalam metode ini menggunakan metode TF-IDF untuk melakukan pembobotan dan Cosine Similarity untuk mencari kemiripan komik. Metode ini dipilih karena melihat kebiasaan pembaca komik yang sering membaca komik sesuai dengan yang pernah mereka baca sebelumnya. Kriteria yang akan digunakan pada penelitian ini adalah sinopsis, genre, dan komikus. Jumlah data yang digunakan pada penelitian ini sebanyak 200 komik. Hasil dari penelitian ini mengambil 10 komik untuk dijadikan rekomendasi. Pada pengujian yang telah dilakukan dengan menggunakan komik Ao Ashi sebagai komik preferensi mendapatkan nilai kemiripan sebesar 0.13901. Hasil rekomendasi pada peringkat pertama memiliki nilai kemiripan sebesar 0.03901 dengan persentase kemiripan 100% dan pada peringkat terakhir sebesar 0.09046 dengan persentase kemiripan 65.08%. Rata-rata nilai kemiripan yang dihasilkan adalah 0.10604 dengan persentase kemiripan sebesar 76.38%. Dengan nilai dan persentase yang didapatkan menunjukkan bahwa sistem berjalan dengan baik dan menghasilkan rekomendasi yang sesuai preferensi pengguna.","PeriodicalId":31849,"journal":{"name":"Jurnal Informatika","volume":"52 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-10-02","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"135830496","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

{"title":"Klasifikasi Penyakit Diabetes Menggunakan Algoritma Decision Tree","authors":"Nurussakinah Nurussakinah, Muhammad Faisal","doi":"10.31294/inf.v10i2.15989","DOIUrl":"https://doi.org/10.31294/inf.v10i2.15989","url":null,"abstract":"Penelitian ini mengembangkan metode klasifikasi diabetes dengan menggunakan algoritma Decision Tree. Data klinis dari pasien diabetes dan non-diabetes dianalisis, termasuk atribut seperti usia, BMI, tekanan darah, dan tes gula darah. Algoritma Decision Tree berhasil mengklasifikasikan diabetes dengan akurasi tinggi, sehingga dapat membantu dokter dalam mendiagnosis dan mengelola penyakit tersebut. Pada penelitian ini menunjukkan bahwa metode klasifikasi dengan Decision Tree efektif dalam mengidentifikasi penyakit diabetes. Dalam pengujian menggunakan data uji, model klasifikasi mampu mengenali pasien diabetes dengan tingkat akurasi yang memuaskan. Metode ini memiliki potensi untuk meningkatkan diagnosis dini dan pengelolaan penyakit diabetes, tetapi perlu dilakukan penelitian lebih lanjut untuk memvalidasi dan memperluas penggunaannya dalam populasi yang lebih luas. This study developed a diabetes classification method using the Decision Tree algorithm. Clinical data from diabetic and non-diabetic patients were analyzed, including attributes such as age, BMI, blood pressure, and blood sugar tests. The Decision Tree algorithm successfully classifies diabetes with high accuracy, so it can assist doctors in diagnosing and managing the disease. This study shows that the classification method with the Decision Tree is effective in identifying diabetes. In testing using test data, the classification model is able to identify diabetic patients with a satisfactory level of accuracy. This method has the potential to improve the early diagnosis and management of diabetes, but further research is needed to validate and expand its use in a wider population.","PeriodicalId":31849,"journal":{"name":"Jurnal Informatika","volume":"112 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-10-02","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"135830364","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

{"title":"Aplikasi Visualisasi Data Gempa Regionalisasi Berbasis Web dan Teknologi Leaflet","authors":"Steven Steven, Francka Sakti Lee","doi":"10.31294/inf.v10i2.15919","DOIUrl":"https://doi.org/10.31294/inf.v10i2.15919","url":null,"abstract":"Pemantauan dan pendataan gempa bumi sangat penting untuk memprediksi potensi bahaya dan mempersiapkan tindakan preventif. Dalam hal pemantauan dan pendataan gempa bumi, regionalisasi gempa sangat penting untuk memahami distribusi dan karakteristik gempa dalam wilayah tertentu. Saat ini, pendataan aplikasi web-base regionalisasi gempa yang digunakan masih dilakukan secara teks. Oleh karena itu, dibuatlah suatu aplikasi web-base regionalisasi gempa berbasis web dengan menggunakan framework CodeIgniter dan teknologi Leaflet dan Contour untuk memvisualisasikan data gempa secara grafis. Pengembangan aplikasi berdasarkan konsep mengubah data menjadi informasi. Informasi yang disajikan dalam bentuk gambar peta beserta penyebaran gempa yang ada. Selain disajikan dalam bentuk visualisasi map, penyajian data juga dapat dilihat melalui region-region yang ditentukan. Rumusan masalah dari penelitian adalah bagaimana mengembangkan aplikasi web-base regionalisasi gempa berbasis web yang mampu memvisualisasikan data gempa secara grafis. Penelitian ini menggunakan metode RAD ( Rapid Application Development ) dalam mengembangkan aplikasi web berbasis regionalisasi gempa. Tujuannya adalah memvisualisasikan data gempa secara grafis dengan memanfaatkan framework CodeIgniter , teknologi Leaflet , dan Contour . Hasil pengujian menunjukkan bahwa semua modul aplikasi berfungsi dengan baik. Penelitian ini menyimpulkan bahwa aplikasi berhasil mengubah data teks menjadi visual yang mudah dipahami, memudahkan akses dan analisis data gempa secara regional, dan memenuhi tujuan penelitian.","PeriodicalId":31849,"journal":{"name":"Jurnal Informatika","volume":"2 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-10-02","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"135830216","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

{"title":"Prediksi Mahasiswa Baru Universitas Papua Menggunakan Autoregressive Integrated Moving Average","authors":"Christian Dwi Suhendra, Lion Ferdinand Marini, Ana Sarungallo","doi":"10.31294/inf.v10i2.16637","DOIUrl":"https://doi.org/10.31294/inf.v10i2.16637","url":null,"abstract":"Perguruan tinggi sangat memperhatikan penerimaan mahasiswa baru sebagai indikator kemajuan dan pertumbuhan institusi. Namun, fluktuasi jumlah penerimaan mahasiswa baru dapat menjadi kendala dalam perencanaan dan pengambilan keputusan. Penelitian ini bertujuan untuk menerapkan metode Autoregressive Integrated Moving Average (ARIMA) dalam menghitung prediksi jumlah mahasiswa baru pada Universitas Papua. Oleh karena itu, penelitian ini menggunakan metode ARIMA untuk meramalkan jumlah mahasiswa baru tahun 2023 dengan memanfaatkan data historis dari tahun 2017 hingga 2022. Hasil analisis menggunakan R Studio menunjukkan bahwa model terbaik adalah ARIMA (11,0,12) dengan nilai error terendah. Penelitian ini memberikan manfaat bagi peneliti dalam memahami metode peramalan menggunakan ARIMA dan juga memberikan informasi yang berguna bagi Universitas Papua dalam perencanaan strategis untuk meningkatkan kualitas dan minat calon mahasiswa baru. Universities pay great attention to the acceptance of new students as an indicator of the progress and growth of the institution. However, fluctuations in the number of new student admissions can be an obstacle in planning and decision making. This study aims to apply the Autoregressive Integrated Moving Average (ARIMA) method in calculating predictions for the number of new students at the University of Papua. Therefore, this study uses the ARIMA method to predict the number of new students in 2023 by utilizing historical data from 2017 to 2022. The results of the analysis using R Studio show that the best model is ARIMA (11,0,12) with the lowest error value. This research provides benefits for researchers in understanding forecasting methods using ARIMA and also provides useful information for the University of Papua in strategic planning to improve the quality and interest of prospective new students.","PeriodicalId":31849,"journal":{"name":"Jurnal Informatika","volume":"14 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-10-02","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"135830352","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

{"title":"Sistem Informasi Geografis Tempat Pembuangan Sampah Sementara di Kota Baubau","authors":"M. A. Suryawan, Sultan Hady, Khaidir Khaidir","doi":"10.55340/jiu.v12i1.1415","DOIUrl":"https://doi.org/10.55340/jiu.v12i1.1415","url":null,"abstract":"","PeriodicalId":31849,"journal":{"name":"Jurnal Informatika","volume":"21 1","pages":""},"PeriodicalIF":0.0,"publicationDate":"2023-07-12","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"139360085","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}