Penginapan berperan penting dalam mendukung mobilitas masyarakat, baik untuk kepentingan bisnis, pekerjaan, maupun perjalanan pribadi, sekaligus berkontribusi dalam sektor pariwisata sebagai sarana akomodasi. Salah satu tantangan utama penginapan adalah ketidakpastian jumlah tamu bulanan yang berdampak pada pendapatan dan pemanfaatan kamar. Penelitian ini bertujuan membangun model prediksi jumlah tamu tahun 2025 dengan metode simulasi Monte Carlo menggunakan data historis 2022–2024. Tahapan simulasi meliputi pembentukan distribusi probabilitas, penyusunan distribusi kumulatif, penentuan interval bilangan acak, serta pembangkitan bilangan acak melalui Mixed Congruential Method. Hasil penelitian menunjukkan pola musiman yang konsisten, dengan puncak kunjungan pada April yang diduga terkait perayaan Idulfitri 1446 Hijriah. Model prediksi mencapai akurasi 76,22% pada 2023, 76,80% pada 2024, dan 88,86% pada 2025, dengan rata-rata 80,63%. Pada 2025 diperoleh nilai MAE sebesar 88,50, RMSE sebesar 128,91, dan MAPE sebesar 11,14%. Temuan ini menegaskan bahwa metode Monte Carlo efektif dalam merepresentasikan ketidakpastian serta relevan sebagai dasar pengambilan keputusan strategis, sehingga dapat direkomendasikan untuk memprediksi lonjakan jumlah tamu dan mendukung peningkatan kualitas layanan penginapan.
 
Kata kunci – Jumlah tamu, prediksi, monte carlo, simulasi, data historis.

Kubis merupakan salah satu komoditas pangan yang memiliki nilai ekonomi tinggi dan banyak dikonsumsi oleh masyarakat. Namun, hama dan penyakit lainnya adalah risiko terbesar dalam budidaya tanaman kubis. Salah satu faktor penting dalam keberhasilan produksi kubis adalah periode pertumbuhan, tetapi sering gagal karena banyak serangan hama. Penelitian ini bertujuan untuk mengklasifikasikan penyakit pada daun kubis menggunakan metode Support Vector Machine (SVM) berdasarkan fitur tekstur, yaitu Gray Level Coccurrence Matrix (GLCM) dan fitur warna Hue, Saturation, and Value (HSV) untuk memudahkan petani mengetahui jenis penyakitnya, sehingga dapat melakukan tindakan yang tepat untuk mencegah kerusakan lebih lanjut. Kumpulan data yang digunakan adalah 606 gambar daun kubis yang terbagi menjadi dua bagian, yaitu data latih dan data uji dengan rasio 80:20. Kumpulan data tersebut diklasifikasikan ke dalam lima kategori penyakit, yaitu: Bercak Cincin, Bercak Daun, Busuk Hitam, Jamur Berbulu Halus, dan Kutu Daun. Uji fitur GLCM dilakukan dengan membandingkan hasil percobaan sudut yaitu 0°, 45°, 90°, 135° dengan akurasi terbaik pada sudut 0°. Selain itu, parameter diuji pada metode SVM dengan kernel RBF, yaitu nilai C (1,5,10) dan gamma (10-1 – 10-5). Hasil akurasi terbaik menggunakan fitur GLCM dan HSV diperoleh dari nilai C = 10 dan gamma = 10-1 dengan akurasi 94,21%. Hal ini menunjukkan bahwa pengujian sudut fitur GLCM dan kernel RBF mempengaruhi hasil akurasi sehingga dalam penelitian ini penggunaan fitur GLCM dan HSV memberikan hasil yang lebih optimal. Proses klasifikasi juga memiliki waktu perhitungan yang relatif cepat, yaitu 1,90 detik.
Kata kunci: Penyakit Daun Kubis, Gray Level Co-occurrence Matrix, Hue Saturation Value, Support Vector Machine, Kernel RBF

Penilaian siswa terbaik di lingkungan sekolah perlu dilakukan secara objektif dan menyeluruh, dengan mempertimbangkan aspek akademik maupun non-akademik. MTs Annur Baiturrahim merupakan salah satu sekolah yang proses penilaiannya masih dilakukan secara manual tanpa bantuan sistem khusus, sehingga dinilai kurang efisien dan berpotensi menimbulkan penilaian yang subjektif. Berdasarkan kondisi tersebut, penelitian ini bertujuan untuk mengembangkan sistem pendukung keputusan berbasis web menggunakan metode TOPSIS yang tidak hanya dapat membantu dalam menentukan siswa terbaik secara objektif dan efisien, tetapi juga memperbaiki kelemahan dari penelitian sebelumnya. Sistem ini menggunakan lima kriteria penilaian: pengetahuan, keterampilan, sikap spiritual, sikap sosial, dan kehadiran. Dalam pengembangan sistem digunakan metode prototype, sedangkan pengujian dilakukan melalui Microsoft Excel, black box testing, serta User Acceptance Testing, dengan hasil menunjukkan bahwa sistem berjalan secara optimal dengan tingkat kepuasan pengguna mencapai 90%.
 
Kata Kunci – Pendidikan, Sistem Pendukung Keputusan, Siswa Terbaik, TOPSIS, Web

Kemajuan teknologi informasi mendorong perubahan sistem pendidikan, termasuk kebijakan perkuliahan online sejak pandemi COVID-19. Penelitian ini menganalisis sentimen mahasiswa terhadap kebijakan tersebut menggunakan pendekatan multibahasa dengan algoritma K-Nearest Neighbor (KNN) dan Naïve Bayes. Adapun aspek pembeda penelitian ini adalah penggunaan data dari bahasa Indonesia dan bahasa daerah Sulawesi Barat, yaitu bahasa Mandar, yang menambah kompleksitas tahap preprocessing. Data dikumpulkan melalui kuesioner yang menghasilkan 1.680 opini mahasiswa, dan setelah tahap preprocessing menghasilkan 1.679 data yang siap dianalisis. Hasil klasifikasi menunjukkan algoritma K-Nearest Neighbor terdapat 1002 kategori positif dan 677 kategori negatif. Kemudian pada algoritma Naïve Bayes terdapat 1020 kategori positif dan 659 kategori negatif. Berdasarkan hasil klasifikasi, mayoritas opini bersifat positif, mencerminkan bahwa mahasiswa menerima adanya kebijakan tersebut. Hasil evaluasi melalui confusion matrix serta K-Fold Cross Validation menunjukkan bahwa pendekatan klasifikasi Naïve Bayes mengungguli KNN dengan accuracy 74.87%, precision 74.92%, recall 74.87%, dan f1-score 74.64%. Sementara itu, KNN mencatat accuracy 72.84%, precision 72.80%, recall 72.84%, dan f1-score 72.67%. Hal tersebut mengindikasikan bahwa Naïve Bayes mempunyai kemampuan generalisasi yang lebih unggul pada konteks data teks multibahasa yang kompleks. Penelitian ini menyoroti pentingnya strategi evaluasi dan teknik preprocessing yang sesuai dalam klasifikasi sentimen multibahasa.
 
Kata Kunci - Analisis Sentimen, K-Nearest Neighbor, Multi Bahasa, Naïve Bayes; Perkuliahan Online.

The availability of information related to disasters is one of the efforts so that the public better understands the actions that must be taken to minimize the risks that occur. However, the availability of this information, especially in the Majene Regency area, is currently still quite minimal. In fact, Majene is one of the areas with a fairly high Disaster Risk Index. This activity embraces the Voluntary Corps (KSR) PMI Majene Headquarters Unit as a partner considering that KSR is one of the organizations engaged in the humanitarian field and actively participates in disaster management. The activities carried out include the use of a disaster education information system by providing training to KSR members in managing the system and creating disaster education content. The results of the activities obtained show an increase in the ability of KSR members in terms of management and content creation using Canva and hopes that the disaster education information system that has been built can continue to be used for the dissemination of disaster information.