Accurate demand forecasting plays a vital role in optimizing inventory and distribution planning, especially for perishable goods such as bread. This study develops a time series forecasting model using a Recurrent Neural Network (RNN) with a Sequential architecture to predict daily bread demand. Unlike previous research, this model is trained on two years of real operational delivery data (2023–2024), enabling it to capture actual consumption patterns more effectively. The model leverages a 7-day sequence window to predict the next day’s demand, reflecting weekly seasonality. Data preprocessing includes normalization and cleaning, followed by training with the Stochastic Gradient Descent (SGD) optimizer. The model achieved a Mean Absolute Percentage Error (MAPE) of 4.88% and an accuracy of 86.90%, demonstrating high predictive performance and robustness in handling fluctuating, real-world data. The implementation of this model provides a practical solution for improving production planning, reducing waste, and enhancing supply chain responsiveness. The findings confirm that RNN-based models are effective tools for demand forecasting in dynamic business environments.
 
Keywords - Forecasting, Recurrent Neural Network (RNN), Demand Prediction, Operational Delivery Data, Bread Industry.

Di tengah pasar kerja yang terus berkembang pesat, mencocokkan lowongan pekerjaan dengan keterampilan pencari kerja menjadi semakin penting. Penelitian ini mengusulkan metode untuk menganalisis kesesuaian antara lowongan pekerjaan dan kompetensi pencari kerja dengan menggunakan Cosine Similarity. Pendekatan yang digunakan meliputi praproses teks, vektorisasi TF-IDF, dan pengukuran kesamaan untuk mengevaluasi sejauh mana resume pencari kerja sesuai dengan deskripsi pekerjaan. Dataset yang digunakan dalam penelitian ini diperoleh dari Kaggle, yang terdiri dari resume dan deskripsi lowongan pekerjaan dari berbagai bidang. Hasil menunjukkan bahwa sebagian besar pencari kerja memiliki skor kesesuaian yang rendah, dengan rata-rata skor berkisar antara 0 hingga 0.05. Namun, beberapa resume menunjukkan tingkat kesesuaian sedang hingga tinggi, dengan skor tertinggi mencapai 0.21. Selain menghitung skor kemiripan, sistem juga memberikan umpan balik yang bermakna berupa rekomendasi keterampilan tambahan yang dapat dikembangkan oleh pencari kerja untuk meningkatkan relevansi mereka terhadap posisi tertentu. Hal ini membantu pencari kerja dalam merancang strategi pengembangan karier yang lebih tepat sasaran. Temuan penelitian ini menegaskan potensi Cosine Similarity sebagai alat yang efektif dalam sistem rekomendasi pekerjaan, yang memberikan hasil yang objektif dan mudah diinterpretasikan.

Penelitian ini membahas pendekatan optimasi Maximum Power Point Tracking (MPPT) pada sistem turbin angin nonlinier menggunakan Firefly Algorithm (FA). Karakteristik nonlinier turbin angin, yang disebabkan oleh fluktuasi kecepatan angin serta interaksi mekanik dan elektrik, menjadi tantangan utama dalam proses ekstraksi daya maksimum. Metode MPPT konvensional sering mengalami keterbatasan dalam hal kecepatan konvergensi dan akurasi pelacakan pada kondisi angin yang dinamis. Oleh karena itu, penelitian ini mengusulkan penggunaan algoritma FA, yaitu algoritma optimasi metaheuristik yang terinspirasi dari perilaku cahaya kunang-kunang, untuk meningkatkan performa MPPT. Sistem konversi energi angin dimodelkan secara matematis dengan mempertimbangkan sifat nonlinier, dan FA digunakan untuk menyesuaikan duty cycle konverter guna mencapai titik daya maksimum secara efisien. Hasil simulasi pada lingkungan MATLAB/Simulink menunjukkan bahwa metode MPPT berbasis FA mampu meningkatkan akurasi pelacakan dan waktu respon dibandingkan dengan metode tradisional seperti Perturb and Observe (P&O) dan Incremental Conductance (IncCond). Metode yang diusulkan juga menunjukkan ketahanan terhadap perubahan kondisi angin dan dinamika sistem. Hasil penelitian ini menunjukkan bahwa Firefly Algorithm merupakan solusi yang menjanjikan untuk optimalisasi sistem energi angin nonlinier dan mendukung efisiensi teknologi energi terbarukan.
 
Kata kunci: MPPT, Turbin Angin Nonlinear, Firefly Algorithm, Optimasi, Energi Terbarukan.

Recognizing sea animals is a significant challenge in digital image recognition. This is due to the diverse visual characteristics of marine animals, including morphological shapes, body surface colors, and textures displayed in images. Environmental factors also influence image quality, such as underwater lighting conditions, water turbidity, and other external elements. To address these classification challenges, one proposed approach is the use of the Extreme Learning Machine (ELM) method, which can be implemented by utilizing HSV (Hue, Saturation, Value) color features as the main input. The HSV color space is chosen because it more closely resembles the way humans perceive colors. In this model, color is separated into three main components: hue represents the type of color, saturation indicates the intensity or purity of the color, and value refers to its brightness or darkness. The dataset consists of several classes of marine animals such as clams, squids, and shrimp, collected from high-resolution image datasets. Test results show that the ELM model can classify images with competitive accuracy, achieving up to 83% accuracy in a much shorter training time compared to traditional learning methods. This study demonstrates that combining HSV color features with the ELM algorithm can be an efficient approach for classifying marine animal images.
 
Keywords - Shell, Squid, Shrimp, ELM,HSV

Perkembangan teknologi penginderaan jauh semakin berkembang, integrasi data penginderan jauh dan artificial intelligence-machine learning menjadi pendekatan yang sangat efisien dalam mendeteksi tutupan lahan. Penelitian ini bertujuan untuk untuk membangun model algoritma tutupan lahan menggunakan algoritma decision tree. Data yang digunakan yakni Citra PlanetScope NICFI Level 1 yang diturunkan menjadi beberapa indeks spektral yang terdiri atas Normalized Difference Vegetation Index (NDVI), Visible Atmospherically Resistant Index (VARI),  Soil Adjusted Vegetation Index (SAVI), Normalized Difference Water Index (NDWI), dan Green-Red Vegetation Index (GRVI). Untuk mengukur setia variabel digunakan Information Gain, Gini Index, dan Gain Ratio. Hasil penelitian menunjukan bahwa SAVI dan NDVI merupakan variabel yang informatif dalam membangun model. Distribusi tutupan lahan di Kecamatan Gunungsitoli didominasi oleh tutupan hutan.
Kata Kunci – Decision Tree, Machine Learning, Tutupan Lahan, Gunungsitoli

Kepribadian adalah aspek penting yang mempengaruhi pilihan hidup, karir, kinerja, kesehatan, dan juga preferensi atau keinginan seseorang. Model Big-Five Personality adalah yang paling umum, namun pengukurannya masih secara konvensional melalui kuesioner, hal ini memiliki beberapa keterbatasan seperti adanya potensi manipulasi jawaban oleh responden sehingga mempengaruhi hasil dari pengukuran kepribadian tersebut. Untuk mengatasi keterbatasan tersebut, penelitian ini bertujuan untuk mengembangkan sistem untuk melakukan pengukuran atau prediksi kepribadian menggunakan Deep Learning untuk mendeteksi kepribadian berdasarkan ekspresi wajah dalam sebuah video perkenalan. Model yang dikembangkan mencapai akurasi 90.04% dengan loss terendah 9.95%, menunjukkan kemampuannya dalam memprediksi kepribadian secara konsisten. Sistem ini dibangun dengan framework Flask dan mampu menghasilkan prediksi kepribadian seseorang. Dengan demikian penggunakan Deep Learning berpotensi menjadi alat yang efektif dalam pengembangan teknologi di bidang psikologi, menjadikannya alat yang transformatif untuk mengukur kepribadian seseorang dengan lebih efektif di masa depan.
 
Keywords - Big-Five Personality, Deep Learning, MTCNN, DeepFace, deteksi kepribadian

Indonesia holds a strategic position in the global manufacturing sector, with a manufacturing output of USD 228.32 billion in 2021, ranking 10th worldwide. In 2023, it ranked 12th globally by manufacturing value added, according to the World Bank’s report. However, this growth is accompanied by 297,725 workplace accidents reported in Indonesia in 2022, marking a 27.03% increase from the previous year. This study aims to develop a Personal Protective Equipment (PPE) monitoring system using Big Data, employing Convolutional Neural Network (CNN) and You Only Look Once (YOLO) algorithms. The dataset consists of at least 1,000 images for each of four classes: Helmet, Vest, NoHelmet, and NoVest. Evaluation results show a mAP@50 of 83.1%, with the highest detection performance in Vest (0.90), followed by NoHelmet (0.88), Helmet (0.85), and NoVest (0.81). These findings demonstrate strong potential in supporting safety protocol compliance and reducing workplace accidents in high-risk industrial environments.
 
Keywords - Big Data, Convolutonal Neural Network, You Only Look Once

Industri 4.0 menandai transformasi besar dalam sektor manufaktur, termasuk industri otomotif, dengan integrasi teknologi cerdas seperti machine learning untuk meningkatkan efisiensi dan kualitas produksi. Penelitian ini mengkaji penerapan algoritma Support Vector Machine (SVM) yang diintegrasikan dengan bahasa pemrograman Java untuk memprediksi kualitas komponen otomotif secara akurat. SVM dikenal efektif dalam klasifikasi data yang kompleks dan sangat cocok untuk lingkungan produksi yang memerlukan ketepatan tinggi. Proses penelitian mencakup pengumpulan dan pra-pemrosesan data kualitas komponen, pelatihan model SVM, serta implementasi model dalam platform Java guna memungkinkan integrasi dengan sistem otomasi industri yang telah ada. Hasil pengujian menunjukkan bahwa model SVM yang dibangun mampu mengklasifikasikan kualitas komponen dengan akurasi yang tinggi, memberikan potensi signifikan dalam pengurangan produk cacat dan peningkatan efisiensi produksi. Integrasi dengan Java memungkinkan sistem prediksi ini mudah diimplementasikan dalam infrastruktur perangkat lunak industri yang berbasis Java. Penelitian ini menunjukkan bahwa kombinasi machine learning dan pemrograman terapan dapat menjadi solusi strategis dalam mendukung transformasi digital industri otomotif di era Industri 4.0.
 
Kata kunci - Support Vector Machine (SVM), Java, Prediksi Kualitas, Komponen Otomotif, Industri 4.0

Kemajuan teknologi mendorong meningkatnya penggunaan aplikasi video editing pada Google Play Store, sehingga menginterpretasikan ulasan dari pengguna secara akurat menjadi sangat penting. Penelitian ini bertujuan untuk menganalisis sentimen ulasan pengguna terhadap aplikasi CapCut, InShot, Kinemaster, dan Filmora. Data ulasan diperoleh melalui web scraping dan selanjutnya diproses dengan metode TF-IDF untuk pembobotan kata. Dataset dipisahkan menjadi dua bagian, yakni 80% untuk pelatihan dan 20% untuk pengujian. Random Forest digunakan sebagai algoritma utama dalam pembuatan model klasifikasi sentimen, sementara penilaian performa model dilakukan melalui pengukuran akurasi, presisi, recall, dan F1-score. Temuan penelitian mengindikasikan algoritma Random Forest dapat mengelompokkan sentimen pengguna dengan tingkat akurasi mencapai 84% dari total 4.000 data ulasan di setiap aplikasi. Temuan ini mengindikasikan Random Forest dinilai handal dalam menangani dan menginterpretasikan opini yang diberikan oleh pengguna terhadap aplikasi video editing. Kesimpulan ini memperkuat peran analisis sentimen dalam pengembangan dan peningkatan kualitas aplikasi berbasis ulasan pengguna di platform digital.
 
Kata kunci: Analisis Sentimen, Random Forest, TF-IDF, Aplikasi Video Editing, Play Store.

This study presents the development of a predictive nutritional assessment system using an Artificial Neural Network (ANN) tailored for adult vegetarians. The system integrates biometric, dietary, and lifestyle data derived from the Anthropometric, Biochemical, Clinical, and Dietary (ABCD) nutritional assessment framework to classify individuals into undernourished, normal, and overweight categories. A feedforward ANN architecture was implemented with 20 input nodes representing ABCD indicators, one hidden layer of 10 neurons, and an output layer of 3 nodes. The model was trained using backpropagation over 1000 epochs with a learning rate of 0.5 and momentum of 0.9, employing data normalization and one-hot encoding for categorical variables. The dataset was split into 80% for training and 20% for testing. The proposed system achieved a classification accuracy of 92.4%, with a 65.3% reduction in cross-entropy loss and an average precision of 89.7% across classes, while processing each input in under 0.8 seconds. Nutritional status predictions were validated using BMI thresholds and cross-referenced with clinical and dietary indicators. Compared to traditional assessment methods, the ANN significantly reduces processing time, improves scalability, and enables dynamic feedback through evolving health indicators. Features such as structured meal plans, real-time daily nutrition summaries, and tailored exercise recommendations enhanced user engagement and adherence to dietary guidelines. The results demonstrate the ANN’s potential as a reliable and scalable tool for personalized nutritional evaluation, enabling early intervention and adaptive planning to address the specific dietary needs and nutrient deficiencies commonly found in vegetarian populations, ultimately supporting predictive healthcare and dietary optimization.