Untuk memastikan layanan pembayaran akademik memenuhi ekspektasi pengguna, evaluasi kualitas pengalaman pengguna atau user experience (UX) wajib dilakukan. Penelitian ini menggunakan metode User Experience Questionnaire (UEQ) yang mencakup enam dimensi penilaian yaitu Attractiveness, Perspicuity, Efficiency, Dependability, Stimulation, dan Novelty. Selanjutnya, metode Importance Performance Analysis (IPA) diterapkan untuk memetakan prioritas perbaikan, didukung oleh Key Performance Indicator (KPI) dari UEQ. Layanan pembayaran InfoKHS Universitas Muhammadiyah Malang (UMM) digunakan sebagai objek penelitian. Sebanyak 38 dari 61 data responden valid digunakan setelah proses eliminasi data inkonsisten. Hasil UEQ menunjukkan penilaian positif pada lima dimensi (kecuali Novelty yang netral). Berdasarkan benchmark UEQ, terdapat empat dimensi yang dinilai di atas rata-rata, kecuali Stimulation dan Novelty. Analisis IPA menempatkan Perspicuity, Efficiency, dan Dependability pada Kuadran 1 untuk dipertahankan kinerjanya. Dimensi Attractiveness berada di Kuadran 2 yang memiliki performa berlebihan, sementara Stimulation dan Novelty masuk Kuadran 3 dengan prioritas perbaikan rendah. Kesimpulan penelitian ini adalah bahwa sistem layanan pembayaran InfoKHS UMM secara umum telah mencapai pengalaman pengguna yang baik. Namun, aspek Stimulation dan Novelty masih perlu diperhatikan untuk peningkatan kualitas sistem yang berkelanjutan.
 
Kata Kunci - User Experience Questionnaire, UEQ, Importance Performance Analysis, KPI, Universitas Muhammadiyah Malang

This paper details the development and empirical evaluation of an adaptive learning system aimed at enhancing digital science literacy among junior high school students in Indonesia. The primary challenge addressed is the limitation of one-size-fits-all educational models. Our research proposes a user-centric solution, the Sistem Rekomendasi Cerdas (SRC), developed through a co-design methodology. The system’s core is a User-based Collaborative Filtering (UBCF) algorithm. Its effectiveness was evaluated through a pre-test/post-test experimental study involving 60 students, divided into an experimental and a control group. Quantitative results show that the experimental group achieved a significantly higher increase in science literacy scores (p < 0.001) compared to the control group. Qualitative findings from interviews with the experimental group reveal that the platform enhanced learning motivation, content relevance, and helped overcome learning barriers. This study concludes that the SRC, developed via a co-design model, is a highly effective tool for improving digital science literacy, demonstrating that a user-centered approach is fundamental to creating impactful educational technology.
 
Keywords - Adaptive Learning, Co-Design, Recommender System, Digital Literacy, Usability.

This research focuses on analyzing the global company market capitalization dataset using the FP-Growth algorithm combined with a load-balancing constraint approach. The main objective is to identify association patterns among different market capitalization categories Small, Medium, Large, Mega, and Ultra to understand their distribution and interrelationships. The study begins with data preprocessing, cleaning, and categorization of companies based on their market values. The FP-Growth algorithm is applied with a minimum support threshold of 0.02, and a load balancing constraint is introduced by filtering rules with support ≥ 0.05 and lift > 1, ensuring balanced and significant association patterns. The analysis results show that the most dominant categories are Medium and Small, representing the majority of companies worldwide, while Large, Mega, and Ultra categories are relatively rare. The strongest rule indicates that countries with “Large” companies are very likely to also have “Small” and “Medium” companies. Evaluation metrics show an average lift of 1.171 and an average confidence of 1.000, confirming strong and reliable associations. Overall, this study provides insights into global market capitalization patterns and demonstrates the effectiveness of FP-Growth with constraints in revealing meaningful, balanced relationships within large-scale business data.
 
Keywords – FP-Growth, Load Balancing Constraint, Market Capitalization, Association.

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.

Pacitan memiliki banyak tempat wisata yang indah namun memerlukan usaha tersendiri untuk berkunjung ke Pacitan. Agar perjalanan yang ditempuh tidak sia-sia maka perlu perencanaan daftar wisata yang dikunjungi selama berkunjung di Pacitan. Wisatawan harus memiliki informasi sendiri apabila hendak membuat daftar kunjungan wisata karena sistem perencanaan wisata di Pacitan belum ada. Penelitian ini mengajukan perancangan sistem pemberi rekomendasi daftar wisata di kabupaten Pacitan. Rekomendasi daftar wisata berdasar kriteria user yaitu jarak, waktu, cuaca, popularitas tempat wisata, kendaraan, lokasi, dan kategori wisata. Lokasi user didapatkan dari koordinat browser kemudian dilakukan Geo Reverse menggunakan TomTom API. Jarak antara lokasi user dengan tempat wisata dan jarak antar wisata berikut waktu tempuh juga didapatkan menggunakan TomTom API. Penelitian dimulai dari studi literatur, pengumpulan data, perancangan sistem, implementasi dan ujicoba. Sistem menggunakan aturan algoritma untuk memberikan rekomendasi daftar wisata. Sistem dapat memberikan serangkaian rekomendasi wisata sesuai kriteria user dengan waktu pencarian rekomendasi wisata pertama sebesar 1 s.d. 52 microsecond dan waktu yang relatif lebih cepat untuk memberikan rekomendasi daftar wisata sesuai kriteria user karena menggunakan matrik jarak dan waktu yang dimiliki sistem.
 
Kata kunci: rekomendasi, sistem informasi, wisata, TomTom Api, rekomendasi wisata

Madu merupakan produk alami yang kemurniannya menjadi indikator utama kualitas dan keasliannya. Penelitian ini bertujuan untuk memprediksi tingkat kemurnian madu menggunakan algoritma Artificial Neural Network (ANN) dengan metode Backpropagation. Dataset terdiri dari 247.903 data dengan 10 atribut madu yang digunakan sebagai variabel input, sedangkan tingkat kemurnian madu dijadikan sebagai target output. Tahapan penelitian meliputi pra-pemrosesan data, pelatihan model, serta evaluasi hasil prediksi. Setelah melalui tahap pra-pemrosesan, jumlah fitur input bertambah menjadi 27. Pada proses eksperimen, dilakukan pengujian beberapa variasi arsitektur (27-14-14-1, 27-27-27-1, 27-54-54-1), fungsi aktivasi (ReLU, sigmoid biner, sigmoid bipolar), learning rate (0,01, 0,1, 0,5), dan jumlah epoch (1000, 1500, 2000) untuk memperoleh konfigurasi terbaik. Hasil optimal diperoleh pada arsitektur jaringan 27-54-54-1 dengan fungsi aktivasi ReLU, learning rate 0,5, dan jumlah epoch sebanyak 2000. Konfigurasi tersebut menghasilkan kinerja prediksi dengan nilai Mean Squared Error (MSE) 0,000542, R-squared (R²) sebesar 0,972010, dan Mean Absolute Percentage Error (MAPE) 1,26%. Hasil ini membuktikan bahwa algoritma Backpropagation Artificial Neural Network dapat digunakan secara efektif dalam memprediksi tingkat kemurnian madu.
Kata Kunci - Artificial Neural Network, Backpropagation, Prediksi, Kemurnian Madu

UMKM Provinsi DKI Jakarta berkontribusi signifikan terhadap perekonomian daerah. Namun, ada permasalahannya pemetaan data lemah, segmentasi usaha kurang, belum adanya pemetaan yang jelas mengenai jumlah usaha dan pendapatan, keterbatasan akses data dan validitas informasi, serta belum adanya diferensiasi program pembangunan berdasarkan karakteristik usaha. Tujuan penelitian adalah menganalisis data jumlah usaha dan hasil pendapatan UMKM menggunakan metode K-means. Metode ini digunakan mengelompokkan jumlah usaha dan hasil pendapatan. Hasil klasterisasi menghasilkan tiga klaster wilayah: Klaster (1) yaitu kota administratif Jakarta Pusat, Jakarta Selatan, dan Jakarta Timur, memiliki jumlah usaha dan pendapatan tertinggi. Klaster(2) yaitu kota administratif Jakarta Barat dan Jakarta Utara, memiliki jumlah usaha dan pendapatan sedang. Klaster(3) yaitu kota administratif Kepulauan Seribu, memiliki jumlah usaha dan pendapatan yang rendah. Hasil evaluasi proses klasterisasi mempergunakan Davies Bouldin Index (DBI) bernilai -0.390. Hasil ini menunjukkan K-Means dapat memetakan jumlah usaha dan hasil pendapatan, sehingga memudahkan dalam menetapkan strategis kebijakan, mengembangkan usaha, dan menyusun strategi pemasaran berdasarkan karakteristik ekonomi setiap daerah.
 
Kata Kunci – UMKM, Provinsi DKI Jakarta, Klasterisasi, Metode K-Means

Power transformer theft, a pervasive issue disrupting critical infrastructure, necessitates the development of cost-effective and energy-autonomous security solutions. This paper presents the design and implementation of a detection-focused anti-theft framework that integrates a Raspberry Pi Zero W, camera module, and passive infrared (PIR) motion sensors powered by a solar system for continuous monitoring. The system is designed for remote, off-grid deployment, utilizing a headless Raspberry Pi powered by a 5V solar panel and power bank to ensure energy autonomy. Upon motion detection, captured images are processed on the edge device using OpenCV’s Haar Cascade classifier, optimized for upper-body detection to minimize false positives and verify human presence. Captured images are processed locally on the edge device using OpenCV’s Haar Cascade classifier to confirm human presence before an alert is sent to the mobile application, emphasizing real-time operation and low latency. Once an intrusion is confirmed, the images are saved locally and uploaded via the Secure File Transfer Protocol to a custom-developed Android application. The app provides a dedicated remote monitoring interface, enabling secure file transfer and system access, while providing users with immediate notifications and image management capabilities. The system emphasizes low power consumption, real-time operation, and low deployment cost. Tests over 200 triggered events under varied environmental conditions achieved 90% detection accuracy with an average latency of 4.5 s. Solar autonomy was maintained for approximately 24 h under normal operation. It is concluded that the integration of solar power, edge computing of images, and mobile monitoring provides a feasible, scalable, and financially viable framework for securing transformers, especially in resource-constrained environments.

Accurately predicting the lifetime of lithium-ion batteries during early charge–discharge cycles remains a significant challenge due to the nonlinear and weakly expressed degradation dynamics in the initial stages of operation. Classical machine learning (ML) models—although effective in pattern recognition—often face limitations in modeling complex correlations within small, high-dimensional datasets. To address these challenges, this study proposes a Hybrid Quantum–Classical Machine Learning (HQML) framework that integrates a Variational Quantum Circuit (VQC) as a quantum feature encoder with a Gradient Boosting Regressor (GBR) as the classical learner. The proposed approach is implemented using the Qiskit Aer simulator on the MIT Battery Degradation Dataset (124 cells, 42 engineered features). By encoding multi-source degradation descriptors (voltage, capacity, temperature, internal resistance) into Hilbert space via amplitude and angle encoding, the HQML model captures intricate nonlinear feature interactions that are inaccessible to conventional kernels. Experimental results demonstrate that the hybrid model achieves an RMSE of 93 cycles and an R² of 0.94, outperforming the best classical baseline (SVM + Wrapper selection, RMSE = 115, R² = 0.90). Furthermore, quantum observables analysis reveals interpretable correlations between entanglement strengths and physical degradation indicators. These results highlight the potential of quantum machine learning as a powerful paradigm for high-fidelity battery prognostics in the early-life regime.

Quantum Neural Networks (QNNs) represent a novel computational paradigm that merges the principles of quantum computing with the architecture of artificial neural networks. Through the quantum phenomena of superposition, entanglement, and interference, QNNs enable parallel computation in high-dimensional Hilbert spaces, offering the potential to surpass the representational limits of classical models. This review provides a comprehensive overview of the theoretical foundations and architectures of QNNs, including Quantum Perceptrons, Variational Quantum Circuits (VQCs), Quantum Convolutional Neural Networks (QCNNs), and Quantum Recurrent Neural Networks (QRNNs). Furthermore, it discusses hybrid quantum–classical training mechanisms and key challenges such as barren plateaus, decoherence, and sampling complexity. The review also highlights recent applications of QNNs in medical diagnostics, materials science, and financial forecasting, demonstrating their potential to accelerate computation and improve predictive accuracy. Finally, future research directions are discussed in relation to computational efficiency, model interpretability, and integration with next-generation quantum hardware.