Pada jaringan internet kualitas suatu koneksi ditentukan oleh beberapa faktor diantaranya throughput bandwidth yang berjalan karena banyak sedikitnya bandwidth akan mempengaruhi akses bagi pengguna baik itu untuk browsing, streaming, download dan upload. Hal tersebut bukan hanya terjadi pada traffic yang menuju ke internet, melainkan terjadi juga pada jaringan VPN dimana apabila banyak user yang menggunakan traffic data VPN dapat menyebabkan akses menjadi lambat.  Terlebih lagi apabila pada suatu jaringan memiliki 2 link internet yang seharusnya kedua link tersebut dapat digunakan secara bersamaan. Ada beberapa parameter yang dapat digunakan untuk meningkatkan kapasitas bandwidth diantaranya adalah Bonding. Bonding adalah sebuah teknologi yang memungkinkan agregasi lebih dari satu interface ethernet dan menggabungkan kedalam satu link virtual sehingga kita akan mendapatkan throughput bandwith yang lebih besar. Faktor lain yang berpengaruh terhadap kualitas suatu koneksi diantaranya adalah topologi. Pemilihan topologi terutama pada jaringan VPN yang memiliki banyak node diperlukan topologi yang menerapkan sebuah perangkat jaringan yang bertugas menjadi concentrator sehingga jaringan VPN terpusat pada concentrator tersebut. Perangkat yang digunakan sebagai router concentrator adalah Mikrotik

The dataset of software metrics, in general, are not balanced (Imbalanced). Class imbalance in Dataset can reduce the performance of software defect prediction models, because it tends to produce majority class predictions from minority classes, the dataset used in this study uses the National Aeronautics and Space Administration (NASA) Metrics Data Program (MDP), dataset From Stages Pre-processing proposed the Particle Swarm Optimization (PSO). method to overcome the problem of attributes in the training data and the Random Over Sampling (ROS) Resampling method. to deal with class imbalances. This study proposes that the Random Forest method combined with Adaboost can estimate the level of disability of software through training data. The results of this study indicate that the Resampling + Adaboost + Random Forest algorithm can be used to predict software defects with an average accuracy of 94.70% and a value of AUC 0.939. While the PSO + Random Forest algorithm only has an average accuracy of 89.60% and AUC 0.636 the difference in the accuracy of the two models is 5.10% and AUC 0.303. Statistical tests show that there is a significant influence between the proposed model and the Random Forest model with a p-value (0.036) smaller than the alpha value (0.05), which means there is a significant difference between the two models.Keywords: Imbalanced Class, Resample, Particle Swarm Optimization, Random Forest, Adaboost, Software DefectAbstrak: Dataset dari software matrik secara umum bersifat tidak seimbang (Imbalanced). Ketidak seimbangan kelas yang ada dalam dataset dapat menurunkan kinerja model prediksi cacat software, karena cenderung menghasilkan prediksi kelas mayoritas dari kelas minoritas. Dataset yang digunakan pada penelitian ini menggunakan dataset National Aeronautics and Space Administration (NASA) Metrics Data Program (MDP). Dari tahapan pra pemrosesan diusulkan metode Particle Swarm Optimization (PSO) untuk mengatasi masalah attribute pada data training dan metode Resampling Random Over Sampling (ROS). untuk menangani ketidak seimbangan kelas. Penelitian ini mengusulkan metode Random Forest yang dikombinasikan dengan Adaboost dapat mengestimasi tingkat kecacatan suatu Software melalui data training, Dari Hasil penelitian ini menunjukan bahwa algoritma Resampling+Adaboost+Random Forest dapat digunakan untuk memprediksi cacat software dengan rata-rata akurasi 94,70% dan nilai AUC 0,939. Sementara algoritma PSO+Random Forest hanya memiliki rata-rata akurasi 89,60% dan AUC 0,636 perbedaan akurasi dari kedua model tersebut 5,10% dan AUC 0,303. Uji statistik menunjukan bahwa adanya pengaruh yang signifikan antara model usulan dengan model Random Forest dengan nilai p (0,036) lebih kecil dari nilai alpha (0,05) yang artinya terdapat perbedaan yang siginifkan antara kedua model.Kata kunci: Imbalanced Class, Resample, Particle Swarm Optimization, Random Forest, Adaboost, Kecacatan Software

Teknologi informasi dan komunikasi dapat digunakan oleh para pakar ataupun dokter untuk menafsirkan tentang penyakit dalam waktu yang cepat dan akurat. Salah satu penerapan teknologi informasi di dunia Kesehatan dapat digunakan untuk memprediksi penyakit diabetes. Penelitian ini akan memprediksi pima indians diabetes database dengan ensemble adaboost dan bagging untuk menghasilkan akurasi yang lebih tinggi dalam mendeteksi penyakit diabetes. Data mining adalah suatu teknologi yang dapat digunakan untuk membantu perusahaan dalam mencari informasi yang dapat digunakan dari data yang dimiliki. Penggunaan data mining di implementasikan untuk prediksi, untuk mempredisi apa yang terjadi di masa yang akan datang. Dalam penelitian ini membandingkan penggunaan ensemble adaboost dan bagging terhadap algoritma klasifikasi Naïve Bayes, SVM, dan Decision Tree untuk menghasilkan nilai akurasi dan presisi terbaik dari dataset Pima Indians Diabetes Database. Penelitian ini telah dapat diketahui bahwa nilai akurasi terbaik menggunakan algoritma SVM dengan penggabungan ensemble bagging meski perubahan nilai akurasinya tidak mengalami kenaikan yang signifikan sebesar 77,47%. Namun, pada pengujian presisi dihasilkan penggunaan naïve bayes lebih baik tanpa menggunakan ensemble baik adaboost maupun bagging dengan nilai 80,23%.

Era digital menuntut inovasi dalam berbagai aspek, termasuk dalam bidang perdagangan food and baverage. Untuk menjawab tantangan era digital, food and baverage online shop memperluas pemasarannya dengan memanfaatkan teknologi website sehingga dapat menjangkau pelanggan lebih luas. Dalam implementasinya, digunakan metode waterfall yang dimodifikasi sebagai pola dalam pembangunan website food and baverage online shop. Metode waterfall yang ditambah dengan proses validasi kebutuhan sebagai metode validasi rancangan yang sudah dibuat sehingga memberikan rancangan dan hasil yang sesuai dengan kebutuhan food and baverage online shop. Hasil penambahan proses pada metode waterfall menghasilkan metode usulan baru dengan langkah analisa kebutuhan sebagai penerjemahan hasil pengumpulan data, validasi kebutuhan sebagai langkah memvalidasi kepada stackholder tentang apa yang akan diimplementasikan, desain sebagai turunan dari analisa kebutuhan dalam bentuk rancangan sebagai acuan pada tahap implementasi. Pada tahap implementasi, dengan mengacu ke desain dan analisa kebutuhan dibuat suatu website dengan menggunakan framework codeigneter dan bootstrap. Kemudian hasil implementasi dilakukan testing untuk meminimalisir kesalahan yang terjadi setelah website dipublish. Proses akhir website dipublish agar dapat memperluas jangkauan pemasaran. Hasil dari penambahan proses validasi kebutuhan membuat website yang dibuat menjadi sesuai dengan kebutuhan stackholder serta mengakomodir kebutuhan yang dapat setelahnya.

Cooperatives have developed from time to time, in providing services, credit cooperatives certainly have certain requirements as prospective customers to receive loans. Cooperatives need to check whether interested parties will receive loans. Loans to customers are the main source of income for cooperatives. In data mining, there are several classification algorithms that can be used for credit analysis, including the Random Forest and the C4.5 Algorithm. Data on prospective customers received from cooperatives as a condition for applying for credit is processed using Random Forest data mining and C4.5 Algorithm to support credit analysis in order to obtain accurate information on whether the prospect who applies for credit is feasible or not, this study was conducted to classify loans to prospective customers. cooperative customers using the Random Forest method and the C4.5 Algorithm which is optimized by Random Oversampling because the dataset is in an unbalanced condition. In testing the C4.5 Algorithm which is optimized with Random Oversampling, it gets an accuracy of 78.03%, where the accuracy increases by 7.89% from the previous 70.14%. Meanwhile, Random Forest with Random Oversampling has an accuracy value of 87.12%, an increase of 23.69% from the previous Random Forest test of 63.43