No abstract

Digitalisasi dan otomasi dalam pelayanan mahasiswa di Perguruan Tinggi dapat menghasilkan big data. Amanat pemerintah dalam Peraturan Mentri Riset Teknologi dan Pendidikan Tinggi agar besaran Uang Kuliah Tunggal (UKT) di Perguruan Tinggi Negeri dibagi ke dalam 5 kelompok berdasarkan tingkatan kondisi sosial ekonomi orang tua. Dalam proses menetapkan UKT begitu banyak indikator sosial ekonomi orang tua yang harus dijadikan acuan sehingga menyulitkan dalam mengidentifiksi dan mencari formula yang tepat. Untuk mengelompokkan data mahasiswa ini dilakukan dengan teknik data mining menggunakan metode K-Means Clustering. Metode ini mengelompokkan besaran UKT mahasiswa berdasarkan pola atau kemiripan data sosial ekonomi orang tua. Data yang digunakan dalam penelitian ini adalah data calon mahasiswa baru Unversitas Negeri Padang. Pengelompokan ini bertujuan untuk membantu menetapkan besaran UKT calon mahasiswa baru pada Perguruan Tinggi Negeri. Hasil dari penelitian diperoleh 5 kelompok besaran UKT, terdiri dari UKT kategori 1 Rp. 500.000, UKT kategori 2 Rp. 1.000.000, UKT kategori 3 Rp. 2.000.000, UKT kategori 4 Rp. 3.000.000 dan UKT kategori 5 Rp. 4.000.000.

Gigi dan mulut adalah organ tubuh yang sering mengalami gangguan penyakit yang disebabkan oleh kurangnya perhatian terhadap kesehatan gigi dan mulut. Untuk mengatasi gangguan penyakit gigi dan mulut, masyarakat membutuhkan konsultasi dengan dokter spesialis guna mendapatkan hasil diagnosis terhadap penyakit yang diderita. Untuk membantu pekerjaan dokter dalam melakukan diagnosis terhadap suatu penyakit maka dibutuhkan sebuah sistem yang memiliki kemampuan dan cara berfikir seperti dokter tersebut, hal ini bisa dilakukan dengan menggunakan sistem pakar (expert system). Didalam sistem pakar membutuhkan sebuah metode salah satunya adalah metode forward chaining. Penelitian ini menghasilkan diagnosis penyakit gigi dan mulut beserta perawatan penyakit tersebut. Dengan adanya penelitian ini dapat memberikan kemudahan kepada spesialis dalam mendiagnosa penyakit gigi dan mulut. Serta dapat memudahkan pasien dalam melakukan konsultasi.

In the SiPaGa application, the codefication search process is still inaccurate, so OPD often make mistakes in choosing goods codes. So we need Cosine Similarity and TF-IDF methods that can improve the accuracy of the search. Cosine Similarity is a method for calculating similarity by using keywords from the code of goods. Term Frequency and Inverse Document (TFIDF) is a way to give weight to a one-word relationship (term). The purpose of this research is to improve the accuracy of the search for goods codification. Codification of goods processed in this study were 14,417 data sourced from the Goods and Price Planning Information System (SiPaGa) application database. The search keywords were processed using the Cosine Similarity method to see the similarities and using TF-IDF to calculate the weighting. This research produces the calculation of cosine similarity and TF-IDF weighting and is expected to be applied to the SiPaGa application so that the search process on the SiPaGa application is more accurate than before. By using the cosine sismilarity algorithm and TF-IDF, it is hoped that it can improve the accuracy of the search for product codification. So that OPD can choose the product code as desired

Herbs are a product that is in great demand by the public. With so many enthusiasts of herbal products, there is a need for product availability to increase sales transactions for these products. To increase sales transactions for these products, one process that can be done is to predict the sales of herbal products, with data used from January 2018 to December 2019 at the An Nabawi herbal shop. The prediction process is carried out using the Monte Carlo method and to simplify the prediction process a web-based system with the PHP programming language is implemented to make it easier. With the Monte Carlo method used in this study to predict sales of herbal products so that the leadership can use it to make decisions on the availability of herbal products in the shop. The sales prediction results obtained from the Monte Carlo simulation process with an accuracy rate of 87.91%. In this way, the Monte Carlo method can be applied to predict the future sales of herbal products and can be used by store leaders to make decisions regarding the availability of herbal products.