Jurnal Sekolah Tinggi Teknik Surabaya
Not a member yet
194 research outputs found
Sort by
Comparison of Premium Rice Price Prediction in East Java with ARIMA and LSTM (Case Study: National Food Agency Data)
Full text linkRice price prediction plays a crucial role in maintaining economic stability and food security, especially in East Java, one of Indonesia's major rice production centers. This study aims to forecast premium rice prices in East Java using the ARIMA (AutoRegressive Integrated Moving Average) method. The data utilized in this research comprises premium rice prices obtained from the National Food Agency over the period from March 15, 2021, to October 17, 2024. The analysis process begins with data exploration to identify trends and seasonal patterns in the rice price data. Subsequently, the data is analyzed using ARIMA and LSTM methods, both recognized for their effectiveness in time-series forecasting. The ARIMA(1,1,1) model was selected due to its capability to capture price dynamics through its autoregressive, integrated, and moving average components, making it well-suited for linear data with minimal seasonal variation. LSTM was employed as a comparative model because it is a subset of Machine Learning that integrates computational models and neural network algorithms, offering potential improvements in prediction accuracy. The LSTM model used for prediction consists of four layers, each with 50 neurons, dropout rates of 20% and 30%, and a single output layer representing the predicted price. The results indicate the ARIMA model provides highly accurate price estimates with a Mean Absolute Percentage Error (MAPE) of 0.485%, whereas the LSTM model achieves a MAPE of 1.95%. These findings serve as a reference for policymakers and food industry stakeholders in formulating strategic measures to stabilize rice prices in East Java
Perancangan UI/UX Prototipe Website RFC Telkom University Surabaya Menggunakan Metode Lean UX
Full text linkSaat ini, website memiliki berbagai peran bagi suatu proses bisnis seperti dalam proses penjualan produk atau website e-commerce. Rooftop Farming Center (RFC) merupakan komunitas yang berinovasi untuk mengelola lahan rooftop Telkom University Surabaya dengan menggunakan smart urban farming yang memanfaatkan Internet of Things (IoT) untuk mendapatkan hasil yang maksimal sekaligus untuk mewadahi mahasiswa untuk melakukan riset terkait IoT. RFC telah menghasilkan berbagai jenis sayuran, buah-buahan, dan ikan air tawar yang dijual ke masyarakat sekitar dengan sistem penjualan konvensional yaitu secara mouth-to-mouth maupun dengan melalui whatsapp sehingga masih belum terintegrasi. Oleh karena itu, Hal ini mengakibatkan sulitnya mendapatkan informasi stok terbaru, sulitnya memperluas jangkauan penjualan produk RFC, serta sulitnya mendapatkan data-data untuk keperluan riset. untuk meningkatkan jangkauan pasar dan efektifitas pengelolaan produk yang dihasilkan oleh RFC, diperlukan perancangan User Interface (UI) dan User Experience (UX) sebuah website RFC. Penelitian ini menggunakan metode Lean UX untuk melakukan perancangan desain UI/UX yang dikembangkan dalam bentuk high-fidelity prototype. Perancangan tersebut akan dievaluasi dengan thinking aloud dan kuesionerSystem Usability Scale (SUS) untuk mendapatkan desain yang sesuai dengan kebutuhan pengguna. Setelah itu, desain tersebut akan disesuaikan kedalam front-end yang akan diuji menggunakan black box testing. Dari hasil pengujian desain yang telah dilakukan dengan metode thinking aloud dan SUS, diperloleh nilai 81,4 pada tampilan pelanggan dan 85 pada tampilan admin yang keduanya telah disesuaikan berdasarkan hasil pengujian thinking aloud. Sedangkan dalam pengujian black box testing yang telah dilakukan, keseluruhan fitur pada sistem yang dibuat dapat berjalan dengan baik
Metode Agile Scrum pada Rancang Bangun Sistem Informasi Manajemen Pelatihan Pegawai Perusahaan
Full text linkDalam penelitian ini, metode Agile Scrum diterapkan untuk mengembangkan Sistem Informasi Manajemen Pelatihan Pegawai berbasis web di PT Kliring Berjangka Indonesia. Sebagai Badan Usaha Milik Negara yang bergerak di bidang kliring penjaminan dan penyelesaian transaksi berjangka, PT Kliring Berjangka Indonesia memiliki tanggung jawab besar dalam mengembangkan kompetensi pegawainya guna memberikan layanan yang berkualitas. Namun, pengelolaan pelatihan pegawai dengan berbagai divisi dan jenis kompetensi menjadi tantangan, terutama karena belum adanya sistem yang terpusat. Hal ini menghambat perencanaan, evaluasi pelatihan, serta rekapitulasi data untuk keperluan audit.
Metode Agile Scrum dipilih karena mampu memfasilitasi interaksi intens antara product owner dan stakeholder, serta memberikan transparansi melalui sprint review dan retrospective. Metode ini juga memungkinkan fleksibilitas terhadap perubahan requirement, yang dalam penelitian ini menyebabkan penambahan sprint dari 5 menjadi 6. Sistem yang dikembangkan kemudian diuji menggunakan blackbox testing dan dievaluasi melalui User Acceptance Testing (UAT) oleh 12 calon pengguna. Hasil pengujian menunjukkan bahwa seluruh fungsi sistem berjalan dengan baik, sementara kuesioner UAT memperoleh nilai 80%, menandakan tingkat penerimaan yang baik dan kesuksesan sistem dalam mengatasi masalah yang dihadapi oleh staf SDM dan pegawai PT Kliring Berjangka Indonesia
Segmentasi Citra Area Tumpukan Sampah Dengan Memanfaatkan Mask R-CNN
Full text linkPenelitian ini mengusulkan penggunaan konsep deteksi objek sampah dalam gambar untuk membantu petugas kebersihan dalam mengatasi masalah penumpukan sampah di sungai, lahan kosong, dan jalan. Metode yang digunakan adalah Mask R-CNN, sebuah pendekatan two-stage object detection yang tidak hanya mengidentifikasi objek dengan bounding box, tetapi juga melakukan segmentasi objek dengan masking. Dataset terdiri dari 700 data latihan dan 100 data validasi yang diambil menggunakan kamera. Objek yang dideteksi adalah sampah. Pengujian dilakukan dengan membandingkan hasil deteksi dari model Mask R-CNN dengan perhitungan manual oleh manusia untuk 25 data uji. Hasil penelitian menunjukkan bahwa model Mask R-CNN memberikan performa yang lebih baik, dengan tingkat akurasi sebesar 80.16%. Dengan adanya program ini, petugas kebersihan dapat memanfaatkan teknologi deteksi objek untuk membantu dalam memilih lokasi yang harus dibersihkan, mengurangi waktu dan upaya yang diperlukan untuk memantau dan membersihkan sampah. Selain itu, dengan tingkat akurasi yang memadai, program ini dapat menjadi alat yang efektif untuk mengidentifikasi sampah dalam gambar, membantu meningkatkan efisiensi operasional petugas kebersihan, dan mengurangi dampak negatif yang disebabkan oleh penumpukan sampah di lingkungan. Dengan demikian, penelitian ini memberikan kontribusi yang signifikan dalam pengembangan solusi teknologi untuk mengatasi masalah penumpukan sampah dan meningkatkan efektivitas upaya pembersihan di sungai, lahan kosong, dan jalan
Implementasi Metode Fuzzy Analytica Hierarchy Process (FAHP) Dalam Penentuan Bobot Seleksi Mahasiswa Program Pendidikan Dokter Spesialis
Full text linkTujuan dari penelitian ini adalah mengimplementasi metode Fuzzy Analytical Hierarchy Process (F-AHP) dalam menentukan bobot penerimaan mahasiswa pendidikan dokter spesialis Ilmu Kesehatan Kulit dan Kelamin di Fakultas Kedokteran Universitas Udayana dan mengukur tingkat akurasinya menggunakan confusion matrix. Metode F-AHP mampu mengurangi penilaian kriteria yang bersifat subjektif dari metode AHP dan menghasilkan keputusan yang lebih baik. Proses perhitungan dimulai dari menyusun matriks perbandingan berpasangan dari hasil wawancara, menghitung nilai eigen, menghitung nilai rasio konsistensi, mengubah pembobotan kriteria ke dalam bentuk matrik berpasangan kriteria F-AHP, menghitung nilai fuzzy syntethic extent untuk tiap kriteria sampai mendapatkan bobot dari masing-masing variabel. Bobot yang dihasilkan adalah: C1 = tes kompetensi dasar sebesar 30%, C2 = tes wawancara sebesar 30%, C3= tes potensi akademik sebesar 17%, dan C4 = TOEFL sebesar 23%. Pengujian akurasi dilakukan dengan menggunakan confusion matrix dan diperoleh akurasi total sebesar 89%, sedangkan akurasi per-predikat kelulusan diperoleh untuk cumlaude = 93%, sangat memuaskan = 84% dan memuaskan = 90%. Temuan tersebut mengindikasikan bahwa bobot yang diperoleh signifikan untuk diterapkan dalam proses seleksi mahasiswa program pendidikan dokter spesialis
Algoritma Random Forest pada Prediksi Status Kredit Usaha Rakyat untuk Mengurangi Nonperforming Loan Rate
Full text linkProgram Kredit Usaha Rakyat (KUR) adalah salah satu program pemerintah Indonesia dalam meningkatkan akses pembiayaan kepada Usaha Mikro, Kecil, dan Menengah (UMKM) yang disalurkan melalui lembaga keuangan dengan pola penjaminan. Dana penyaluran KUR 100% berasal dari dana lembaga keuangan penyalur KUR. Pemerintah memberikan subsidi berupa pembayaran penjaminan kredit yang menjamin kredit sebesar 70% dari nilai total kredit yang ditetapkan dan 30% sisanya ditanggung lembaga keuangan salah satunya adalah bank. Mempertahankan non performing loan (NPL) rate yang rendah sangat penting untuk mencegah terjadinya pembentukan biaya pencadangan kerugian yang akan mengurangi keuntungan bank. Memprediksi variabel yang berpengaruh terhadap macetnya KUR diperlukan untuk mencegah kredit macet terutama pada tahap awal pemberian kredit. Belum terdapat penelitian untuk memprediksi kredit macet pada KUR menggunakan machine learning. Penelitian ini bertujuan agar Bank dapat melakukan prediksi dengan pendekatan machine learning dan mengetahui kontribusi variabel yang mempengaruhi KUR macet. Teknik SMOTE juga digunakan dalam penelitian untuk mengatasi ketidakseimbangan data. Hasil yang diperoleh menunjukkan bahwa klasifikasi random forest memberikan akurasi lebih tinggi dari regresi logistik yaitu sebesar 88% pada data uji. Urutan tingkat kepentingan dari kontribusi variabel yang mempengaruhi macet pada KUR adalah status restrukturisasi kredit, ketersediaan debt service payment account, unit operasional pemroses kredit, dan sektor usaha dapat menjadi dasar Bank untuk menganalisis profil resiko proses KUR baru sehingga dapat menurunkan potensi kredit bermasalah kedepannya dan menekan NPL rate
Implementasi Algoritma Evolusi FHO, MVPA, dan HHO pada TSP di Tempat Pariwisata Pulau Bali
Full text linkKegiatan berlibur merupakan kegiatan yang diperlukan baik perseorangan maupun bersama keluarga. Pembuatan rute perjalanan yang optimal dari banyak wisata liburan terkadang menjadi permasalahan rumit dan perlu dipikirkan rute optimalnya secara keseluruhan. Dalam ilmu komputer, permasalahan mencari rute optimal pada sebuah jaringan ini dikenal dengan Traveling Salesman Problem. Untuk mendapatkan rute yang baik, diperlukan algoritma khusus yang mampu mengevaluasi rute perjalanan dan memberikan hasil perjalanan yang cukup optimal. Di dalam penelitian ini, 4 algoritma Evolutionary Computation yaitu HHO (Harris Hawk Optimization), FHO (Fire Hawk Optimization), MVPA (Most Valuable Player Algorithm) dan modifikasi dari algoritma MVPA dibandingkan untuk menyelesaikan permasalahan TSP pada 55 lokasi wisata di Pulau Bali. Setelah dilakukan beberapa percobaan, HHO merupakan algoritma dengan nilai fitness terbaik dan konsisten tetapi dengan waktu eksekusi yang lebih lama. Sementara algoritma FHO memiliki waktu eksekusi yang lebih cepat tetapi nilai fitness yang lebih buruk dibandingkan dengan HHO dan MVPA. Algoritma MVPA yang telah dimodifikasi dapat memberikan hasil yang lebih baik meskipun masih belum bisa sebaik HHO. Secara kualitatif, algoritma HHO memberikan hasil perjalanan yang lebih baik dengan jarak tempuh tidak terlalu bervariasi setiap harinya. Hal ini membantu pelaku wisata agar dapat memanfaatkan waktu lebih banyak dalam menikmati lokasi wisata dibandingkan waktu perjalanan yang terbuang
Deteksi Aspek Review E-Commerce Menggunakan IndoBERT Embedding dan CNN
Full text linkDengan semakin berkembangnya teknologi informasi, maka muncul istilah e-commerce dalam dunia bisnis. Pada e-commerce ada fitur review, pelanggan dapat memberikan review berupa teks, gambar, dan bintang. Review tersebut merupakan opini dari pelanggan terkait barang yang dibeli. Tetapi pada kebanyakan e-commerce tidak ada fitur kategori terkait review hal ini membuat calon pembeli kesusahan dalam menganalisa secara manual. Aspect-based sentiment analysis (ABSA) merupakan solusi dari permasalahan tersebut. ABSA memiliki tiga tugas salah satunya Aspect Category Detection yang memiliki fungsi untuk menggabungkan review pelanggan menjadi beberapa aspek dimana aspek-aspek tersebut sudah didefinisikan terlebih dahulu. Cukup banyak penelitian terkait Aspect Category Detection dengan mengunakan machine learning. Dari beberapa metode yang diuji, Convolutional Neural Network (CNN) merupakan metode terbaik. Selain itu penggunaan BERT sebagai word embedding menghasilkan output yang bagus baik dari pada word embedding konvensional. Penelitian ini menggunakan dataset dari e-commerce Bukalapak dengan 3114 review dan 6 aspek (Akurasi, Pengiriman, Kualitas, Harga, Pengemasan, dan Pelayanan). Berdasarkan ujicoba dengan menggunakan IndoBERT sebagai word embedding dan CNN untuk deteksi aspek, maka didapatkan akurasi sebesar 94,86%. Dengan demikian model tersebut dapat digunakan untuk deteksi aspek. Selain itu, metode CNN mendapatkan hasil yang lebih baik dari pada metode LSTM
