Article Per Year (5 Year)
p-Index From 2021 - 2026
0.61
P-Index
This Author published in this journals
All Journal Teknika
Hary Sabita
Informatics and Business Institute Darmajaya
Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Control & Systems Engineering Electrical & Electronics Engineering Engineering

Published : 4 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search

 1 
Pantauan Prediktif Covid-19 Dengan Menggunakan Metode SIR dan Model Statistik Di Indonesia Hary Sabita; Riko Herwanto
TEKNIKA Vol. 14 No. 2 (2020): TEKNIKA
Publisher : Politeknik Negeri Sriwijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.5281/zenodo.13358231

Abstract

During the COVID-19 pandemic, many attempts have been made to predict cases of additional patients, deaths and other medical indicators using various methods. Several forecast projects and predictions have influenced policies in several countries, including Indonesia. However, predictions and predictions for the COVID-19 pandemic are inherently uncertain. Uncertainty is rooted in a lot of the unknown. Starting from the virus itself, complexity, heterogeneity, human behavior, protocols and government intervention. In this study we explored the potential using the term "Predictive Monitoring" using the SIR method and statistical models. This method was chosen because it is one of the basic methods in epidemiological models. The purpose of this research is to capture and understand changes that occur as meaningful signals of uncertainty over changes in actual scenarios. The results of predictive monitoring obtained from this study amounted to 0.89 or 89% for the cure rate and 0.64 or 64% for the mortality rate. With this signal, it is hoped that the planning, behavior and mentality of the current community will become more forward-looking in initiating and guiding preventive actions to shape the real future. Keywords—Data Science, Forecasting, Model SIR, COVID-19
Perbandingan Algoritma Support Vector Machine dan AdaBoost Dalam Memprediksi Waktu Kelulusan Mahasiswa Hary Sabita; Sherli Trisnawati
TEKNIKA Vol. 17 No. 2 (2023): TEKNIKA
Publisher : Politeknik Negeri Sriwijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.5281/zenodo.8220872

Abstract

Fokus penelitian ini adalah untuk membuat sebuah model machine learning dengan menggunakan dua metode yang berbeda. Metode yang dikembangkan akan menghasilkan model yang nantinya akan dapat memprediksi waktu kelulusan mahasiswa. Metode yang di gunakan adalah klasifikasi dengan membandingkan dua algoritma, yaitu Support Vector Machine (SVM) dan AdaBoost. Penelitian ini menggunakan 660 data internal di prodi Teknik Informatika IIB Darmajaya dan dianalisa dengan menggunakan bahasa pemrograman python. Hasil akhir dari penelitian ini adalah akurasi sebesar 0,73 untuk algoritma AdaBoost dan 0,62 untuk SVM. Hasil penelitian ini sangat berguna untuk memprediksi waktu kelulusan mahasiswa berdasarkan 6 variabel independent, yaitu; pendidikan orang tua, pendapatan orang tua, jalur pendidikan, kegiatan internal dan eksternal yang diikuti serta ipk mahasiswa.
Penjadwalan Matakuliah Dengan Menggunakan Metode Jaringan Neural Network (Studi Kasus IIB Darmajaya) Aldo Gilar Visitama; Hary Sabita
TEKNIKA Vol. 18 No. 1 (2024): TEKNIKA
Publisher : Politeknik Negeri Sriwijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.5281/zenodo.10879809

Abstract

Penjadwalan matakuliah merupakan tugas kompleks yang dihadapi oleh lembaga pendidikan dengan tantangan seperti peningkatan jumlah mahasiswa dan keterbatasan ruang kuliah. Dalam konteks ini, pemanfaatan teknologi seperti Jaringan Syaraf Tiruan (JST) menjadi relevan. Penelitian ini bertujuan untuk mengimplementasikan JST dengan metode Backpropagation untuk mengoptimalkan penjadwalan matakuliah. Penelitian ini dilakukan dengan menggunakan metode metode machine leraning life cycle yang dimulai dari proses preprocessing yang mencakup pengumpulan, pembersihan, dan pengolahan data menjadi format yang sesuai. Selanjutnya, dilakukan proses pembuatan dan pelatihan model JST, dengan arsitektur model yang terdiri dari 11 input data, 2 hidden layer, dan menghasilkan 1 output data. Evaluasi model dilakukan dari berbagai aspek, seperti epochs, waktu pelatihan, performa, gradient, dan mu. Model juga diuji terhadap data baru sebanyak 364 data, dan hasil menunjukkan bahwa model mampu memprediksi data dengan benar. Dari keseluruhan kinerja model, diperoleh hasil akhir berupa MSE sebesar 0.000461 dan RMSE sebesar 0.021470. Hal ini menunjukkan bahwa model ini mampu melakukan prediksi dengan akurat dan memiliki tingkat kesalahan yang rendah.
Sistem Cerdas Klasifikasi Gejala Awal COVID-19 dan Influenza Menggunakan Metode Support Vector Machine Bella Aprilia Sandra; Hary Sabita
TEKNIKA Vol. 18 No. 2 (2024): TEKNIKA
Publisher : Politeknik Negeri Sriwijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.5281/zenodo.12724901

Abstract

Self-diagnosis merupakan tindakan menentukan sendiri penyakit berdasarkan informasi yang dimiliki, menjadi tantangan dalam mengklasifikasikan gejala awal COVID-19 dan Influenza. Tujuan penelitian ini adalah mengembangkan sistem cerdas menggunakan metode Support Vector Machine untuk membedakan antara COVID-19 dan Influenza berdasarkan gejala awal pasien RSUD Ragab Begawe Caram Mesuji. Metode pengumpulan data meliputi studi literatur dan dokumentasi dari berbagai sumber. Evaluasi dilakukan dengan menggunakan confusion matrix untuk mengukur akurasi model SVM dalam mengklasifikasikan gejala awal COVID-19 dan Influenza. Hasil penelitian menunjukkan bahwa model SVM mencapai akurasi sebesar 62%, dengan performa yang bervariasi di setiap kelas gejala. Evaluasi memperlihatkan bahwa sistem ini dapat membedakan antara gejala awal COVID-19 dan Influenza, memberikan diagnosa berdasarkan hasil klasifikasi. Rekomendasi bagi pengembangan selanjutnya adalah peningkatan jumlah Dataset untuk meningkatkan akurasi model secara keseluruhan, serta desain antarmuka yang dapat digunakan secara efektif oleh tenaga medis dan masyarakat.
Co-Authors Aldo Gilar Visitama Bella Aprilia Sandra Riko Herwanto Sherli Trisnawati