Article Per Year (5 Year)
p-Index From 2020 - 2025
1.497
P-Index
This Author published in this journals
All Journal Jurnal Simetris Conference on Innovation and Application of Science and Technology (CIASTECH) Jurnal Teknologi Terpadu Building of Informatics, Technology and Science Technologia: Jurnal Ilmiah Journal of Computer Networks, Architecture and High Performance Computing Indonesia Journal of Midwifery Sciences Innovative: Journal Of Social Science Research Jurnal PETISI (Pendidikan Teknologi Informasi)
Nurlaelasari, Euis
Unknown Affiliation
Agriculture, Biological Sciences & Forestry Humanities Computer Science & IT Education Engineering Health Professions Law, Crime, Criminology & Criminal Justice Nursing Public Health Social Sciences Other

Published : 10 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 10 Documents
Search

 1 
PENERAPAN ALGORITMA ANT COLONY OPTIMIZATION MENENTUKAN NILAI OPTIMAL DALAM MEMILIH OBJEK WISATA BERBASIS ANDROID Nurlaelasari, Euis; Supriyadi, Supriyadi; Lenggana, U. Tresna
Simetris: Jurnal Teknik Mesin, Elektro dan Ilmu Komputer Vol 9, No 1 (2018): JURNAL SIMETRIS VOLUME 9 NO 1 TAHUN 2018
Publisher : Universitas Muria Kudus

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24176/simet.v9i1.1914

Abstract

Pencarian nilai yang optimal adalah permasalahan yang dapat dijumpai pada kehidupan sehari-hari. yaitu seperti, menentukan rute terpendek, menentukan jumlah optimal untuk  persediaan hasil produksi dan lain-lain. Pencarian nilai optimal dapat digunakan untuk memperoleh nilai tertinggi dan terendah dari suatu  permasalahan.  Salah satu  permasalahan  yang  populer  dan dapat  dipecahkan dengan algoritme optimasi   adalah   Traveling   Salesman   Problem   (TSP)   untuk   menentukan   rute   terdekat   dengan menggunakan algoritme Ant Colony Optimization.   Namun pada kenyataannya,  jarak  bukanlah satu- satunya tolak ukur yang dapat diperhitungkan saat melakukan perjalanan. Oleh karena itu, penelitian ini bertujuan untuk melengkapi kekurangan pada penelitian sebelumnya dengan menambahkan variabel lain selain  jarak. Algoritma  Ant  Colony Optimization  digunakan untuk  menentukan objek  wisata dengan menghitung variabel biaya pada sebuah jarak. Sehingga dapat menghasilkan sebuah biaya transportasi terendah. Hasil dari penelitian ini berupa rancangan sistem dengan menggunakan UML (Use case, Class, Sequence, Activity Diagram) dan rancangan aplikasi pemilihan objek Wisata Karawang berbasis android dengan menerapkan Algoritme Ant Colony Optimization. Metode pengembangan sistem yang digunakan adalah  System  Development  Life  Cycle  (SDLC)  Waterfall  serta  rancangan  sistem  berbasis  Object Oriented.
DETEKSI OBJEK BARANG BELANJAAN MENGGUNAKAN METODE ORIENTED FAST AND ROTATED BRIEF (ORB) DAN K-NEAREST NEIGHBOR (KNN) Nurdin, Cherry Januar; Indra, Jamaludin; Rahmat, Rahmat; Baihaqi, Kiki Ahmad; Nurlaelasari, Euis
Conference on Innovation and Application of Science and Technology (CIASTECH) CIASTECH 2021 "Kesiapan Indonesia Dalam Menghadapi Krisis Energi Global"
Publisher : Universitas Widyagama Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Masyarakat sering bertemu dengan banyak pembeli lainnya dengan waktu bersamaan di supermarket. Hal ini menyebabkan terjadinya antrean yang panjang di kasir disebabkan lambatnya proses identifikasi produk menggunakan scan barcode. Kasir harus terlebih dahulu mencari letak barcode untuk mengidentifikasi produk tersebut dan tidak sedikit kasir sulit untuk scan karena barcode terlipat. Dengan memanfaatkan perkembangan teknologi saat ini produk-produk jual supermarket dapat diidentifikasi dengan menggunakan kamera. Produk tersebut diarahkan ke kamera dan aplikasi bisa langsung mengidentifikasi produk tersebut tanpa harus mencari barcode terlebih dahulu. Didalam mengenali citra produk banyak metode yang dapat digunakan, dalam penelitian ini penulis menggunakan metode Oriented Fast and Rotated Brief (ORB) untuk mengekstraksi ciri dan untuk mengidentifikasi ciri dari citra produk agar dapat dikenali menggunakan metode K-Nearest Neighbor (KNN). Objek yang diuji pada penelitian ini sebanyak 6 produk, yaitu pepsodent, so klin, asepso, formula, casio, lifebuoy. Hasil identifikasi barang menggunakan metode ORB dan KNN ini memiliki akurasi 100% terdeteksi dengan jarak maksimal terdeteksi terdekat adalah 55 cm.
Pengetahuan, Sikap dan Dukungan Keluarga dan Hubungannya dengan Perilaku Melengkapi Imunisasi Dasar Lengkap pada Bayi Usia 0-11 Bulan Nurlaelasari, Euis
Indonesia Journal of Midwifery Sciences Vol. 3 No. 3 (2024): Indonesia Journal of Midwifery Sciences (IJMS)
Publisher : SCIPRO Foundation

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.53801/ijms.v3i3.178

Abstract

Latar Belakang: Imunisasi adalah suatu upaya untuk menimbulkan atau meningkatkan kekebalan seseorang secara aktif terhadap suatu penyakit, sehingga bila suatu saat terpajan dengan penyakit tersebut tidak akan sakit atau hanya mengalami sakit ringan. Tujuan: Untuk mengetahui hubungan pengetahuan, sikap dan dukungan keluarga bayi usia 0-11 bulan tentang prilaku melengkapi munisasi dasar lengkap Di UPT Puskesmas Mekarjaya tahun 2023. Metode: Desain penelitian ini adalah deskriptif analitik dengan pendekatan cross-sectional. Populasi yang digunakan dalam penelitian ini yaitu ibu yang melakukan kunjungan perawatan bayi di Puskesmas Mekarjaya sebanyak 110 ibu. Pada penelitian ini sampel yang digunakan yaitu berjumlah 87dengan menggunakan accidental sampling. Instrumen penelitian menggunakan kuesioner dan pengujian menggunakan uji chi-square. Hasil: Berdasarkan hasil uji statistik dengan menggunakan uji Chi-Square hubungan antara pengetahuan dengan prilaku melengkapi munisasi dasar lengkap diperoleh nilai P-Value 0,000 lebih kecil dari nilai < 0,05 maka dapat disimpulkan bahwa H0 ditolak.  Hubungan antara sikap dengan prilaku melengkapi munisasi dasar lengkap didapatkan nilai P-Value 0,000 lebih kecil dari nilai alpha < 0,05 maka dapat disimpulkan bahwa H0 ditolak. Hubungan antara dukungan keluarga bayi usia 0-11 bulan dengan prilaku melengkapi munisasi dasar lengkap didapat nilai P-Value 0,000 lebih kecil dari nilai alpha < 0,05 maka dapat disimpulkan bahwa H0 ditolak. Kesimpulan: Terdapat hubungan antara pengetahuan, sikap, dan dukungan keluarga bayi usia 0-11 bulan dengan prilaku melengkapi munisasi dasar lengkap di UPT Puskesmas Mekarjaya tahun 2023.
Analisis Sentimen Ulasan Aplikasi Identitas Kependudukan Digital Menggunakan Algoritma Logistic Regression dan K-Nearest Neighbor Setiawan, Bagus; Baihaqi, Kiki Ahmad; Nurlaelasari, Euis; Handayani, Hanny Hikmayanti
Building of Informatics, Technology and Science (BITS) Vol 6 No 1 (2024): June 2024
Publisher : Forum Kerjasama Pendidikan Tinggi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/bits.v6i1.5389

Abstract

The government has launched the latest innovation in data collection in the realm of population data which relies on digital technology through mobile applications using photos or QR codes which aims to reduce the use of physical prints of identity cards and the availability of blank KTPs with the aim of simplifying the administrative process and no longer requiring population documents. printing or saving in physical format such as an KTP file. In implementing the population identity application, some people feel anxious due to limited internet access, lack of knowledge about the application, as well as concerns about the security and privacy of identity data in digital format. This research aims to conduct sentiment analysis on reviews of digital population identity applications by comparing logistic regression and k-nearest neighbor algorithms. The dataset was taken using the Google Play Scraper library in Python which got 1700 raw data taken from 12-February to 26 March 2024 and then pre-processed and got 1108 clean data. The results of this research show that the comparison between the logistic regression algorithm and k-nearest neighbor algorithm shows that the k-nearest neighbor algorithm is better than the logistic regression algorithm with an accuracy result of 80.43%, a difference of 3.60% compared to k-nearest neighbor. So it can be concluded that the digital population identity application is still considered poor in its use because it has a negative sentiment of 73.9% and it can be seen in this research that the comparison results of the k-nearest neighbor algorithm prove that its performance is better than logistic regression
Kajian Model Jaringan Syaraf Tiruan Untuk Memprediksi Secara Dini Tingkat Kelulusan Mahasiswa Rohana, Tatang; Nurlaelasari, Euis; Awal, Elsa Elvira; Novita, Hilda Yulia
Technologia : Jurnal Ilmiah Vol 15, No 4 (2024): Technologia (Oktober)
Publisher : Universitas Islam Kalimantan Muhammad Arsyad Al Banjari

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31602/tji.v15i4.15583

Abstract

ABSTRAKMasalah: Penelitian ini terkait dengan kajian algoritma jaringan syaraf tiruan untuk memprediksi secara dini tingkat kelulusan mahasiswa. Tujuan: Tujuan penelitian untuk mendeteksi atau memprediksi tingkat kelulusan mahasiswa yang lulus  tepat waktu, sehingga hasilnya diharapkan bisa memberikan kontribusi bagi progam studi dalam menganalisa tingkat kelulusan mahasiswa.Metode: Algoritma yang dipakai meliputi Multilayer Perceptron, Support Vector Machine, dan Decision Tree. Kemudian akan dibandingkan algoritma mana yang memiliki tingkat akurasi yang terbaik dalam memprediksi tingkat kelulusan mahasiswa.Hasil: Berdasarkan hasil penelitian, model Decision Tree memiliki tingkat error rate yang paling baik yaitu 0, model Support Vector Machine sebesar 0.011, dan Multilayer Perceptron 0.029. Berdasarkan  hasil uji performansi dengan Confusion Matrix, model Multilayer Perceptron  memiliki akurasi sebesar 97,1%, Support Vector  Machine 98,9%, dan Decision Tree memiliki akurasi 100%.Kesimpulan: Model Decision Tree memiliki tingkat akurasi terbaik, sehingga algoritma tersebut bisa digunakan dalam membuat sistem  prediksi kelulusan mahasiswa tepat waktu. Untuk penelitian selanjutnya, disarankan untuk menambahkan lebih banyak data mahasiswa agar hasil penelitian bisa lebih baik. Variabel data set juga bisa diperluas tidak hanya dari aspek akademik mahasiswa, tetapi juga dari aspek non-akademik dan latar belakang ekonomi keluarga, seperti pendapatan orang tua, status pekerjaan mahasiswa, dan variabel lainnya.Kata kunci: Jaringan Syaraf, Prediksi, Multilayer Perceptron, Support Vector Machine, Decision Tree  
BITCOIN PRICE PREDICTION USING LONG SHORT TERM MEMORY ALGORITHM Fauzi, Rifqi Arul; Rohana, Tatang; Nurlaelasari, Euis; Wahiddin, Deden
Journal of Computer Networks, Architecture and High Performance Computing Vol. 7 No. 3 (2025): Articles Research July 2025
Publisher : Information Technology and Science (ITScience)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/cnahpc.v7i3.5945

Abstract

Bitcoin a digital asset with the largest market capitalization in the world and shows high price volatility, attracting the interest of researchers to make accurate price predictions. The research aims to build a Bitcoin price prediction model use Long Short-Term Memory (LSTM) algorithm by utilizing closing price data and technical indicator variables, Moving Average (MA) and Exponential Moving Average (EMA). Dataset obtained from Yahoo Finance with a time range of January 1, 2015 to January 1, 2024 as much as 3287 data. The LSTM model is designed in multivariate form with an input sequence of 30 with several test scenarios at the epoch number 50, 100 and 200. Model evaluation is based on 4 metrics, namely Root Mean Squared Error (RMSE), Mean Squared Error (MSE), Mean Absolute Error (MAE), and Mean Abso-lute Percentage Error (MAPE). Model evaluation results show that the model is capable of providing a good prediction value with an MSE value of 0.0001, RMSE of 0.0117, MAE of 0.0081, and MAPE of 2.21% at epoch 200. The use of technical indicators proved to be helpful in improving the performance of the model compared to using only closing price data.
Penerapan Algoritma KNN dan Naive Bayes untuk Klasifikasi Stunting pada Balita di Desa Pasirjengkol Meriyana, Putri; Rizky Pratama, Adi; Nurlaelasari, Euis; Ratna Juwita, Ayu
JURNAL PETISI (Pendidikan Teknologi Informasi) Vol. 6 No. 2 (2025): Jurnal PETISI (Pendidikan Teknologi Informasi)
Publisher : Universitas Pendidikan Muhammadiyah Sorong

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36232/jurnalpetisi.v6i2.2020

Abstract

Stunting merupakan kondisi gangguan tumbuh anak balita yang terjadi karena kekurangan asupan gizi secara terus-menerus dalam waktu yang lama, sehingga menyebabkan anak mengalami gagal tumbuh secara fisik maupun perkembangan kemampuan berpikir. Penelitian ini menerapkan algoritma K-Nearest Neighbor (KNN) dan Naïve Bayes dalam klasifikasi status balita stunting di Desa Pasirjengkol berdasarkan data usia, jenis kelamin, dan tinggi badan. Dataset yang digunakan berjumlah 1.195 data yang dikumpulkan pada tahun 2023 dan 2024, namun setelah proses pembersihan data menjadi 1.192 data. Proses penelitian meliputi pengumpulan data, pra-pemrosesan penghapusan data duplikat, transformasi data mencakup pengkodean label , dan normalisasi dengan Min-Max Scaling , kemudian pemilihan fitur, pelatihan model, dan evaluasi menggunakan matriks konfusi . Hasil evaluasi menunjukkan algoritma KNN memberikan akurasi tinggi sebesar 97.90%, sedangkan Naïve Bayes sebesar 54.39%. Berdasarkan hasil tersebut, KNN menunjukkan kinerja yang lebih baik dalam mengklasifikasikan status stunting pada balita di Desa Pasirjengkol.
Komparasi Algoritma Machine Learning dalam Memprediksi Kapasitas Produksi Potensial Air Bersih di Indonesia Rohana, Tatang; Novita, Hilda Yulia; Nurlaelasari, Euis
Jurnal Teknologi Terpadu Vol 11 No 1 (2025): Juli, 2025
Publisher : LPPM STT Terpadu Nurul Fikri

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Clean water availability is a key indicator of sustainable development, particularly in developing countries like Indonesia. Factors such as population growth, climate change, and urbanization contribute to fluctuations in clean water supply. This study aims to estimate the potential for clean water production in Indonesia using various machine learning algorithms, such as Linear Regression, Decision Tree, Random Forest, Multilayer Perceptron, XGBoost (Extreme Gradient Boosting), and Neural Network. Each algorithm was evaluated based on Mean Squared Error (MSE), Mean Absolute Error (MAE), R-squared (R²), and prediction accuracy. The results show that Linear Regression achieved the lowest MSE (9.31E-18), nearly zero, indicating extremely accurate predictions. Neural Network and Multilayer Perceptron also performed well, with MSE values of 0.00010898 and 0.00018004, respectively. Moreover, Linear Regression and Neural Network achieved R² scores of 1 and 0.9905, suggesting they can explain nearly all variability in the target data. These findings highlight the effectiveness of Linear Regression, Neural Network, and Multilayer Perceptron in modeling clean water production capacity. Therefore, these algorithms are recommended as the most reliable approaches for supporting data-driven decisions in clean water resource planning and management in Indonesia.
Sistem Presensi Praktikum Berbasis Web Menggunakan Algoritma Brute Force Awal, Elsa Elvira; Rohana, Tatang; Munzi, Gugy Guztaman; Nurlaelasari, Euis; Tri Vicika, Vikha; Nurlaila, Diah; Laurentzia, Rini Beatrix
Innovative: Journal Of Social Science Research Vol. 4 No. 1 (2024): Innovative: Journal Of Social Science Research
Publisher : Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/innovative.v4i1.9160

Abstract

Penelitian ini mengusulkan dan menerapkan sistem presensi praktikum menggunakan algoritma Brute Force dengan teknologi QR Code. Algoritma Brute Force digunakan untuk menentukan kehadiran mahasiswa dengan memeriksa lokasi geografis mereka terhadap empat garis batas yang dibuat berdasarkan koordinat geografis. Penggunaan QR Code sebagai metode pemindaian memfasilitasi proses presensi dengan efisiensi dan akurasi yang tinggi. Penelitian ini melibatkan pengembangan antarmuka pengguna untuk mahasiswa dan administrator, serta evaluasi kinerja algoritma dalam skenario praktikum yang berbeda. Hasil penelitian menunjukkan bahwa algoritma Brute Force memberikan solusi yang akurat dan dapat diandalkan, dengan potensi untuk diintegrasikan dalam sistem presensi di lingkungan praktikum universitas. Saran untuk pembaruan dan optimalisasi kontinu diberikan untuk meningkatkan kinerja dan keberlanjutan sistem presensi. Penelitian ini berkontribusi pada pemahaman tentang potensi implementasi algoritma Brute Force dalam mengoptimalkan presensi mahasiswa dalam praktikum.
Prediksi Penjualan Kendaraan Menggunakan Regresi Linear: Studi Kasus pada Industri Otomotif di Indonesia Amansyah, Ilham; Indra, Jamaludin; Nurlaelasari, Euis; Juwita, Ayu Ratna
Innovative: Journal Of Social Science Research Vol. 4 No. 4 (2024): Innovative: Journal Of Social Science Research
Publisher : Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/innovative.v4i4.12735

Abstract

Abstrak Industri otomotif Indonesia memiliki tingkat persaingan yang tinggi, sehingga perusahaan mobil seperti Toyota membutuhkan prediksi penjualan yang akurat untuk perencanaan bisnis yang efektif, dan prediksi penjualan yang akurat sangat penting untuk perencanaan bisnis yang efektif. Penelitian ini bertujuan untuk mengaplikasikan algoritma Regresi Linear dalam meramalkan penjualan mobil Toyota di Negara Indonesia. Data penjualan yang digunakan dalam penelitian ini diperoleh dari laporan penjualan mobil Toyota periode 2018 hingga 2023 yang diterbitkan oleh Gabungan Industri Kendaraan Bermotor Indonesia (GAIKINDO). Penelitian ini meliputi beberapa tahapan, mulai dari analisis masalah, pengumpulan data, preprocessing data, penerapan algoritma regresi linier, hingga evaluasi model menggunakan mean absolute error (MAE), mean square error (MSE), square error average (RMSE). dan rata-rata persentase kesalahan absolut (MAPE). Hasil penelitian menunjukkan bahwa model regresi linier dapat memprediksi penjualan mobil Toyota dengan akurasi yang cukup baik, dengan rata-rata kesalahan mutlak (MAE) sebesar 2.617 Unit penjualan dan rata-rata persentase kesalahan absolut (MAPE) sebesar 12,47% yang menunjukkan tingkat yang baik dalam akurasi ramalan. Nilai MAE, MSE, RMSE, Mape yang rendah menunjukkan bahwa model ini efektif dalam meramalkan penjualan di masa depan. Prediksi penjualan mobil Toyota untuk beberapa bulan ke depan menunjukkan hasil yang mendekati nilai aktual, sehingga model ini dapat diandalkan untuk perencanaan bisnis yang lebih baik. Kata Kunci: Algoritma Regresi Linear, Prediksi Penjualan, Industri Otomotif, Data Mining, Tren Penjualan
Co-Authors Amansyah, Ilham Awal, Elsa Elvira Bagus Setiawan Baihaqi, Kiki Ahmad Fauzi, Rifqi Arul Hanny Hikmayanti Handayani Indra, Jamaludin Juwita, Ayu Ratna Laurentzia, Rini Beatrix Lenggana, U. Tresna Meriyana, Putri Munzi, Gugy Guztaman Novita, Hilda Yulia Nurdin, Cherry Januar Nurlaila, Diah Rahmat Rahmat Ratna Juwita, Ayu rizky pratama, adi Rohana, Tatang Supriyadi Supriyadi Tri Vicika, Vikha Wahiddin, Deden