Article Per Year (5 Year)
p-Index From 2021 - 2026
3.75
P-Index
This Author published in this journals
All Journal Indonesian Journal on Software Engineering (IJSE) INTI Nusa Mandiri INSANtek – Jurnal Inovasi dan Sains Teknik Elektro IMTechno: Journal of Industrial Management and Technology Jurnal Abdimas Komunikasi dan Bahasa JUSTIN (Jurnal Sistem dan Teknologi Informasi) Jurnal Insan Jurnal Pengabdian Kreatif Cemerlang Indonesia
Sri Watmah
Universitas Bina Sarana Informatika
Computer Science & IT Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Social Sciences

Published : 23 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 23 Documents
Search

 1   2   3 
Long Short-Term Memory untuk Prediksi Beban Listrik Jangka Pendek pada Lini Produksi Manufaktur Martias Martias; sri watmah; Rian Septian Anwar
IMTechno: Journal of Industrial Management and Technology Vol. 7 No. 2 (2026): Vol. 7 No 2 (2026) : Juli 2026
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/imtechno.v7i2.13268

Abstract

Pengelolaan energi listrik pada lini produksi merupakan faktor penting dalam efisiensi biaya operasional dan keberlanjutan industri manufaktur. Beban listrik lini produksi bersifat nonlinier dan fluktuatif karena dipengaruhi pola operasi sif, jadwal produksi, dan perilaku mesin, sehingga sulit diprediksi menggunakan metode statistik konvensional. Penelitian ini menerapkan model deep learning Long Short-Term Memory (LSTM) untuk peramalan beban listrik jangka pendek satu jam ke depan. Data yang digunakan adalah dataset publik ElectricityLoadDiagrams (Trindade, 2015) dari UCI Machine Learning Repository versi agregasi per jam yang memuat 321 pelanggan selama 2012-2014; satu pelanggan dengan profil industri dan autokorelasi harian tinggi (0,984) dipilih sebagai representasi beban lini produksi. Data diproses melalui pembersihan, standardisasi Z-score, penambahan fitur kalender, dan pembentukan sliding window 24 jam. Model LSTM dilatih menggunakan algoritma Adam dan dibandingkan dengan ARIMA serta Multilayer Perceptron (MLP). Hasil pengujian pada 3.946 titik data menunjukkan model LSTM memberikan akurasi terbaik dengan MAPE 6,83%, lebih rendah dibanding ARIMA (7,31%) dan MLP (10,07%), serta koefisien korelasi 0,99 terhadap data aktual. Temuan ini menunjukkan LSTM mampu menangkap ketergantungan temporal beban listrik sehingga dapat mendukung perencanaan produksi, penjadwalan beban, dan efisiensi energi dalam manajemen industri.
Digitalisasi Manajemen Persediaan Bahan Baku Menggunakan Framework Laravel pada Usaha Kuliner P Adam, Alfrino; Putri, Destiana; Watmah, Sri; Paike Budihardjo, Aileen
Jurnal INSAN Journal of Information System Management Innovation Vol. 6 No. 1 (2026): Juni 2026
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/j-insan.v6i1.12827

Abstract

Pengelolaan stok bahan baku merupakan salah satu aspek penting dalam operasional usaha kuliner karena berpengaruh terhadap kelancaran produksi dan pelayanan kepada konsumen. Pada usaha Dapoer Pizza, pencatatan stok bahan baku masih dilakukan secara manual menggunakan buku dan spreadsheet sederhana, sehingga sering terjadi ketidaksesuaian antara data stok fisik dengan catatan, keterlambatan informasi stok, serta kesulitan dalam penyusunan laporan. Penelitian ini bertujuan merancang dan mengimplementasikan sistem informasi pencatatan stok bahan baku berbasis web menggunakan framework Laravel untuk meningkatkan efisiensi pengelolaan persediaan. Metode pengembangan sistem menggunakan model Waterfall yang meliputi analisis kebutuhan, perancangan sistem, implementasi, dan pengujian. Sistem dibangun menggunakan Laravel sebagai backend, Blade Template untuk antarmuka, dan MariaDB sebagai basis data. Hasil penelitian menunjukkan bahwa sistem mampu mengelola data barang masuk, barang keluar, serta menghasilkan laporan stok secara otomatis. Pengujian black-box menunjukkan seluruh fungsi berjalan sesuai kebutuhan pengguna. Sistem ini dapat membantu meningkatkan akurasi data, mempercepat proses pencatatan, serta mendukung pengambilan keputusan pengadaan bahan baku.
PENERAPAN K-MEANS DAN K-MEDOIDS BERBASIS RFM PADA SEGMENTASI PELANGGAN DI MASA PANDEMI COVID-19 Sri Watmah; Dwiza Riana; Rachmawati Darma Astuti
INTI Nusa Mandiri Vol. 18 No. 2 (2024): INTI Periode Februari 2024
Publisher : Lembaga Penelitian dan Pengabdian Pada Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33480/inti.v18i2.4963

Abstract

The outbreak of the CORONA virus in Indonesia in early March 2020 has created unrest, especially in the business world. The impact caused some small and medium-sized businesses to go out of business, so the right marketing strategy is needed to maintain and increase customer loyalty. The purpose of this research is to segment PT Megadaya Maju Selaras' customers based on their characteristics by comparing the RFM-based K-Means and K-Medoids algorithms as attributes in the research. The dataset used comes from the purchase transaction data of PT Megadaya Maju Selaras customers. Experiments in this study used the CRISP-DM model. The results showed that the K-Means algorithm has a smaller Davies Bouldin Index (DBI) value than K-Medoids, meaning that the K-Means method is the right method for this research. With the K-Means method, the overall data shows the optimal k in cluster 4 with a DBI value of 0.286, the data before the pandemic shows the optimal k value in cluster 2 with a DBI value of 0.299, after the pandemic shows the optimal k in cluster 5 with a DBI value of 0.278. The overall data is divided into 4 segments, namely superstar, typical customer, occational customer and dormant customer. Data before the pandemic is divided into 2 segments, namely typical customers and superstars. Meanwhile, after the pandemic is divided into 5 segments, namely typical customer, occational customer, golden customer, dormant customer and superstar. With this research, PT Megadaya Maju Selaras can provide the right service for each customer group.
Co-Authors Aditama, Krisna Astuti, Rachmawati Darma Dwiza Riana Dwiza Riana Firmansyah Firmansyah Firmansyah Firmansyah Fitri, Evita Hamdun Sulaiman Hanggoro Aji Al Kautsar Jordy Lasmana Putra Martias Martias Martias Martias Mugi Raharjo Mugi Raharjo Nuraeni Herlinawati Oky Irnawati P Adam, Alfrino Paike Budihardjo, Aileen Pangastuti, Nova Pas Mahyu Akhirianto Putri, Destiana Rachmawati Darma Astuti Raharjo, Mugi Rian Septian Anwar Ricki Sastra Ristiyanto, Nur Siti Fauziah Suryanto Suryanto Suryanto Suryanto Suryanto Suryanto Tommi Alfian Armawan Sandi Waruwu, Agustian Yesni Malau Yoseph Tajul Arifin Yuliani, Yuri