Article Per Year (5 Year)
p-Index From 2021 - 2026
0.562
P-Index
This Author published in this journals
All Journal Teknika
Sabita, Hary
Unknown Affiliation
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 Sabita, Hary; Herwanto, Riko
TEKNIKA Vol. 14 No. 2 (2020): Teknika Juli - Desember 2020
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
Sistem Cerdas Klasifikasi Gejala Awal COVID-19 dan Influenza Menggunakan Metode Support Vector Machine Sandra, Bella Aprilia; Sabita, Hary
TEKNIKA Vol. 18 No. 2 (2024): Teknika Juli - Desember 2024
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.
Pengembangan Model Deep Learning Untuk Pengenalan Wajah pada Sistem Keamanan Faiq, Husain Ahmad; Sabita, Hary
TEKNIKA Vol. 18 No. 1 (2024): Teknika Januari - Juni 2024
Publisher : Politeknik Negeri Sriwijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.5281/zenodo.10881284

Abstract

Penelitian ini bertujuan untuk mengembangkan sebuah model Deep Learning menggunakan Convolutional Neural Network (CNN) guna meningkatkan sistem keamanan berbasis sistem pengenalan wajah pada Program Studi Teknik Informatika di Institut Informatika dan Bisnis Darmajaya. Keamanan ruangan atau akses terhadap suatu area tertentu menjadi isu yang sangat penting seperti di gedung perkantoran, pusat data, atau laboratorium riset untuk mencegah terjadinya kebocoran data maupun akses yang tidak sah yang dilakukan oleh pihak yang tidak berwenang. Oleh karena itu, diperlukan teknologi yang canggih dan akurat seperti sistem pengenalan wajah untuk memastikan akses yang aman ke dalam ruangan tersebut. Metode Convolutional Neural Network (CNN) telah terbukti efektif dalam tugas pengenalan pola kompleks seperti wajah manusia. Dengan mengimplementasikan teknik-teknik canggih dalam arsitektur Convolutional Neural Network (CNN), penelitian ini menghasilkan sebuah model yang mampu mengenali wajah dengan akurasi tinggi dan respons yang cepat. Hasil akhir dari penelitian ini berupa model Deep Learning dengan akurasi tinggi yang diintegrasikan dengan Graphical User Interface (GUI) yang nantinya dapat digunakan pada perangkat seluler atau edge devices seperti devices IoT (Internet of Things), kamera pengawas, dan perangkat lainnya sesuai dengan kemampuan komputasi yang dibutuhkan.
Penjadwalan Matakuliah Dengan Menggunakan Metode Jaringan Neural Network (Studi Kasus IIB Darmajaya) Visitama, Aldo Gilar; Sabita, Hary
TEKNIKA Vol. 18 No. 1 (2024): Teknika Januari - Juni 2024
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.
Co-Authors Faiq, Husain Ahmad Herwanto, Riko Sandra, Bella Aprilia Visitama, Aldo Gilar