Article Per Year (5 Year)
p-Index From 2021 - 2026
0.92
P-Index
This Author published in this journals
All Journal Teknika Jurnal Pustaka Robot Sister
Sabita, Hary
Unknown Affiliation
Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Engineering Mathematics Mechanical Engineering

Published : 6 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 6 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.
Analisis Komparatif Sentimen Ulasan Google Play Store pada Shopee dan Tokopedia Menggunakan Algoritma Naive Bayes Andika, Apria; Sabita, Hary
Jurnal Pustaka Robot Sister (Jurnal Pusat Akses Kajian Robotika, Sistem Tertanam, dan Sistem Terdistribusi) Vol 4 No 2 (2026): Jurnal Pustaka Robot Sister (Pusat Akses Kajian Robotika, Sistem Tertanam, dan Si
Publisher : Pustaka Galeri Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55382/jurnalpustakarobotsister.v4i2.2220

Abstract

Shopee dan Tokopedia merupakan dua platform niaga elektronik (e-commerce) yang paling mendominasi di Indonesia. Keduanya mengandalkan ulasan konsumen di Google Play Store sebagai indikator keberhasilan layanan. Sebanyak 60.000 data ulasan dikumpulkan selama periode 1 Mei hingga 18 Juni 2026. Untuk efisiensi komputasi tanpa mengurangi validitas statistik, data direduksi menjadi 500 sampel per platform yang dihitung menggunakan pendekatan rumus Slovin dengan margin kesalahan 5%. Tahap prapemrosesan teks dikerjakan menggunakan Python, sementara pemodelan dilakukan secara terintegrasi menggunakan RapidMiner. Algoritma Naive Bayes dipilih karena komputasinya yang ringan namun memiliki akurasi tinggi dalam mengklasifikasikan data teks berskala besar. Pengujian Cross-Validation menghasilkan akurasi sebesar 78,20% untuk Shopee dan 80,00% untuk Tokopedia. Hasil ini menunjukkan bahwa sentimen positif Tokopedia (60,6%) lebih unggul dibandingkan dengan Shopee (49,2%). Visualisasi Word Cloud mempertegas perbedaan ulasan; ulasan positif Shopee didominasi kata "barang" dan "mantap", sedangkan Tokopedia menonjol pada kata "Indonesia" dan "produk". Pada sisi keluhan, pengguna Shopee menyoroti aspek promosi ("buruk", "diskon"), sementara pengguna Tokopedia mengeluhkan kendala teknis ("gabisa", "lama", "ribet"). Hasil ini membuktikan bahwa pendekatan metodologi tersebut efektif dalam memetakan sentimen guna memberikan wawasan strategis bagi perbaikan layanan e-commerce. Berbeda dengan penelitian sebelumnya yang umumnya hanya mengevaluasi satu platform, kebaruan (novelty) dari penelitian ini secara tegas terletak pada analisis komparatif langsung antara kedua platform yang diperkuat dengan penggunaan skema komputasi hibrida serta ekstraksi visual.
Analisis Faktor Impulsive Buying pada Pengguna E-Commerce Menggunakan Regresi Linear Berganda Wahyu Irawan, Febby; Sabita, Hary
Jurnal Pustaka Robot Sister (Jurnal Pusat Akses Kajian Robotika, Sistem Tertanam, dan Sistem Terdistribusi) Vol 4 No 2 (2026): Jurnal Pustaka Robot Sister (Pusat Akses Kajian Robotika, Sistem Tertanam, dan Si
Publisher : Pustaka Galeri Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55382/jurnalpustakarobotsister.v4i2.2235

Abstract

Pesatnya perkembangan bisnis digital di Indonesia telah mengubah perilaku belanja masyarakat dan memicu fenomena online pembelian impulsif di berbagai platform e-commerce. Penelitian ini bertujuan untuk menganalisis pengaruh faktor diskon dan penjualan kilat terhadap pembelian impulsif konsumen, baik secara parsial maupun simultan. Pendekatan penelitian menggunakan metode kuantitatif dengan desain survei. Data primer dikumpulkan melalui kuesioner daring dengan teknik purposive sampling terhadap 100 responden aktif pengguna e-commerce. Data kemudian diolah menggunakan analisis regresi linear berganda melalui perangkat lunak SPSS. Kebaruan (novelty) penelitian ini terletak pada pemberian bukti empiris mengenai pengaruh penjualan kilat terhadap pembelian impulsif menggunakan analisis regresi linear berganda yang menguji aspek keterbatasan waktu secara komparatif dengan efektivitas diskon reguler. Hasil analisis menunjukkan bahwa secara simultan, diskon dan penjualan kilat berpengaruh signifikan dalam memicu pembelian impulsif dengan kontribusi nilai R-Square sebesar 66,9%. Namun secara parsial, penjualan kilat terbukti berpengaruh positif dan sangat signifikan karena manipulasi visual hitung mundur mampu meningkatkan urgensi belanja instan. Sebaliknya, faktor diskon tidak memiliki pengaruh signifikan secara mandiri karena tingginya habituasi membuat konsumen cenderung tetap bertindak rasional. Kesimpulannya, strategi promosi yang membatasi waktu dan stok barang (penjualan kilat) jauh lebih efektif meningkatkan kecenderungan pembelian impulsif konsumen dibandingkan sekadar potongan harga biasa, sehingga memberikan kontribusi penting bagi strategi pemasaran digital.
Co-Authors Andika, Apria Faiq, Husain Ahmad Herwanto, Riko Sandra, Bella Aprilia Visitama, Aldo Gilar Wahyu Irawan, Febby