Article Per Year (5 Year)
p-Index From 2021 - 2026
0.882
P-Index
This Author published in this journals
All Journal BRITech : Jurnal Ilmiah Ilmu Komputer, Sains dan Teknologi Terapan Scientific Student Journal for Information, Technology and Science Jurnal Buana Pengabdian
Elsa Elvira Awal
Unknown Affiliation
Religion Automotive Engineering Computer Science & IT Law, Crime, Criminology & Criminal Justice Medicine & Pharmacology Public Health Other

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

Found 4 Documents
Search
Journal : Scientific Student Journal for Information, Technology and Science

 1 
Implementasi Data Mining untuk Clustering Asal Daerah Pengunjung pada Wisata Alam Puncak Sempur Kabupaten Karawang Adinda Ryanda; Ahmad Fauzi; Elsa Elvira Awal
Scientific Student Journal for Information, Technology and Science Vol. 6 No. 1 (2025): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

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

Abstract

Setiap pengelola objek wisata melakukan pendataan kunjungan wisatawan, pendataan ini sangat diperlukan dalam menentukan target promosi. Puncak Sempur merupakan salah satu objek wisata alam di Karawang yang melakukan pendataan kunjungan wisatawan melalui buku pengunjung, namun tidak mudah dalam menentukan daerah kurang peminat jika dilihat dari buku daftar pengunjung. Teknik yang tepat dalam permasalahan tersebut berdasarkan penelitian sebelumnya adalah teknik Data Mining clustering, yang dimana prosesnya melalui pengelompokan dengan proses algoritma K-means dan K-medoids. Variabel yang dibutuhkan dalam data mining ini berupa asal daerah pengunjung dan jumlah pengunjung, yang di mana data tersebut dapat ditemui pada buku daftar pengunjung. Data yang didapat terdiri dari 1.797 wisatawan dan 32 daerah akan dihitung manual dan bahasa Python menggunakan algoritma K-means dan dibandingkan dengan perhitungan algoritma K-medoids, hasil perhitungan algoritma K-means dan K-medoids berbeda sehingga dilakukan evaluasi untuk mengetahui tingkat akurasi dengan menggunakan metode Silhouette coefficient. Hasil evaluasi menunjukkan algoritma K-means lebih baik akurasinya yaitu dengan nilai 0,8% sedangkan algoritma K-medoids memiliki nilai akurasi di bawah algoritma K-means yaitu 0,7%. Jadi hasil perhitungan algoritma K-means yang lebih baik untuk hasil penelitian ini yaitu 1 daerah asal wisatawan yang tergolong ramai (C0), 1 daerah asal wisatawan yang tergolong sedang (C1), dan 28 daerah asal wisatawan yang tergolong sepi (C2).
Perbandingan Algoritma Support Vector Regression (SVR) dan Linear Regression untuk Memprediksi Harga Saham Studi Kasus PT Bukit Asam Tbk Ahmad Takdir; Deden Wahiddin; Elsa Elvira Awal
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 1 (2026): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

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

Abstract

Pada era digital saat ini, peningkatan ekonomi di dalam dunia investasi dapat dengan mudah diakses karena banyaknya platform penyedia layanan investasi. Saham merupakan salah satu alat investasi yang laju perubahan harga dari suatu perusahaan terbilang cukup cepat. Oleh karena itu, dibutuhkan suatu model data yang dapat mengelola data dalam jangka waktu yang lama untuk memprediksi harga saham. Pada penelitian ini, algoritma Support Vector Regression (SVR) dan Linear Regression digunakan sebagai metode untuk memprediksi harga saham dengan menggunakan bahasa pemrograman Python dan perangkat lunak pengolahan data, yaitu tools WEKA GUI. Proses penelitian ini berfokus pada penerapan dan perbandingan algoritma, serta untuk mengetahui tingkat akurasi algoritma yang paling baik. Data yang digunakan adalah data transaksi saham selama lima tahun dengan jumlah sebanyak 1.010 data. Hasil penelitian menunjukkan bahwa algoritma Support Vector Regression (SVR) dan Linear Regression mampu memprediksi harga saham. Nilai error RMSE (Root Mean Squared Error) terkecil diperoleh oleh algoritma Linear Regression sebesar 62,9307 dengan pemrograman Python, sedangkan algoritma Support Vector Regression (SVR) menghasilkan nilai error terkecil sebesar 64,1746 dengan pemrograman Python.
Implementasi Metode Support Vector Machine untuk Mendeteksi Penggunaan Pemutih pada Berasvb Diah Nurlaila; Adi Rizky Pratama; Elsa Elvira Awal; Ayu Ratna Juwita
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 1 (2026): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

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

Abstract

Penggunaan bahan pemutih pada beras merupakan praktik berbahaya yang masih sering dilakukan untuk meningkatkan daya tarik visual produk. Deteksi dini sangat penting untuk melindungi konsumen dari bahaya kesehatan yang ditimbulkan. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi menggunakan Support Vector Machine (SVM) guna mendeteksi penggunaan pemutih pada beras secara otomatis melalui analisis citra. Dataset yang digunakan terdiri atas 400 citra beras dengan dua kelas, yaitu beras normal dan beras pemutih. Tahapan penelitian meliputi praproses citra, ekstraksi fitur menggunakan Histogram of Oriented Gradients (HOG), histogram warna, dan Gray Level Co-occurrence Matrix (GLCM). Model SVM dengan berbagai pilihan kernel dilatih dan dievaluasi menggunakan confusion matrix. Hasil pengujian menunjukkan bahwa performa terbaik dicapai oleh kernel RBF dengan akurasi sebesar 93,75%, precision 93,33%, recall 91,66%, dan F1-score 92,95%. Penelitian ini membuktikan bahwa kombinasi ekstraksi fitur HOG, histogram warna, dan GLCM dengan klasifikasi SVM efektif dalam mendeteksi penggunaan pemutih pada beras, sehingga dapat menjadi alat yang berguna untuk pengendalian kualitas pangan.
Klasterisasi Penggunaan Obat di Puskesmas Karawang Kulon Menggunakan Algoritma K-Means Hilman Abdurrohim Azis; Adi Rizky Pratama; Elsa Elvira Awal; Hanny Hikmayanti Handayani
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 1 (2026): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

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

Abstract

Pengelolaan stok obat di Puskesmas Karawang Kulon merupakan hal yang memegang peranan penting dalam mendukung kelancaran pemberian layanan kesehatan kepada masyarakat. Permasalahan yang sering muncul adalah ketidaksesuaian antara ketersediaan obat dan tingkat penggunaannya, yang berpotensi menimbulkan kekurangan atau penumpukan stok. Penelitian ini bertujuan untuk menerapkan algoritma K-Means Clustering guna mengkategorikan data pemakaian obat berdasarkan tingkat pemakaian tahunan, sehingga dapat digunakan sebagai dasar dalam perencanaan kebutuhan obat. Data yang digunakan bersumber dari laporan LPLPO tahun 2024 dan melalui tahapan integrasi, pembersihan, serta pengelompokan menggunakan algoritma K-Means. Hasil analisis menunjukkan bahwa data dapat dikategorikan ke dalam tiga kelompok, yaitu pemakaian tinggi, sedang, dan rendah. Pengelompokan ini memberikan gambaran yang lebih terstruktur terhadap pola pemakaian obat dan dapat dimanfaatkan untuk mendukung pengambilan keputusan dalam proses perencanaan pengadaan obat di masa mendatang.
Co-Authors Adi Rizky Pratama Adinda Ryanda Ahmad Fauzi Ahmad Takdir Deden Wahiddin Diah Nurlaila Fitri Nur Masruriyah, Anis Hanny Hikmayanti Handayani Hilman Abdurrohim Azis Juwita, Ayu Ratna