Article Per Year (5 Year)
p-Index From 2020 - 2025
0.444
P-Index
This Author published in this journals
All Journal Jurnal Simetris JOIV : International Journal on Informatics Visualization
Puspita, Kartika
Unknown Affiliation
Computer Science & IT

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Prediksi Stok Barang pada Klinik Kecantikan Nastyaderm Karawang Menggunakan Metode Trend Moment Puspita, Kartika; Alkhalifi, Yuris
Simetris: Jurnal Teknik Mesin, Elektro dan Ilmu Komputer Vol 15, No 2 (2024): JURNAL SIMETRIS VOLUME 15 NO 2 TAHUN 2024
Publisher : Fakultas Teknik Universitas Muria Kudus

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24176/simet.v15i2.12165

Abstract

Pengelolaan stok barang yang efisien merupakan aspek penting dalam mendukung kelancaran operasional dan kepuasan pelanggan. Stok barang yang berlebih dapat menyebabkan meningkatnya biaya operasional dan mengakibatkan kerugian akibat produk kadaluarsa, sementara jika kekurangan stok barang dapat menurunkan kualitas layanan dan kepuasan pelanggan. Oleh karena itu, memprediksi kebutuhan stok barang secara akurat menjadi tantangan dalam dunia bisnis saat ini termasuk pada sektor jasa seperti klinik kecantikan. Dalam memproyeksikan tren permintaaan dimasa depan dapat dianalisis dengan pola penjualan berdasarkan data dimasa lampau. Metode Trend Moment adalah salah satu metode yang dapat mengoptimalkan manajemen stok barang dengan membaca pola data penjualan masa lampau. Tujuan penelitian ini adalah memprediksi stok barang dimasa yang akan datang dengan menggunakan metode trend moment pada klinik kecantikan Nastyaderm Karawang. Data penjualan produk yang digunakan pada penelitian ini data penjualan klinik Kecantikan Nastyaderm Karawang selama 36 bulan terhitung dari bulan November 2021-Oktober 2024, dengan menggunakan 1 produk yang dijadikan data sampel yakni produk Serum Glowing. Kemudian dilakukan juga evaluasi dengan menggunakan metode Mean Absolute Percentage Error (MAPE) dan pengukuran nilai akurasinya. Dari penelitian yang sudah dilakukan, disimpulkan bahwa produk Serum Glowing yang harus diproduksi pada bulan November 2024 sebanyak 130pcs. Nilai MAPE yang dihasilkan adalah sebesar 0,5% dan akurasi yang didapatkan adalah sebesar 99,5%. Dengan kata lain, penelitian ini dinilai sangat baik karena akurasi yang tinggi, sehingga diharapkan dapat memberikan gambaran pada klinik kecantikan Nastyaderm Karawang agar pengambilan keputusan dalam kebutuhan stok barang dapat diantisipasi dengan lebih tepat.
Brain Tumor Classification based on Convolutional Neural Networks with an Ensemble Learning Approach through Soft Voting Puspita, Kartika; Ernawan, Ferda; Alkhalifi, Yuris; Kasim, Shahreen; Erianda, Aldo
JOIV : International Journal on Informatics Visualization Vol 9, No 5 (2025)
Publisher : Society of Visual Informatics

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62527/joiv.9.5.4609

Abstract

The brain is a vital organ that serves various purposes in the human body. Processing sensory data, generating muscle movements, and performing complex cognitive tasks have all historically relied heavily on the brain. One of the most common conditions affecting the brain is the growth of abnormal tissue in brain cells, leading to the development of brain tumors. The most common forms of brain tumors are pituitary, glioma, and meningioma, which are major global health issues. From these issues, there is a need for appropriate and prompt handling before the brain tumor disease becomes more severe. Quick handling is through an early disease detection approach, and computer vision is one of the trending early disease detection methods that can predict diseases using images. This research proposes a model in computer vision, namely the Convolutional Neural Network (CNN), with a soft voting ensemble learning strategy to classify brain tumors. The dataset consists of 7,023 images without tumors and MRI brain tumors such as glioma, meningioma, and pituitary with a resolution of 512x512 pixels. This experiment investigates classifier models such as VGG16, MobileNet, ResNet50, and DenseNet121, each of which has been optimized to maximize performance. The proposed soft voting ensemble strategy outperformed existing methods, with an accuracy of 97.67% and a Cohen's Kappa value of 0.9688. The proposed soft voting ensemble method approach has proven effective in improving the accuracy.
Co-Authors Aldo Erianda, Aldo Ferda Ernawan Shahreen Kasim, Shahreen Yuris Alkhalifi