Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Sistemasi: Jurnal Sistem Informasi
Masparudin Masparudin
Universitas Islam Indragiri
Computer Science & IT Electrical & Electronics Engineering

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

Found 2 Documents
Search

 1 
SISTEM PREDIKSI KUALITAS SANTAN KELAPA MENGGUNAKAN NEAREST MEAN CLASSIFIER (NMC) Masparudin Masparudin; Abdullah Abdullah; Usman Usman
Sistemasi: Jurnal Sistem Informasi Vol 9, No 3 (2020): Sistemasi: Jurnal Sistem Informasi
Publisher : Program Studi Sistem Informasi Fakultas Teknik dan Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (357.5 KB) | DOI: 10.32520/stmsi.v9i3.1015

Abstract

Santan kelapa adalah salah satu bahan pokok yang selalu dijadikan bahan untuk segala jenis makanan. Kualitas menjadi hal yang penting dalam pemilihan santan kelapa. Bagaimanapun juga pengidentifikasian kualitas santan secara manual tidak efisien, hal ini terjadi karena sulitnya membedakan mana santan yang murni dan mana santan yang bercampur dengan air. Tujuan penelitian ini adalah membangun sistem deteksi kualitas santan berdasarkan warna santan. Algoritma klasifikasi yang digunakan adalah nearest mean classifier (NMC),  Metode ini menghitung jarak vektor input citra ke masing-masing mean kelas dari citra latih, jarak terdekat merupakan dasar dalam menentukan hasil dari klasifikasi.  Evaluasi menggunakan metode validasi holdout menggunakan total 135 citra dengan perbandingan 2/3 untuk data sampel dan 1/3 digunakan untuk data uji. Evaluasi dilakukan dengan 3 menggunakan 3 jenis kamera smartphone yaitu kamera 1 Xiaomi Mi 8 Lite, kamera 2 Oppo F7, dan kamera 3 Samsung Galaxy J3 Pro. Pada pengujian kamera pertama memiliki tingkat akurasi tertinggi yaitu 86,66% dibandingkan dengan kamera 2 dengan akurasi 60% dan kamera 3 dengan akurasi 46%.
Enhancing Air Traffic Forecasting Accuracy at Hang Nadim Airport Using ARIMA-Neural Network Masparudin Masparudin; Abdullah Abdullah; Raymond Erz Saragih; Yonky Pernando; Ilwan Syafrinal
Sistemasi: Jurnal Sistem Informasi Vol 15, No 4 (2026): Sistemasi: Jurnal Sistem Informasi
Publisher : Program Studi Sistem Informasi Fakultas Teknik dan Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32520/stmsi.v15i4.6265

Abstract

Passenger traffic fluctuations at Hang Nadim International Airport exhibit extreme volatility influenced by the unique characteristics of the Free Trade Zone (FTZ). Single statistical methods often fail to capture non-linear patterns in this high-variability data. Therefore, this study proposes a Hybrid ARIMA-Neural Network model to enhance forecasting accuracy. The primary variable used is the total monthly passenger volume (arrivals and departures). The research stages began with data preprocessing (80:20 train-test ratio), linear component modeling using ARIMA, residual extraction, and non-linear component modeling using Multi-Layer Perceptron (MLP) to correct residual errors on a one-step-ahead basis. Evaluation results show that the standalone ARIMA model is slow to anticipate extreme surges, resulting in a Mean Absolute Percentage Error (MAPE) of 23.75%. The hybrid model integration proved successful in compensating for these weaknesses, reducing the MAPE value to 12.51%. This achievement represents a 47.33% error reduction from the baseline. In terms of novelty, this hybrid approach provides a highly reliable computational solution for airport management with dual characteristics (tourism and industry) in mitigating uncertainty in capacity planning.
Co-Authors Abdullah Abdullah Ilwan Syafrinal Pernando, Yonky Raymond Erz Saragih Usman, Usman