Articles
<![CDATA[Integration of Double Exponential Smoothing Damped Trend with Metaheuristic Methods to Optimize Forecasting Rupiah Exchange Rate against USD during COVID-19 Pandemic ]]>
<![CDATA[Maftahatul Hakimah]]>;
<![CDATA[Muchamad Kurniawan]]>
<![CDATA[ Khazanah Informatika Vol. 6 No. 2 October 2020 ]]>
Publisher : <![CDATA[Department of Informatics, Universitas Muhammadiyah Surakarta, Indonesia ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.23917/khif.v6i2.9887
<![CDATA[COVID-19 pandemic has brought great changes to the stability of the Indonesian state. The disease not only has an impact on public health but also has the effect of weakening the economic sector. One indicator is the weakening of the rupiah exchange rate against the USD. When the pandemic emerged, the rupiah exchange rate started to weaken, which may encourage investors to reduce investment in Indonesia. Therefore, it is necessary to predict the rupiah exchange rate during the COVID-19 pandemic for the coming period. This study applies the Double Exponential Smoothing forecasting method by adding a damped trend factor. The calculation of the parameters of the method becomes the research optimization problem. This optimization problem is then solved using metaheuristic methods, namely Genetic Algorithm (GA) and Particle Swarm Optimization (PSO). The performance of the forecasting model is measured based on the magnitude of the forecast error. This study shows that the PSO algorithm is better at obtaining the optimal parameters for predicting the rupiah exchange rate in the coming period compared to GA. The integration error rate of Double Exponential Smoothing damped trend with PSO is 0.70%, while the error rate for the same method with GA is 0.72%. Thus, the integrated performance of double exponential smoothing with metaheuristic optimization is a more excellent method in predicting the rupiah exchange rate against the USD during the period of the Coronavirus outbreak. Furthermore, the addition of a trend dampening factor to the DES method also significantly increases the forecast accuracy.]]>
<![CDATA[Pemanfaatan Teknologi Informasi Sebagai Media Pembelajaran di Taman Pendidikan Al-Quran ]]>
<![CDATA[Maftahatul Hakimah]]>;
<![CDATA[Tukadi Tukadi]]>;
<![CDATA[Rinci Kembang Hapsari]]>;
<![CDATA[Hendro Nugroho]]>;
<![CDATA[Dian Puspita Hapsari]]>
<![CDATA[ JPP IPTEK (Jurnal Pengabdian dan Penerapan IPTEK) Vol 3, No 2 (2019) ]]>
Publisher : <![CDATA[LPPM ITATS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.31284/j.jpp-iptek.2019.v3i2.559
<![CDATA[Perkembangan teknologi informasi saat ini memberikan kemudahan akses disegala bidang sekalipun pendidikan non formal seperti TPQ. Cara belajar yang menyenangkan menjadi tuntutan bagi para guru TPQ termasuk di TPQ Al-Fadlol agar para santri bisa memahami materi agama sehingga bisa diterapkan dalam rutinitas keseharian. Materi ibadah sehari-hari yang diajarkan di TPQ Al-Fadlol ini adalah doa sehari-hari, tuntunan shalat dan cerita islami. Kegiatan Pengabdian Kepada Masyarakat yang dilakukan ini adalah menyajikan materi utama di TPQ Al-Fadlol dalam sebuah aplikasi yang diberi nama Muslim Daily Prayer sebagai media pembelajaran. Dengan aplikasi ini, para santri dan para guru bisa menciptakan suasana belajar yang tidak membosankan sehingga para santri lebih bersemangat belajar agama. Selain itu, sosialisasi terhadap pengaruh positif dan negatif dari adanya teknologi informasi ini diberikan untuk membekali para santri dan para guru agar lebih bijak dalam menggunakannya.]]>
<![CDATA[Pengelompokan Data Hotspot Menggunakan Metode LOF K-Means ]]>
<![CDATA[Pambudi O.T.]]>;
<![CDATA[Muchamad Kurniawan]]>;
<![CDATA[Rani Rotul Muhima]]>;
<![CDATA[Maftahatul Hakimah]]>
<![CDATA[ Prosiding Seminar Nasional Sains dan Teknologi Terapan 2020: Memberdayakan Riset dan Inovasi untuk Teknologi yang Berkelanjutan ]]>
Publisher : <![CDATA[Institut Teknologi Adhi Tama Surabaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Kebakaran hutan menjadi salah satu permasalahan di Indonesia. Dari awal tahun hingga September pada tahun 2019, kebakaran hutan dan lahan di Indonesia mencapai 857.756 hektar. Dampak kebakaran hutan dapat mengganggu kesehatan, transportasi bahkan hubungan bilateral dengan negara tetangga. Titik panas bumi atau hotspot merupakan indikasi adanya kebakaran hutan atau lahan. Pengelompokan data hotspot sebagai cara analisa data hotspot sangat penting untuk mencegah terjadinya kebakaran hutan atau lahan menjadi lebih besar. Pada penelitian sebelumnya, pengelompokan data hotspot berdasarkan fitur latitude, longtitude dengan LOF K-Means memberikan hasil lebih baik dibandingkan K-Means. Penelitian ini dilakukan pengelompokan data hotspot dengan metode LOF K-Means berdasarkan fitur latitude, longtitude dan brightness. Tujuan penelitian ini untuk mengetahui hasil perbandingan antara pengelompokan data hotspot berdasarkan fitur latitude, longtitude dengan pengelompokan data hotspot berdasarkan fitur latitude, longtitude dan brightness. Hasil penelitian ini dijadikan landasan untuk penelitian selanjutnya sebagai upaya pencegahan kerugian akibat kebakaran hutan dan lahan yang lebih besar. Berdasarkan hasil penelitian, penambahan fitur brightness sebagai dasar pengelompokan menggunakan metode LOF K-Means tidak memberikan hasil yang lebih baik]]>
<![CDATA[Pengambilan Keputusan Beasiswa Bantuan Di Mts Addini Al-Burdah Menggunakan Metode Fuzzy Topsis ]]>
<![CDATA[Nour Haqiki]]>;
<![CDATA[Weny Mistarika Rahmawati]]>;
<![CDATA[Maftahatul Hakimah]]>
<![CDATA[ Prosiding Seminar Nasional Sains dan Teknologi Terapan 2021: Peluang dan Tantangan Peningkatan Riset dan Teknologi di Era Pasca Covid-19 ]]>
Publisher : <![CDATA[Institut Teknologi Adhi Tama Surabaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Bantuan beasiswa merupakan program yang di angkat dengan tujuan untuk membantu siswa yang berprestasi serta membutuhkan untuk mendapatkan pelayanan sekolah yang layak, mengurangi putusnya sekolah karena biaya, serta membantu memenuhi kebutuhan sekolah dalam melaksanakan pembelajaran di sekolah yang bersumber dari dana Anggaran Pendapatan Belanja Negara (APBN). Dengan menggunakan metode Fuzzy Topsis akan memberikan pembobotan yang lebih baik dalam pemilihan beasiswa terhadap siswa yang layak mendapatkannya. Program ini di bangun dengan 3 kriteria yang digunakan sebagai atribut untuk mendapatkan nilai preferensi akhirnya, atribut dari metode Fuzzy Topsis ini adalah atribut nilai, pendapatan dari orang tua serta nilai kedisiplinan. Metode Fuzzy Topsis ini mampu memberikan hasil akhir keputusan yang tepat dan layak dalam pemberian beasiswa terhadap siswa di MTs. Addini Al Burdah.]]>
<![CDATA[Pemodelan Jumlah Kasus Baru Covid-19 di Masa Kenormalan Baru Menggunakan Metode Pencocokan Kurva ]]>
<![CDATA[Maftahatul Hakimah]]>;
<![CDATA[Muchamad Kurniawan]]>;
<![CDATA[Rani Rotul Muhima]]>
<![CDATA[ Prosiding Seminar Nasional Sains dan Teknologi Terapan 2020: Memberdayakan Riset dan Inovasi untuk Teknologi yang Berkelanjutan ]]>
Publisher : <![CDATA[Institut Teknologi Adhi Tama Surabaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Artikel ini bertujuan mendapatkan model matematika pertambahan jumlah kasus baru penderita Covid-19 di masa kenormalan baru. Model matematika yang digunakan adalah polinom interpolasi Lagrange; polinom interpolasi Newton dan Fungsi Eksponensial dengan pendekatan regresi linier. Interpolasi dan regresi sering dikenal dengan metode pencocokan kurva. Pada model interpolasi, titik-titik data dipilih berdasarkan periode 1 bulan, 15 hari dan 20 hari. Derajat polinom yang dikaji diperoleh dari titik data yang dipilih berdasarkan periode tersebut. Berdasarkan evaluasi kesalahan, polinom Lagrange dan polinom Newton berderajat 4 memberikan hasil yang paling bagus dalam pencocokan kurva dataset jumlah kasus baru Covid-19. Setelah model matematika diperoleh, prediksi jumlah kasus baru Covid-19 diperoleh dengan memproyeksikan fungsi hampiran untuk periode berikutnya. Hasil prediksi polinom Newton derajat 3 dan Fungsi Eksponensial menunjukkan jumlah kasus penderita Covid-19 perharinya semakin meningkat. Secara kontradiktif, polinom Lagrange dan Newton derajat 4 menunjukkan jumlah kasus penderita Covid-19 perharinya mengalami penurunan. Salah satu faktor yang mempengaruhi hasil prediksi pada interpolasi adalah penentuan titik-titik data yang dilibatkan pada pembentukan polinom interpolasi.]]>
<![CDATA[SEGMENTASI CITRA WAJAH DENGAN MENGGUNAKAN METODE K-MEANS – L*A*B ]]>
<![CDATA[Ahmad Fawaz]]>;
<![CDATA[Maftahatul Hakimah]]>;
<![CDATA[Muchamad Kurniawan]]>
<![CDATA[ Prosiding Seminar Nasional Sains dan Teknologi Terapan 2021: Peluang dan Tantangan Peningkatan Riset dan Teknologi di Era Pasca Covid-19 ]]>
Publisher : <![CDATA[Institut Teknologi Adhi Tama Surabaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Segmentasi adalah salah satu teknik yang digunakan untuk memisahkan antara object dengan background. Objek yang digunakan dalam penelitian ini adalah objek wajah manusia. Dengan segmentasi, citra wajah manusia dapat terpisah dengan backgroundnya. Teknik segmentasi yang digunakan adalah metode clustering k-means. K-means merupakan salah satu algoritma yang dapat menyelesaikan masalah clustering, selain dengan metode k-means dibutuhkan juga proses perpindahan dari citra yang diambil berupa warna RGB menjadi warna L*a*b. Ruang warna L*a* b merupakan sebuah ruang warna yang terdiri dari tiga nilai numerik,yaitu L* untuk level cahaya dan a* b* itu untuk komponen hijau-merah dan biru kuning. Keberagaman background pada suatu citra wajah merupakan sebuah tantangan tersendiri dalam melakukan proses pemisahan wajah yang menggunakan metode k-means. Pengambilan citra wajah dilakukan dengan 2 tempat yaitu ruangan dalam (indoor) dan luar ruangan (outdoor). Hasil akurasi terbaik didalam ruangan (indoor) sebesar 99,64% dan citra diluar ruangan (outdoor) sebesar 99,29%]]>
<![CDATA[Pengenalan Pola Dengan Penggunaan Metode Ekestraksi Fitur Zernike Moment Pada Citra Aksara Jawa Kontemporer dan Aksara Jawa Kawi ]]>
<![CDATA[Hendro Nugroho]]>;
<![CDATA[Maftahatul Hakimah]]>;
<![CDATA[Taufan Augusta]]>
<![CDATA[ Prosiding Seminar Nasional Sains dan Teknologi Terapan 2021: Peluang dan Tantangan Peningkatan Riset dan Teknologi di Era Pasca Covid-19 ]]>
Publisher : <![CDATA[Institut Teknologi Adhi Tama Surabaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Tulisan aksara Jawa Kawi dan aksara Jawa Kontemporer telah berkembang di Indonesia sejak abad ke-8. Perkembangan kedua tulisan tersebut dipengaruhi akan adat dan budaya. Karena perkembangan tulisan tersebut, maka penenlitan ini dilakukan pengenalan pola dari kemiripan mulai dari awal aksara Jawa yaitu aksara Kawi dengan aksara Jawa Kontemporer. Pengenalan pola yang dilakukan menggunakan metode Zernike Moment. Proses pengenalan pola citra aksara Jawa Kawi dengan aksara Jawa Kontemprore dilakukan beberapa langkah yaitu (1) input citra, (2) praprosesing, (3) Zernike Momnet, (4) mencari nilai kemiripan, dan (5) Hasil. Dari hasil penelitian tersebut ternyata terdapat kemiripan antara tulisan aksara Jawa Kontemporer “HA” dengan aksara Kawi “HO”]]>
<![CDATA[Penentuan Kategori Status Gizi Balita Menggunakan Penggabungan Metode Klasterisasi Agglomerative Dan K-Means ]]>
<![CDATA[Aries Aprilia]]>;
<![CDATA[Weny Mistarika Rahmawati]]>;
<![CDATA[Maftahatul Hakimah]]>
<![CDATA[ Prosiding Seminar Nasional Sains dan Teknologi Terapan 2019: Menuju Penerapan Teknologi Terbarukan pada Industri 4.0: Perubahan Industri dan Transformasi P ]]>
Publisher : <![CDATA[Institut Teknologi Adhi Tama Surabaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Klasterisasi data banyak digunakan dalam berbagai bidang. Salah satunya digunakan untuk pengelompokan status gizi balita. Metode klasterisasi yang sering digunakan adalah metode k-means, yaitu menjadikan tetangga terdekat sebagai satu klaster. Kelemahan dari k-means adalah peletakan titik pusat klaster (centroid) awal yang acak. Peletakan centroid awal yang berbeda dapat menghasilkan hasil klaster yang berbeda. Oleh karena itu, pada penelitian ini pengelompokan status gizi balita menggunakan metode k-means dengan peletakan centroid awalnya diperoleh dari metode klasterisasi agglomerative. Mula-mula data diolah dengan metode klasterisasi agglomerative menghasilkan klaster sejumlah yang diinginkan. Centroid dari setiap hasil klaster tersebut akan dijadikan sebagai centroid awal algoritma k-means. Dengan cara ini, kelemahan k-means dengan mencari centroid awal secara acak dapat diatasi. Berdasarkan pengujian jarak antar centroid, gabungan metode klasterisasi agglomerative dan k-means lebih baik daripada k-means saja. Sedangkan, grafik elbow menunjukkan bahwa jumlah klaster yang optimal untuk pengelompokan status gizi balita adalah sebanyak 3 klaster.]]>
<![CDATA[Sistem Monitoring dan Kontrol Rumah Berbasis Internet Of Things (IoT) ]]>
<![CDATA[Agus Bambang Aldiansyah]]>;
<![CDATA[Maftahatul Hakimah]]>;
<![CDATA[Tukadi Tukadi]]>
<![CDATA[ Prosiding Seminar Nasional Sains dan Teknologi Terapan 2022: Energi Terbarukan dan Keberlanjutannya di Berbagai Sektor ]]>
Publisher : <![CDATA[Institut Teknologi Adhi Tama Surabaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Rumah merupakan kebutuhan yang sangat penting bagi semua orang sebagai tempat berlindung dan berkumpulnya keluarga. Rumah harus memiliki rasa aman bagi semua orang. Kebanyakan orang sering berpergian keluar rumah dalam waktu yang lama dapat membuat khawatir pemilik rumah dalam menjaga barang-barang berharga. Selain itu jika rumah tidak diawasi maka akan memicu terjadinya pencurian. Sistem smart home bukanlah konsep yang asing untuk menanggulangi permasalahan tersebut. Tujuan dari penelitian ini adalah untuk membangun sistem monitoring rumah berbasis Internet of Things. Hasil dari penelitian ini adalah sebuah perangkat monitoring mikrokontroler yang dapat diakes menggunakan sinyal RFID dan mampu mengambil gambar foto dan video. Hasil tersebut dapat ditinjau melalui web aplikasi yang terhubung dengan REST API sistem. Dan didapatkan Quality of Service: kualitas delay 24 ms sangat baik, kualitas throughtput 391 Kb/s yaitu sangat bagus, kualitas jitter 0,179 ms yaitu sangat bagus, dan paket loss 0,4% sangat bagus.]]>
<![CDATA[Penentuan Jurusan Siswa SMA Menggunakan Metode K-Means++ ]]>
<![CDATA[Pratama Agung Rizaldi]]>;
<![CDATA[Maftahatul Hakimah]]>;
<![CDATA[Tutuk Indriyani]]>
<![CDATA[ Prosiding Seminar Nasional Sains dan Teknologi Terapan 2022: Energi Terbarukan dan Keberlanjutannya di Berbagai Sektor ]]>
Publisher : <![CDATA[Institut Teknologi Adhi Tama Surabaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Perkembangan teknologi yang semakin meningkat mempunyai pengaruh besar terhadap sistem pendidikan di sekolah. Hal ini dikarenakan sekolah membutuhkan program yang sangat cepat untuk mengolah data pengelompokkan siswa terhadap jurusan peminatan yang ditawarkan. Pemilihan jurusan yang tepat merupakan hal yang sangat penting bagi siswa karena akan berpengaruh pada cara belajar mereka. Salah satu solusi untuk meminimalisir siswa salah memilih jurusan adalah dengan melakukan analisis data ujian tes masuk jurusan sesuai kemampuan para siswa. Oleh karena itu, tujuan penilitian ini adalah bagaimana mengklasterkan siswa berdasarkan kriteria jurusan yang tersedia. Manfaat penilitian ini diharapkan membantu meminimalisir kesalahan dalam pemilihan jurusan. Pengelompokan siswa diperoleh dengan menerapkan metode k-means ++. Metode ini merupakan pengembangan metode k-means untuk mengatasi permasalahan inisialisasi centroid. Hasil pengujian menunjukkan bahwa metode k-means ++ mampu mengelompokkan siswa tehadap jurusan peminatan di SMA Antartika Sidoarjo. Validasi hasil klaster menggunakan SSE menunjukkan k-means lebih baik daripada k-means++. Sedangkan berdasarkan Silhoutte Coefficient, k-means ++ bisa meningkatkan nilai kepercayaan terhadap keanggotaan setiap klasternya dibandingkan k-means standar. ]]>
