Garuda - Garba Rujukan Digital

SIMULASI PERHITUNGAN INTEGRAL NON LINIER MENGGUNAKAN MONTE CARLO (Studi Kasus Ekonomi Total Biaya) Kharisma Wiati Gusti; Rinda Cahyana; Luthfi Nurwandi
Jurnal Algoritma Vol 9 No 2 (2012): Jurnal Algoritma
Publisher : Institut Teknologi Garut

Pada umumnya, pendekatan perhitungan biaya tetap menggunakan pendekatan linier yang memiliki sifat kebergantungan, apabila salah satu variabel naik, maka variabel lainnya juga naik proporsional. Pada dunia nyata, kejadian biaya total lebih banyak memiliki ciri non linier, yangdicirikan dengan naiknya suatu variabel tidak selalu proporsional dengan kenaikan variabel lainnya.Memperhatikan kondisi tersebut, perlu dilakukan suatu pendekatan secara matematika, untuk mendapatkan nilai biaya total. Pendekatan non linier bisa diselesaikan dengan kalkulus, yang memanfaatkan persamaan non linier yang berbentuk kurva untuk mendapatkan nilai total biaya. Pendekatan non linier dengan Kalkulus memiliki kelemahan dalam melakukan perhitungan area di bawah kurva, pada kejadian biaya, galat yang dihasilkan dimungkinkan memiliki nilai yang besarsecara signifikan. Maka penting diupayakan suatu pendekatan yang lebih teliti, salah satunya dengan menggunakan simulasi. Metode Monte Carlo adalah algoritma komputasi untukmensimulasikan berbagai perilaku sistem fisika dan matematika, sehingga nilai variabel yang bersifat non linier dapat diperkirakan dengan menggunakan bilangan random dengan metode Monte Carlo. Tulisan ini dibahas mengenai pendekatan Monte Carlo untuk penyelesaian perhitungan integral dengan pendekatan perhitungan luas area di bawah kurva untuk studi kasus ekonomi untuk total biaya.

SIMULASI PERHITUNGAN INTEGRAL NON LINIER MENGGUNAKAN MONTE CARLO (Studi Kasus Ekonomi Total Biaya) Kharisma Wiati Gusti; Rinda Cahyana; Luthfi Nurwandi
Jurnal Algoritma Vol 9 No 2 (2012): Jurnal Algoritma
Publisher : Institut Teknologi Garut

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33364/algoritma/v.9-2.406

Pada umumnya, pendekatan perhitungan biaya tetap menggunakan pendekatan linier yang memiliki sifat kebergantungan, apabila salah satu variabel naik, maka variabel lainnya juga naik proporsional. Pada dunia nyata, kejadian biaya total lebih banyak memiliki ciri non linier, yangdicirikan dengan naiknya suatu variabel tidak selalu proporsional dengan kenaikan variabel lainnya.Memperhatikan kondisi tersebut, perlu dilakukan suatu pendekatan secara matematika, untuk mendapatkan nilai biaya total. Pendekatan non linier bisa diselesaikan dengan kalkulus, yang memanfaatkan persamaan non linier yang berbentuk kurva untuk mendapatkan nilai total biaya. Pendekatan non linier dengan Kalkulus memiliki kelemahan dalam melakukan perhitungan area di bawah kurva, pada kejadian biaya, galat yang dihasilkan dimungkinkan memiliki nilai yang besarsecara signifikan. Maka penting diupayakan suatu pendekatan yang lebih teliti, salah satunya dengan menggunakan simulasi. Metode Monte Carlo adalah algoritma komputasi untukmensimulasikan berbagai perilaku sistem fisika dan matematika, sehingga nilai variabel yang bersifat non linier dapat diperkirakan dengan menggunakan bilangan random dengan metode Monte Carlo. Tulisan ini dibahas mengenai pendekatan Monte Carlo untuk penyelesaian perhitungan integral dengan pendekatan perhitungan luas area di bawah kurva untuk studi kasus ekonomi untuk total biaya.

SIMULASI PERHITUNGAN INTEGRAL NON LINIER MENGGUNAKAN MONTE CARLO (Studi Kasus Ekonomi Total Biaya) Kharisma Wiati Gusti; Rinda Cahyana; Luthfi Nurwandi
Jurnal Algoritma Vol 9 No 2 (2012): Jurnal Algoritma
Publisher : Institut Teknologi Garut

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33364/algoritma/v.9-2.406

Pada umumnya, pendekatan perhitungan biaya tetap menggunakan pendekatan linier yang memiliki sifat kebergantungan, apabila salah satu variabel naik, maka variabel lainnya juga naik proporsional. Pada dunia nyata, kejadian biaya total lebih banyak memiliki ciri non linier, yangdicirikan dengan naiknya suatu variabel tidak selalu proporsional dengan kenaikan variabel lainnya.Memperhatikan kondisi tersebut, perlu dilakukan suatu pendekatan secara matematika, untuk mendapatkan nilai biaya total. Pendekatan non linier bisa diselesaikan dengan kalkulus, yang memanfaatkan persamaan non linier yang berbentuk kurva untuk mendapatkan nilai total biaya. Pendekatan non linier dengan Kalkulus memiliki kelemahan dalam melakukan perhitungan area di bawah kurva, pada kejadian biaya, galat yang dihasilkan dimungkinkan memiliki nilai yang besarsecara signifikan. Maka penting diupayakan suatu pendekatan yang lebih teliti, salah satunya dengan menggunakan simulasi. Metode Monte Carlo adalah algoritma komputasi untukmensimulasikan berbagai perilaku sistem fisika dan matematika, sehingga nilai variabel yang bersifat non linier dapat diperkirakan dengan menggunakan bilangan random dengan metode Monte Carlo. Tulisan ini dibahas mengenai pendekatan Monte Carlo untuk penyelesaian perhitungan integral dengan pendekatan perhitungan luas area di bawah kurva untuk studi kasus ekonomi untuk total biaya.

Pemberdayaan Mayarakat Melalui Pelatihan Digital Marketing dalam Pengembangan UMKM di Desa Jatisura, Jawa Barat Widayani Wahyuningtyas; Ibnu Malkan Bakhrul Ilmi; Chahya Kharin Herbawani; Sintha Fransiske Simanungkalit; Kharisma Wiati Gusti
Jurnal Pengabdian Dharma Laksana Vol 5, No 2 (2023): JPDL (Jurnal Pengabdian Dharma Laksana)
Publisher : LPPM Universitas Pamulang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32493/j.pdl.v5i2.27758

Dalam rangka membangkitkan potensi UMKM di Indonesia dan di daerah desa pada khususnya di Desa jatisura, Cikedung Indramayu pasca pandemi COVID-19 Peranan Tim Pengabdian Masyarakat UPN Veteran Jakarta ingin mendampingi dengan berbagai pelayanan pelayanan yang bisa menumbuhkan semangat kembali untuk berwirausaha, yaitu pemberian pelatihan Digital Marketing agar dapat bisa bersaing dalam dunia usaha. Tim pengabdian masyarakat bisa membantu para pelaku usaha UMKM dapat meningkatkan taraf hidupnya. Target yang ingin tim pengabdian masyarakat capai adalah para pelaku usaha dapat memperluas jaringan pejualannya melalui digital marketing. Metode pelaksanaan, populasi adalah UMKM yang aktif dalam usahanya di desa Jatisura, sedangkan sampel yaitu UMKM Binaan yang aktif di kegiatan usahanya empat peserta pelaku usaha. Dalam pengabdian ini menggunakan metode pelaksaksanaan FGD, wawancara, pelatihan, Hasil pelatihan Digital Marketing untuk para pelaku usaha Desa Jatisura, Cikedung, Indramayu mengalami peningkatan kemampuan mengaplikasikan ilmunya dalam Pemasaran usahanya.

KLASIFIKASI BENCANA ALAM PADA TWITTER MENGGUNAKAN NAÏVE BAYES, SUPPORT VECTOR MACHINE DAN LOGISTIC REGRESSION Kharisma Wiati Gusti
Technologia : Jurnal Ilmiah Vol 14, No 4 (2023): Technologia (Oktober)
Publisher : Universitas Islam Kalimantan Muhammad Arsyad Al Banjari

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31602/tji.v14i4.11614

Penggunaan hashtag pada pelaporan bencana dapat membantu pihak yang berkepentingan seperti pemerintah atau lembaga penanggulangan bencana dalam menangani bencana. Akan tetapi pemberian hashtag oleh pengguna seringkali tidak sesuai dengan isi tweet. Sehingga perlu untuk dilakukan klasifikasi twitter ke dalam kategori darurat, non darurat, dan tidak relevan. Hal tersebut dilakukan untuk mempermudah lembaga terkait untuk melakukan koordinasi, pemantauan dan tanggap darurat dalam penanggulangan bencana. Penelitian ini melakukan perbandingan klasifikasi menggunakan metode Naïve Bayes, Support Vector Machine, dan Logistic Regression. Ekstraksi fitur menggunakan pembobotan term TF IDF. Guna mengatasi ketidakseimbangan kelas pada dataset dilakukan teknik untuk mensintesis sampel baru menggunakan metode Synthetic Minority Over-sampling Technique (SMOTE). Hasil penelitian menunjukkan klasifikasi menggunakan metode Logistic Regression memberikan hasil terbaik yaitu akurasi sebesar 92,4%. Keywords: Klasifikasi, Twitter, Bencana, Naïve Bayes, Support Vector Machine, Logistic Regression

Optimalisasi Segmentasi Pelanggan Menggunakan Hierarchical Clustering Musthofa Galih Pradana; Rifka Dwi Amalia; Kharisma Wiati Gusti
JurTI (Jurnal Teknologi Informasi) Vol 7, No 2 (2023): DESEMBER 2023
Publisher : Universitas Asahan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36294/jurti.v7i2.3782

Posisi dan peranan pelanggan dalam keberlangsungan usaha bagi sebuah perusahaan sangatlah vital, hal ini menjadikan perusahaan harus bisa melakukan proses kebijakan dan keputusan yang tepat dalam mengoptimalkan segala sumber yang dimiliki untuk dapat merumuskan strategi dan kebijakan yang baik, tak terkecuali bagi perusahaan penyedia layanan pusat perbelannjaan seperti mall. Landasan kebijakan atau keputusan yang baik, pada dasarnya dapat didasarkan pada sebuah fakta ataupun data nyata yang merepresentasikan keadaan sesungguhnya. Proses perumusan dan penentuan keputusan juga dapat berimplikasi secara langsung terhadap keberlangsungan dan jalannya sebuah perusahaan. Salah satu identifikasi yang bisa dilakukan oleh perusahaan diantaranya adalah dengan melakukan segmentasi pelanggan. Proses segmentasi dapat digunakan dengan berbagai macam acuan dan juga ranah keilmuan, salah satunya dalam hal data mining atau proses ekstrasi data menjadi sesuatu yang lebih bernilai. Teknik pendekatan yang dapat diterapkan untuk strategi segmentasi salah satunya dengan proses klustering, hal ini cocok dikarenakan proses pengelompokan data yang secara tidak terbimbing dapat menjadikan dan mengekstrak informasi baru dari sekumpulan data. Salah satu algoritma yang dapat diterapkan adalah hierarchical clustering, algoritma ini menghubungkan baris atau sampel dengan konfigurasi yang sama untuk membentuk struktur pohon. Adapun hasil dari penelitian ini adalah proses penerapan algoritma hierarchical clustering dapat memberikan sudut pandang baru dari data yang ada dan berpeluang dijadikan strategi segmentasi perusahaan. Cluster yang terbentuk dari segmentasi ini sebanyak 5 cluster dengan hasil validasi terhadap penggunaan metode elbow memiliki hasil yang sama.

Perbandingan Metode Support Vector Machine dan Logistic Regression untuk Klasifikasi Bencana Alam Gusti, Kharisma Wiati
Informatik : Jurnal Ilmu Komputer Vol 19 No 2 (2023): Agustus 2023
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52958/iftk.v19i2.6355

Media sosial, terutama Twitter, telah menjadi sumber penting untuk memantau dan merespons bencana alam. Klasifikasi teks dapat membantu mengidentifikasi pesan yang terkait dengan bencana alam di twitter. Penelitian ini membandingkan kinerja dari dua metode klasifikasi: Support Vector Machine, dan Logistic Regression. Dataset yang digunakan berisi sejumlah tweet yang dikategorikan secara manual menjadi tiga kelas, yaitu darurat, non darurat dan tidak relevan. Pra-pemrosesan data dilakukan untuk membersihkan teks, menghapus tautan dan karakter tertentu, tokenisasi dan normalisasi. Selanjutnya, representasi vektor Word2vec digunakan untuk mengekstraksi fitur yang terkait. Guna mengatasi ketidakseimbangan kelas pada dataset dilakukan teknik untuk mensintesis sampel baru menggunakan metode Synthetic Minority Over-sampling Technique (SMOTE). Model klasifikasi dilatih menggunakan dataset yang telah diolah dengan menggunakan Support Vector Machine, dan Logistic Regression. Kinerja kedua metode dievaluasi menggunakan metrik seperti akurasi, presisi, recall, dan F1-score. Hasil eksperimen menunjukkan bahwa SVM memiliki akurasi 80,41% dengan atau tanpa menggunakan metode SMOTE. Sedangkan metode Logistic Regression memiliki akurasi 63,36% tanpa SMOTE dan 70,74% dengan menggunakan SMOTE. Sehingga didapatkan bahwa metode Support Vector Machine memberikan hasil terbaik yaitu akurasi sebesar 80.41%. Penggunaan metode SMOTE tidak terlalu berpengaruh ketika menggunakan metode SVM, sedangkan dalam Logistic Regression pengguanaan SMOTE cukup berpengaruh, dengan memberikan kenaikan akurasi sebesar 28,26%. Penelitian ini dapat membantu dalam pengambilan keputusan darurat dan pemantauan bencana alam di media sosial.

Implementing Scrum in Executive Information System at University Setiawan, Ridwan; Mulyani, Asri; Fitriani, Pipit; Gusti, Kharisma Wiati
Sinkron : jurnal dan penelitian teknik informatika Vol. 8 No. 1 (2024): Articles Research Volume 8 Issue 1, January 2024
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/sinkron.v9i1.13074

Executive Information System is a type of system that provides information about reports generated by the system, assists executives in making necessary decisions, and provides easy access to information from both internal and external sources. This system aims to help specific organizations solve problems. The objective of this research is to design and develop a web-based executive information system that can provide access to student, faculty, and program data at the Faculty of Economics, Garut University, with data visualization in the form of graphs and numbers using the Scrum method. The Executive Information System can provide a real-time overview of data for executive-level individuals, namely the faculty leaders. Scrum is the development methodology used, with stages such as product backlog, sprint, daily scrum meeting, sprint review, and sprint retrospective. The results of this research have produced an Executive Information System that provides data on students, faculty, and programs. This system features functions such as filtering, drilldown, and importing. Testing results indicate the successful achievement of sprints on time or even ahead of schedule, and the team was able to meet targets in each sprint. In this research, the Scrum method has been effectively utilized in creating the executive information system. Therefore, this method can be employed to develop similar executive information systems in the future.

A CNN Model for ODOL Truck Detection Arifuddin, Nurul Afifah; Gusti, Kharisma Wiati; Amalia, Rifka Dwi
Sinkron : jurnal dan penelitian teknik informatika Vol. 8 No. 3 (2024): Research Artikel Volume 8 Issue 3, July 2024
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/sinkron.v8i3.13780

This study developed a Convolutional Neural Network (CNN) model as one of artificial intelligence method to detect trucks experiencing over-dimension and over-loading (ODOL). The primary goal of this research is to enhance the efficiency of truck monitoring, reduce road infrastructure damage, and support the sustainability of transportation using artificial intelligence approaches. The model was trained using a dataset consisting of ODOL and non-ODOL truck images, and successfully achieved a testing accuracy of 94.23%. The confusion matrix analysis demonstrated the model's ability to classify trucks with high precision. Additional testing on truck images not included in the training or testing dataset showed the model's potential for good generalization.

Optimizing Road Safety with MobileNet-Based Classification of Over-dimensioned Trucks Arifuddin, Nurul Afifah; Capri, Hary; Setiawan, Deni; Amalia, Rifka Dwi; Gusti, Kharisma Wiati
Jurnal Informatika: Jurnal Pengembangan IT Vol 10, No 2 (2025)
Publisher : Politeknik Harapan Bersama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30591/jpit.v10i2.8239

This study aims to automatically detect overdimension trucks using a lightweight and efficient deep learning model based on MobileNet. Overdimension trucks pose serious threats to road infrastructure, traffic safety, and contribute to increased economic costs due to road damage and congestion. The developed model utilizes MobileNet as a feature extractor without the standard fully connected layers, and is equipped with additional layers including Flatten, Batch Normalization, Dense with Leaky ReLU activation, and Dropout to enhance training stability and prevent overfitting. The dataset consists of two classes—normal trucks and overdimension trucks—with images sized 128×128 pixels, collected from internet sources and field photos. The training process employs binary crossentropy loss, the Adam optimizer with an initial learning rate of 0.0001, and an Early Stopping mechanism. Fine-tuning is performed by unfreezing layers from the 100th layer upward and lowering the learning rate to 0.00001. Evaluation results show an accuracy of 97.92%, with consistent loss and accuracy visualization, demonstrating the model's capability in classifying overdimension trucks to support automatic traffic monitoring systems. This model has the potential to be implemented in toll gate systems to automatically deny access to overdimension vehicles. Furthermore, integration with roadside CCTV allows real-time monitoring of vehicle dimension violations across various traffic checkpoints.

Title

Found 12 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 12 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 12 Documents
Search