This Author published in this journals
All Journal Jurnal Sistem Cerdas
Claim Missing Document
Check
Articles

Found 2 Documents
Search

Prediksi Waktu Sandar Kapal Di Pelabuhan Batu Ampar, Kota Batam, Provinsi Kepulauan Riau Saiful Rizal; Candra Kurniawan; Fahrur Rozi
Jurnal Sistem Cerdas Vol. 2 No. 2 (2019): Smart Transportation
Publisher : APIC

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1627.808 KB) | DOI: 10.37396/jsc.v2i2.26

Abstract

Pelabuhan Batu Ampar merupakan pelabuhan barang terbesar di Kota Batam yang memiliki lalu lintas tertinggi baik untuk kegiatan ekspor maupun kegiatan impor. Waktu tunggu (dwelling time) masih menjadi masalah dalam layanan pelabuhan. Waktu tunggu merupakan salah satu indikator efisiensi pengelolaan pelabuhan. Rata-rata waktu tunggu pelabuhan Batu Ampar untuk kegiatan bongkar pada triwulan I-2015 adalah 7 hari, sedangkan kegiatan muatnya adalah 5 hari. Hal ini yang menjadikan kinerja pelabuhan Batu Ampar masih banyak dikeluhkan, sehingga berakibat banyaknya antrian kapal. Untuk itu, perlu dilakukan analisis guna menghasilkan model yang bisa memberikan gambaran waktu tunggu di pelabuhan dan melakukan evaluasi terhadap model analitik yang telah dibangun. Analisa data sekunder pelabuhan Batu Ampar menggunakan data mining. Metode data mining yang dilakukan menggunakan algoritma supervised learning, yaitu multiple regression dan decision trees. Tujuan umum dari multiple regression adalah untuk mempelajari lebih lanjut tentang hubungan antara beberapa variabel independen atau prediktor dan variabel dependen atau kriteria. Decision trees yang digunakan untuk eksplorasi data pelabuhan ini menggunakan klasifikasi. Klasifikasi decision trees dapat menemukan apakah data mengandung kelas objek yang dipisahkan dengan baik, sehingga kelas dapat diinterpretasikan secara bermakna dalam konteks teori substantif. Dua metode evaluasi model dilakukan untuk dua hasil permodelan yang dibangun. Uji Analysis of Variance (Anova) digunakan untuk evaluasi model multiple regression, sedangkan untuk model decision tree dievaluasi dengan confussion matrix. Hasil analisis data menunjukkan lamanya waktu kapal melakukan bongkar/muat dipengaruhi oleh tiga variabel yaitu jenis ekspedisi, bendera, dan volume. Dengan menggunakan regresi berganda maka dihasilkan model prediksi waktu sandar kapal. Hasil evaluasi model menunjukkan bahwa model yang dibuat signifikan. Dengan tingkat kepercayaan 95% model prediktif yang dibuat akan merepresentasikan nilai sebenarnya. Untuk decision tree, evaluasi menunjukkan model yang dibuat sudah fit, dengan presisi 84,50%.
Systematic Literature Review pada Analisis Prediktif dengan IoT: Tren Riset, Metode, dan Arsitektur Fahrur Rozi
Jurnal Sistem Cerdas Vol. 3 No. 1 (2020): Artificial Intelligence untuk Indonesia
Publisher : APIC

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (914.471 KB) | DOI: 10.37396/jsc.v3i1.53

Abstract

Nowadays IoT researches on intelligent service systems is becoming a trend. IoT produces a variety of data from sensors or smart phones. Data generated from IoT can be more useful and can be followed up if data analysis is carried out. Predictive analytic with IoT is part of data analysis that aims to predict something solution. This analysis utilization produces innovative applications in various fields with diverse predictive analytic methods or techniques. This study uses Systematic Literature Review (SLR) to understand about research trends, methods and architecture used in predictive analytic with IoT. So the first step is to determine the research question (RQ) and then search is carried out on several literature published in popular journal databases namely IEEE Xplore, Scopus and ACM from 2015 - 2019. As a result of a review of thirty (30) selected articles, there are several research fields which are trends, namely Transportation, Agriculture, Health, Industry, Smart Home, and Environment. The most studied fields are agriculture. Predictive analytic with IoT use varied method according to the conditions of data used. There are five most widely used methods, namely Bayesian Network (BN), Artificial Neural Network (ANN), Recurrent Neural Networks (RNN), Neural Network (NN), and Support Vector Machines (SVM). Some studies also propose architectures that use predictive analytic with IoT.