Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Sebatik Jurnal SAINTIKOM (Jurnal Sains Manajemen Informatika dan Komputer)
Yunita Fauzia Achmad
Sistem Informasi, Ilmu Komputer, Universitas Esa Unggul
Computer Science & IT

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

Found 2 Documents
Search

 1 
PENERAPAN METODE SIMPLE ADDITIVE WEIGHTING (SAW) PADA PENILAIAN KINERJA KARYAWAN DI PT CIRILL INDONESIA Yunita Fauzia Achmad; Ravie Kurnia Laday; Dannish Apriza Purwa Kusuma
Sebatik Vol 25 No 1 (2021): Juni 2021
Publisher : STMIK Widya Cipta Dharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (312.118 KB) | DOI: 10.46984/sebatik.v25i1.1169

Abstract

Sumber daya manusia (SDM) merupakan bagian yang paling penting di dalam sebuah perusahaan, kinerja karyawan menentukan keberhasilan pada perusahaan, semakin baik kinerja karyawan maka semakin besar keuntungan yang didapatkan oleh perusahaan. Tujuan dari penelitian ini adalah untuk membantu pihak perusahaan terutama bagian HRD dalam melakukan penilaian kinerja karyawan secara terstruktur, tidak bersifat subjektif dan akurat. Metode penelitian ini yang digunakan terdiri dari dua yaitu metode pengambilan data dan metode perhitungan data penilaian kinerja karyawan. Metode pengambilan data terdiri dari teknik wawancara untuk mendapatkan kriteria – kriteria perhitungan data, sedangkan Metode perhitungan data yang digunakan adalah metode SAW (simple additive weighting) yang merupakan salah satu metode sistem pendukung keputusan yang banyak diterapkan di beberapa kasus sistem pendukung keputusan dan kriteria yang digunakan terdiri dari Kehadiran, kerja sama, komitmen, kepemimpinan, ketepatan target kerja, dan sikap atau etika. Kriteria yang digunakan ini didapat dari hasil wawancara penelitian kepada pihak perusahaan, dan referensi dari beberapa jurnal terkait. Metode SAW memiliki beberapa tahapan yang harus dilakukan, diantaranya adalah menghitung data alternatif yang digunakan pada penelitian ini diambil sampel data alternatif sebanyak 10 sampel dengan sistem random sampling, tahap kedua setelah mendapatkan data alternatif dilakukan normalisasi data alternatif berdasarkan kriteria, setelah hasil normalisasi di dapat, tahapan selanjutnya adalah perhitungan pemeringkatan dari setiap data alternatif dan di dapatlah nilai tertinggi sampai terendah dari perhitungan metode SAW. Hasil dari implementasi penelitian ini adalah metode SAW telah berhasil melakukan pemeringkatan dari data alternatif penilaian kinerja karyawan berdasarkan nilai tertinggi yang di dapat dari perhitungan metode SAW.
Identifikasi Jenis Jerawat Berdasarkan Tekstur Menggunakan GLCM dan Backpropagation Yunita Fauzia Achmad; Alivia Yulfitri; M. Bahrul Ulum
Jurnal SAINTIKOM (Jurnal Sains Manajemen Informatika dan Komputer) Vol 20, No 2 (2021): AGUSTUS 2021
Publisher : PRPM STMIK TRIGUNA DHARMA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.53513/jis.v20i2.4747

Abstract

Jerawat merupakan penyakit kulit yang mengakibatkan peradangan kronis yang biasanya terdapat di wajah, leher, dan lengan. Terdapat berbagai jenis jerawat yaitu blackhead, whitehead, papula, pustula, nodul dan cystic. Telah banyak upaya yang dilakukan untuk mengenali jenis jerawat, seperti tindakan pemeriksaan langsung atau menggunakan alat skin analyzer, kedua cara ini sangat tidak efektif dalam pengenalan jenis jerawat. Penelitian ini melakukan identifikasi jenis jerawat berdasarkan tekstur dari jerawat, penelitian ini menggunakan salah satu metode jaringan saraf tiruan yang yaitu algoritma backpropagation, dimana dengan menggunakan metode ini dapat melakukan identifikasi jenis jerawat dengan cepat. selain menggunakan algoritma backpropagation, penelitian ini juga melakukan ekstrasi ciri pada citra jerawat dengan metode GLCM dan menghasilkan nilai ciri dengan menggunakan 4 fitur GLCM yaitu contrast, correlation, engery, dan homogeneity. Data yang digunakan pada penelitian ini dibagi menjadi dua yaitu data latih sebanyak 120 data dan data uji sebanyak 18 data.    Tingkat akurasi yang didapat dalam mengindentifikasi jenis jerawat mendapat 56,67%, dimana nilai epoch yang digunakan adalah 10000 dengan nilai error adalah 0,01. Nilai akurasi yang dihasilkan masih dibawah 70%, terdapat beberapa penyebab nilai akurasi kecil seperti data yang digunakan masih kurang, bentuk pola dari jerawat yang memiliki kemiripan, sehingga jaringan mengalami kesulitan dalam melakukan identifikasi jenis jerawat. 
Co-Authors Alivia Yulfitri Dannish Apriza Purwa Kusuma M. Bahrul Ulum Ravie Kurnia Laday