Garuda - Garba Rujukan Digital

Evaluasi Pembelajaran Robotika di SMK Muhammadiyah 2 Serpong, Tangerang Selatan Harry Ramza; Rosalina Rosalina; Rizqi Naufal Aprianto; Nesa Amelia Wati; Salsabila Salsabila; Delvis Agusman; Erizal Erizal; Hafiz Sholahudin; Sadriman Sadriman
Fikiran Masyarakat Vol 11, No 1 (2023)
Publisher : Penerbit Kemala Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar

Telah dilakukan evaluasi pembelajaran mengenai robotika di SMK Muhammadiyah 02, Tangerang Selatan. Kegiatan dilakukan sebagai bagian dari program pengabdian masyarakat Universitas Muhammadiyah Prof. Dr. Hamka. Proses pembelajaran yang dilakukan berupa kegiatan perakitan robot beroda dengan menggunakan mikrokontroler Arduino. Perakitan robot ini sebagai upaya memperkenalkan dasar – dasar teknologi mobil listrik, disertai dengan pelatihan pemrograman dalam pengendalian robot yang akan dibuat. Hasil menunjukkan bahwa program pelatihan robotika masih dalam peringkat awal, dimana nilai pencapaian masih keadaam rendah berupa jumlah skor jawaban yang diberikan sebesar 110 poin dan jumlah nilai yang dihasilkan dari seluruh peserta sebesar 917 poin. Begitupula skor terendah yang diperoleh 2 poin dan skor tertinggi sebesar 6 poin, serta nilai terendah dan tertinggi skor sebesar 16.67 poin dan 50.00 poin. Begitupula skor rata – rata dan nilai rata – rata yang diperoleh dari hasil evaluasi sebesar 3.793 poin dan 31.609 poin disertai dengan simpangan baku Skor dan nilai sebesar 1.114 poin dan 9.285 poin. Hasil yang dihasilkan menunjukkan bahwa proses pembelajaran belum mencapai hasil yang diharapkan dan memerlukan proses tambahan dalam pengajaran robotika dilingkungan SMK Muhammadiyah 02.

Kajian Pelacakan Alumni di Program Studi (S-1) Teknik Elektro, FTII - UHAMKA Tahun 2023 Harry Ramza; Sofia Pinardi
Fikiran Masyarakat Vol 11, No 1 (2023)
Publisher : Penerbit Kemala Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar

Tracer study merupakan studi penelusuran yang dilakukan kepada lulusan perguruan tinggi dalam rangka mendapatkan umpan balik dari lulusan untuk kepentingan evaluasi hasil pendidikan tinggi dan juga perbaikan mutu dan penjaminan kualitas lembaga pendidikan tinggi. Tracer Study menjadi bagian penting bagi eksistensi perguruan tinggi dalam upaya mencermati ‘link and match’ mutu lulusan di dunia kerja dengan layanan pembelajaran yang diberikan. Penyelenggaraan Tracer Studi di perguruan tinggi difokuskan untuk melakukan penelusuran lulusan dalam rangka mendapatkan umpan balik dari proses dan layanan pendidikan / pembelajaran yang telah dilakukan, baik kepada alumni ataupun para pengguna lulusan di masyarakat (stakeholder). Secara periodik UHAMKA melakukan Tracer Study dengan tujuan untuk peningkatan mutu layanan pembelajaran berbasis umpan balik dari para alumni dan para pengguna lulusan melalui kegiatan Tracer Study ini. Tracer Studi UHAMKA dilaksanakan di seluruh program studi baik pada jenjang sarjana maupun magister secara serentak pada periode 2023 untuk lulusan tahun 2020, 2021, dan 2022 dilaksanakan mulai bulan Juni sampai dengan November 2023. Adapun tahapan yang ditempuh dalam pelaksanaan Tracer Studi ini antara lain: penyamaan persepsi tentang manfaat Tracer Study ditingkat ketua program studi, pelaksanaan tracer study secara serentak, pengolahan data di tingkat program studi, akumulasi dan analisis data tracer study di tingkat universitas, seminar hasil, penetapan hasil, publikasi serta tindak lanjut peningkatan mutu layanan pembelajaran berbasis tracer study di tingkat program studi, fakultas dan universitas serta monitoring dan evaluasi bersama Lembaga Penjaminan Mutu UHAMKA. Tracer Study UHAMKA menggunakan metode survei kepada para alumni dua tahun setelah lulus dan kepada para pengguna. Pendalaman hasil survai dilakukan dengan wawancara mendalam kepada beberapa alumni dan pengguna lulusan terpilih untuk memperkuat temuan hasil tracer study untuk perbaikan layanan pembelajaran di UHAMKA. Penggalian data dilakukan berbasis IT agar dapat menjangkau seluruh sasaran target Tracer Study yang ditetapkan.

ANALISIS KINERJA JARINGAN 4G LTE MENGGUNAKAN METODE DRIVE TEST DI KELURAHAN KAMPUNG RAMBUTAN, JAKARTA TIMUR Ar'rafi Akram; Figo Hafidz Melvandino; Wildan Yuda Bragaswara; Harry Ramza
Jurnal Informatika dan Teknik Elektro Terapan Vol 11, No 3 (2023)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v11i3.3140

Saat ini, sistem komunikasi seluler telah menjadi suatu kebutuhan penting bagi masyarakat. Penelitian ini bertujuan untuk menganalisis kinerja jaringan 4G LTE melalui drive test dengan parameter RSRP (Reference Signal Received Power), RSSI (Received Signal Strength Indicator), RSRQ (Reference Signal Received Quality), dan SNR (Signal-to-Noise Ratio). Nilai data dari hasil drive test pada provider XL Axiata, nilai kategori sangat baik berada di kawasan SMPN 257 Jakarta dengan RSSI -75 dBm, RSRP -68 dBm, RSRQ -12 dB, dan SNR 12 dB, nilai kategori sangat buruk di kawasan SMA Teladan 1 dengan RSSI -91 dBm, RSRP -98 dBm, RSRQ -16 dan SNR -2 dB. Pada provider Telkomsel, nilai kategori sangat baik berada di kawasan SDN Susukan 09 dengan RSSI -75 dBm, RSRP - 69 dBm, RSRQ -8 dB, dan SNR 20 dB, nilai kategori sangat buruk di kawasan SMA Teladan 1 dengan RSSI -95 dBm, RSRP -107 dBm, RSRQ -15 dan SNR -3 dB. Pada provider Indosat Ooredoo, nilai kategori sangat baik berada di kawasan SMPN 257 Jakarta dengan RSSI -51 dBm, RSRP -78 dBm, RSRQ -13 dB, dan SNR 10,4 dB, nilai kategori sangat buruk di kawasan SDIT Al-Kahfi dengan RSSI -59 dBm, RSRP -99 dBm, RSRQ -20 dan SNR 6 dB.

KLASIFIKASI AKTIVITAS OLAHRAGA BERDASARKAN CITRA FOTO DENGAN MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK Ar'rafi Akram; Safira Adinda Rachmadinasya; Figo Hafidz Melvandino; Harry Ramza
Jurnal Informatika dan Teknik Elektro Terapan Vol 11, No 3s1 (2023)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v11i3s1.3496

In an era of advancing technology and information, sports are also receiving increasing attention from various sectors, including enthusiasts and participants in the sports industry. However, to better understand and manage the sports world, a thorough analysis and understanding of various aspects of sports are necessary, including classification and recognition of different types of sports. One potent and effective approach to image pattern recognition is the Convolutional Neural Network (CNN). CNN is a classification method particularly suitable for classifying digital images. The architecture of CNN is designed effectively to recognize objects within images. The dataset employed comprises 2348 samples for training, 294 samples for testing, and 294 samples for validation. The training process of the CNN model using DenseNet121 architecture yields an accuracy rate of 99%, with a validation accuracy rate of 88.78%. Through this research, it is expected that the application of CNN will create a system capable of automatically and accurately identifying the types of sports being performed by individuals or groups based on images or captured visuals of sporting activities.

Peningkatan dan Efisiensi Operasional Supply Chain Management (SCM) dengan Memanfaatkan Teknologi M. Asep Rizkiawan; Harry Ramza
Jurnal Masharif al-Syariah: Jurnal Ekonomi dan Perbankan Syariah Vol 9 No 1 (2024)
Publisher : Universitas Muhammadiyah Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30651/jms.v9i1.21488

Abstract- Abstract Supply chain management (SCM) is an integral part of any business that involves the movement of goods and services from one place to another. It covers a wide range of activities, from sourcing raw materials to delivering finished products to customers. However, traditional supply chain management systems are plagued with challenges such as lack of transparency and others. In recent years, emerging technologies such as blockchain, machine learning (ML) and artificial intelligence (AI) have shown promise in improving supply chain management efficiency, security, and transparency. This research investigates the potential of blockchain, machine learning (ML), and artificial intelligence (AI) technologies in improving supply chain management. This paper will summarize the challenges of traditional supply chain management systems and how blockchain, Machine Learning (ML), and Artificial Intelligence (AI) technologies can overcome these challenges. The paper will also evaluate real-life examples of blockchain and Artificial Intelligence (AI) use in supply chain management and their impact on operational efficiency and security. The purpose of this research is to identify the impact of Artificial Intelligence (AI) in supply chain management, the impact of Machine Learning in supply chain management, and the impact of Blockchain in supply chain management. With the results of the study Integrating new technologies such as AI and blockchain in managing supply chains can provide great benefits to organizations. These technologies can increase work efficiency, reduce costs, strengthen the footprint of goods, and increase security. AI can help with predictive analysis, demand forecasting, and automation. Meanwhile, blockchain can provide a guaranteed, open, and secure record for end-to-end tracking, and reduce the risk of fraud and errors. Keywords: Supply chain management 1, Efficiency 2, Technology 3, Blockchain 4, Machine Learning 5, Artificial Intelligence 6

ANALISIS KINERJA JARINGAN 4G LTE MENGGUNAKAN METODE DRIVE TEST DI KELURAHAN KAMPUNG RAMBUTAN, JAKARTA TIMUR Ar'rafi Akram; Figo Hafidz Melvandino; Wildan Yuda Bragaswara; Harry Ramza
Jurnal Informatika dan Teknik Elektro Terapan Vol 11, No 3 (2023)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v11i3.3140

Saat ini, sistem komunikasi seluler telah menjadi suatu kebutuhan penting bagi masyarakat. Penelitian ini bertujuan untuk menganalisis kinerja jaringan 4G LTE melalui drive test dengan parameter RSRP (Reference Signal Received Power), RSSI (Received Signal Strength Indicator), RSRQ (Reference Signal Received Quality), dan SNR (Signal-to-Noise Ratio). Nilai data dari hasil drive test pada provider XL Axiata, nilai kategori sangat baik berada di kawasan SMPN 257 Jakarta dengan RSSI -75 dBm, RSRP -68 dBm, RSRQ -12 dB, dan SNR 12 dB, nilai kategori sangat buruk di kawasan SMA Teladan 1 dengan RSSI -91 dBm, RSRP -98 dBm, RSRQ -16 dan SNR -2 dB. Pada provider Telkomsel, nilai kategori sangat baik berada di kawasan SDN Susukan 09 dengan RSSI -75 dBm, RSRP - 69 dBm, RSRQ -8 dB, dan SNR 20 dB, nilai kategori sangat buruk di kawasan SMA Teladan 1 dengan RSSI -95 dBm, RSRP -107 dBm, RSRQ -15 dan SNR -3 dB. Pada provider Indosat Ooredoo, nilai kategori sangat baik berada di kawasan SMPN 257 Jakarta dengan RSSI -51 dBm, RSRP -78 dBm, RSRQ -13 dB, dan SNR 10,4 dB, nilai kategori sangat buruk di kawasan SDIT Al-Kahfi dengan RSSI -59 dBm, RSRP -99 dBm, RSRQ -20 dan SNR 6 dB.

KLASIFIKASI AKTIVITAS OLAHRAGA BERDASARKAN CITRA FOTO DENGAN MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK Ar'rafi Akram; Safira Adinda Rachmadinasya; Figo Hafidz Melvandino; Harry Ramza
Jurnal Informatika dan Teknik Elektro Terapan Vol 11, No 3s1 (2023)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v11i3s1.3496

In an era of advancing technology and information, sports are also receiving increasing attention from various sectors, including enthusiasts and participants in the sports industry. However, to better understand and manage the sports world, a thorough analysis and understanding of various aspects of sports are necessary, including classification and recognition of different types of sports. One potent and effective approach to image pattern recognition is the Convolutional Neural Network (CNN). CNN is a classification method particularly suitable for classifying digital images. The architecture of CNN is designed effectively to recognize objects within images. The dataset employed comprises 2348 samples for training, 294 samples for testing, and 294 samples for validation. The training process of the CNN model using DenseNet121 architecture yields an accuracy rate of 99%, with a validation accuracy rate of 88.78%. Through this research, it is expected that the application of CNN will create a system capable of automatically and accurately identifying the types of sports being performed by individuals or groups based on images or captured visuals of sporting activities.

Title

Found 17 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 17 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 17 Documents
Search