Garuda - Garba Rujukan Digital

Implementasi IoT Smart Trash untuk Pengelolaan Sampah: Studi Kasus "Yuk Resiki" Muhamad Husni Nasuha; Hasbi Firmansyah
urn:multiple://2988-7828multiple.v3i14
Publisher : Institute of Educational, Research, and Community Service

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

Peningkatan populasi di perkotaan telah menyebabkan permasalahan serius dalam pengelolaan sampah, terutama dalam hal deteksi dan pemantauan volume sampah serta emisi gas berbahaya seperti metana. Penelitian sebelumnya telah mengembangkan sistem IoT (Internet of Things) untuk pemantauan sampah, namun sistem tersebut sering kali kurang akurat dalam pengukuran volume dan tidak mempertimbangkan aspek emisi gas berbahaya secara holistik. Dalam penelitian ini, kami memperkenalkan sistem IoT Smart Trash "Yuk Resiki" yang menggunakan sensor ultrasonik untuk mengukur volume sampah, sensor MQ-2 untuk mendeteksi gas metana, dan dua kipas dengan filter karbon aktif untuk memperlancar sirkulasi udara dan meminimalisir emisi gas berbahaya. Sistem ini memanfaatkan platform Firebase dan MIT App Inventor untuk memantau data secara real-time. Hasil penelitian menunjukkan peningkatan akurasi deteksi volume sampah sebesar 15% dan pengurangan emisi metana hingga 20% dibandingkan sistem sebelumnya. Penelitian ini diharapkan dapat memberikan solusi yang lebih efektif dalam pengelolaan sampah dan pengurangan emisi gas berbahaya di area perkotaan.

Rancangan Website Sederhana Sistem Informasi Karyawan Dan Mahasiswa Menggunakan Golang Lananda Agustian; Hasbi Firmansyah
urn:multiple://2988-7828multiple.v3i77
Publisher : Institute of Educational, Research, and Community Service

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

Dalam era digital saat ini, akses terhadap informasi menjadi semakin mudah dan cepat melalui jaringan internet. Salah satu kebutuhan utama dalam dunia kerja dan pendidikan adalah pengelolaan data karyawan dan mahasiswa yang efisien, akurat, dan terintegrasi. Data tersebut mencakup identitas, posisi/jabatan, riwayat pekerjaan atau studi, hingga catatan aktivitas lainnya yang memerlukan sistem penyimpanan dan manajemen yang andal. Penelitian ini bertujuan untuk merancang dan mengembangkan sebuah website berbasis teknologi modern yang mampu mengelola data karyawan dan mahasiswa secara optimal. Website ini dibangun menggunakan bahasa pemrograman Go-Lang (Go Language) yang dikenal karena kecepatan, efisiensi, dan kemampuannya dalam menangani proses komputasi yang kompleks secara paralel. Metode pengembangan yang digunakan meliputi analisis kebutuhan sistem, perancangan antarmuka pengguna (UI/UX), implementasi backend dan frontend, serta tahap pengujian fungsionalitas sistem. Hasil dari pengembangan ini adalah sebuah platform digital yang memungkinkan pengguna—baik admin maupun user biasa—untuk melakukan input, edit, pencarian, dan penghapusan data dengan lebih mudah dan aman. Selain itu, sistem ini juga dilengkapi fitur otentikasi, pencatatan log aktivitas, serta sistem backup data berkala. Dengan adanya platform ini, diharapkan instansi atau perusahaan dapat meningkatkan efisiensi kerja dan akurasi pengelolaan data, sekaligus mengurangi risiko kehilangan atau kesalahan data yang sering terjadi dalam pengelolaan manual. Website ini dapat menjadi solusi inovatif dalam mendukung digitalisasi administrasi organisasi di era industri 4.0.

EVALUASI KINERJA ALGORITMA NAÏVE BAYES UNTUK KLASIFIKASI PENYAKIT KANKER PARU Fadhilah Itsnani Nur Syamsiyah; Hasbi Firmansyah
Jurnal Riset Teknik Komputer Vol. 2 No. 4 (2025): Desember : Jurnal Riset Teknik Komputer (JURTIKOM)
Publisher : CV. Denasya Smart Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69714/r8t8g222

One of the leading causes of death worldwide is lung cancer, with smoking being the biggest risk factor contributing to nearly 80% of cases. Exposure to carcinogens such as radon, asbestos, and air pollution also increases the risk of developing this disease. Using a dataset that includes various medical factors, this study attempts to apply the Naïve Bayes algorithm to lung cancer classification. Naïve Bayes was chosen because of its high accuracy in classifying difficult data. The results of the study show that Naïve Bayes has an accuracy rate of 92.93% in identifying lung cancer, which is influenced by the quantity of related features and data quality. This algorithm can help detect and prevent lung cancer early, thereby supporting the development of more effective strategies and early diagnosis. The results of this study are expected to be used as a reference in the development of data mining-based medical decision support systems, particularly for the early detection of lung cancer.

Pengelompokan Pola Gerakan Berdasarkan Data Akselerometer Android Menggunakan Metode K-Means untuk Penelitian Pengenalan Aktivitas: Grouping Movement Patterns Based on Android Accelerometer Data Using K-Means Method for Activity Recognition Research Widiyanto, Muhamad; Hasbi Firmansyah
SITEDI (Sistem Informasi dan Teknologi Digital) Vol. 2 No. 4 (2025): Jurnal Sistem Informasi dan Teknologi Digital (SITEDI)
Publisher : Universitas Teknologi Digital

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70888/sitedi.v2i4.63

The objective of this research is to identify human movement patterns from accelerometer data using the K-Means algorithm. The data used was collected from a mobile phone's accelerometer placed in a chest pocket, which recorded walking activity along a specific route. The analysis process began with a preprocessing stage that included data cleaning and transformation, and concluded with clustering using the K-Means algorithm. The clustering results show that the data, consisting of 5068 data points, was divided into 5 clusters. The algorithm's performance evaluation indicates that the K-Means algorithm is effective in grouping data based on movement patterns. The conclusion of this study is that the K-Means algorithm is a reliable approach for identifying movement patterns from accelerometer data and can be utilized for various applications, such as user authentication and activity monitoring.

Pengelompokan Pola Gerakan Berdasarkan Data Akselerometer Android Menggunakan Metode K-Means untuk Penelitian Pengenalan Aktivitas: Grouping Movement Patterns Based on Android Accelerometer Data Using K-Means Method for Activity Recognition Research Widiyanto, Muhamad; Hasbi Firmansyah
SITEDI (Sistem Informasi dan Teknologi Digital) Vol. 2 No. 4 (2025): Jurnal Sistem Informasi dan Teknologi Digital (SITEDI)
Publisher : Universitas Teknologi Digital

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70888/sitedi.v2i4.63

The objective of this research is to identify human movement patterns from accelerometer data using the K-Means algorithm. The data used was collected from a mobile phone's accelerometer placed in a chest pocket, which recorded walking activity along a specific route. The analysis process began with a preprocessing stage that included data cleaning and transformation, and concluded with clustering using the K-Means algorithm. The clustering results show that the data, consisting of 5068 data points, was divided into 5 clusters. The algorithm's performance evaluation indicates that the K-Means algorithm is effective in grouping data based on movement patterns. The conclusion of this study is that the K-Means algorithm is a reliable approach for identifying movement patterns from accelerometer data and can be utilized for various applications, such as user authentication and activity monitoring.

Analisis Kemampuan Penyelenggaraan Puskesmas Tahun 2024 enggunakan Algoritma Naive Bayes Berbasis RapidMiner Hafidz Munazzal Falahan; Hasbi Firmansyah
Jurnal Intelek Insan Cendikia Vol. 2 No. 12 (2025): Desember 2025
Publisher : PT. Intelek Cendikiawan Nusantara

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

Evaluasi kemampuan penyelenggaraan Puskesmas merupakan aspek penting dalam menjamin mutu pelayanan kesehatan tingkat pertama di Indonesia. Namun, proses penilaian sering menghadapi tantangan terkait keragaman data, ketepatan klasifikasi, serta kebutuhan akan alat analisis yang efisien. Penelitian ini bertujuan untuk menganalisis tingkat kemampuan penyelenggaraan Puskesmas tahun 2024 dengan menggunakan algoritma Naive Bayes yang diimplementasikan melalui platform RapidMiner. Dataset yang digunakan mencakup indikator kinerja utama yang mewakili komponen administratif, medis, manajerial, serta kualitas pelayanan Puskesmas. Algoritma Naive Bayes dipilih karena kesederhanaannya, tingkat interpretabilitas yang tinggi, serta efektivitasnya dalam mengolah data kategori pada layanan kesehatan. Tahapan penelitian meliputi praproses data, pembobotan atribut, pelatihan model, serta evaluasi kinerja. Hasil klasifikasi menunjukkan bahwa Naive Bayes mampu memprediksi tingkat kemampuan Puskesmas dengan akurasi yang memadai, didukung oleh confusion matrix dan metrik performa yang dihasilkan oleh RapidMiner. Temuan ini menunjukkan bahwa teknik data mining—khususnya Naive Bayes—dapat menjadi pendekatan yang andal dalam mendukung proses pengambilan keputusan terkait evaluasi kemampuan penyelenggaraan Puskesmas. Penelitian ini memberikan kontribusi pada pengembangan penilaian berbasis data dan menjadi rujukan untuk penelitian selanjutnya dalam analisis kualitas pelayanan

Prediksi Kelulusan Siswa Berdasarkan Data Demografis dan Akademik pada Dataset Student Performance: Penelitian Ramadhani Zidan Arifin; Hasbi Firmansyah; Wahyu Asriyani
Jurnal Pengabdian Masyarakat dan Riset Pendidikan Vol. 4 No. 2 (2025): Jurnal Pengabdian Masyarakat dan Riset Pendidikan Volume 4 Nomor 2 (October 202
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/jerkin.v4i2.4251

This study aims to predict student graduation outcomes by utilizing demographic and academic variables from the Student Performance Dataset. The analysis was conducted using the Logistic regression method, selected for its ability to handle binary outcomes and provide clear interpretability of predictor contributions. The research process included data preprocessing, removal of variables G1 and G2 to prevent data leakage, and conversion of the final grade (G3) into a binary graduation label. The model was evaluated using accuracy, logistic loss, and a confusion matrix to measure predictive reliability and classification stability. The results indicate that the model achieved an accuracy of 78.85% with a logistic loss value of 0.412, demonstrating stable performance and good generalizability. These findings suggest that simple demographic and academic attributes—such as age, study time, prior failures, and attendance—play a significant role in predicting graduation likelihood. Overall, the study confirms that Logistic regression is an effective approach for educational data analysis and can be utilized by schools to identify at-risk students and design more targeted instructional interventions.

Penerapan Data Mining untuk Prediksi Evaluasi Mobil dengan Metode Decision Tree Ahmad Ferdi Dwi Nugroho; Hasbi Firmansyah; Wahyu Asriyani
Jurnal Pustaka Cendekia Hukum dan Ilmu Sosial Vol. 3 No. 3 (2025): Vol. 3 No. 3 (2025): Jurnal Pustaka Cendekia Hukum dan Ilmu Sosial Volume 3 Nom
Publisher : PT PUSTAKA CENDEKIA GROUP

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70292/pchukumsosial.v3i3.175

The evaluation of motor vehicle acceptability is a multicriteria classification problem involving a complex set of qualitative attributes. This research aims to apply Data Mining techniques using the C4.5 Decision Tree Algorithm to predict the car evaluation outcome (Car Evaluation Dataset), categorized into unacceptable, acceptable, good, and very good classes. The classification model was constructed based on six categorical input attributes and implemented using RapidMiner Studio software with a 10-Fold Cross Validation scheme. The main objectives of this study were to measure the model's accuracy and to identify the priority sequence of attributes most influential in determining the car evaluation class. The test results show that the C4.5 model achieved an accuracy level of 92.94%. Furthermore, the model identified the Safety attribute as the most dominant factor affecting the evaluation outcome, followed by Persont These findings validate the effectiveness of the Decision Tree Algorithm in providing a predictive and interpretive solution for complex multicriteria scoring systems.

Implementasi K-Means untuk Mengelompokkan Mahasiswa Berdasarkan Risiko Dropout dan Prestasi Akademik Erza Rifa Nihayah; Hasbi Firmansyah; Wahyu Asriyani; Ria Indah Fitria
Jurnal Intelek Insan Cendikia Vol. 2 No. 12 (2025): Desember 2025
Publisher : PT. Intelek Cendikiawan Nusantara

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

Penelitian ini bertujuan untuk mengidentifikasi profil risiko akademik mahasiswa guna mencegah tingkat dropout melalui pendekatan Educational Data Mining (EDM). Masalah utama yang dihadapi institusi pendidikan adalah sulitnya memetakan mahasiswa yang membutuhkan intervensi segera di tengah besarnya volume data akademik. Metode yang digunakan dalam penelitian ini adalah algoritma K-Means Clustering dengan kerangka kerja Knowledge Discovery in Databases (KDD). Dataset terdiri dari 4.424 observasi mahasiswa dengan atribut utama meliputi Rata-rata Nilai, Unit Gagal, dan Status Debitur. Optimasi jumlah klaster dilakukan menggunakan metode Elbow dan metrik Davies-Bouldin Index (DBI). Hasil penelitian menunjukkan bahwa K=3 merupakan jumlah klaster paling optimal secara semantik untuk kebijakan institusi dengan nilai DBI -0,962. Klaster 1 (40,0%) dikategorikan sebagai Risiko Rendah (mahasiswa berprestasi), Klaster 2 (35,0%) sebagai Risiko Sedang (kelompok borderline), dan Klaster 3 (25,0%) sebagai Risiko Tinggi (potensi dropout). Temuan signifikan menunjukkan adanya korelasi kuat antara kendala finansial (status debitur tinggi) dengan kegagalan akademik pada Klaster 3. Hasil ini berimplikasi pada perlunya kebijakan Sistem Peringatan Dini (Early Warning System) yang mengintegrasikan bantuan finansial dan remedi akademik secara simultan

Analisis Kinerja Algoritma K-Nearest Neighbor dengan Variasi Validasi Untuk Prediksi Diabetes Mellitus Amelia Laura Ardianti; Hasbi Firmansyah; Wahyu Asriyani; Ria Indah Fitria
Jurnal Intelek Insan Cendikia Vol. 2 No. 12 (2025): Desember 2025
Publisher : PT. Intelek Cendikiawan Nusantara

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

Diabetes Mellitus ialah penyakit tidak menular dengan tingkat prevalensi yang terus meningkat, sehingga diperlukan metode prediksi yang akurat untuk mendukung upaya deteksi dini. Studi ini bertujuan menganalisis kinerja algoritma K-Nearest Neighbor (KNN) dalam mengklasifikasikan status diabetes menggunakan dataset PIMA Indian Diabetes. Evaluasi model dilaksanakan dengan variasi nilai k, yaitu k = 3, 5, 7, 9, dan 11, serta dua teknik validasi, yaitu split data dengan proporsi 70% data latih serta 30% data uji serta 10-fold cross validation. Seluruh proses pemodelan dilakukan menggunakan RapidMiner Studio dengan penerapan normalisasi Min–Max. Kinerja model dievaluasi berlandaskan metrik akurasi, precision, recall, serta confusion matrix. Temuan studi mengindikasikan bahwasanya teknik 10-fold cross validation menghasilkan performa yang lebih stabil dan representatif dibandingkan teknik split data, dengan nilai akurasi tertinggi sebesar 73,84% pada k = 9 serta simpangan baku yang relatif kecil. Variasi nilai k terbukti memengaruhi kinerja algoritma KNN, di mana nilai k pada rentang menengah memberikan keseimbangan terbaik antara akurasi dan kemampuan deteksi kelas diabetes. Meskipun demikian, nilai recall pada kelas positif masih menunjukkan adanya potensi kesalahan false negative, sehingga model KNN dalam penelitian ini lebih tepat digunakan sebagai sistem pendukung keputusan untuk skrining awal Diabetes Mellitus.

Title

Found 33 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 33 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 33 Documents
Search