Claim Missing Document
Check
Articles

Found 7 Documents
Search

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

Abstract

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

Abstract

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

Abstract

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

Abstract

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

Abstract

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

Abstract

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

Abstract

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.