Articles
<![CDATA[Systematic Literature Review Implementation of the Internet of Things (IoT) in Smart City Development ]]>
<![CDATA[Gunawan]]>;
<![CDATA[Wilda Shabrina]]>;
<![CDATA[Wresti Andriani]]>
<![CDATA[ Buana Information Technology and Computer Sciences (BIT and CS) Vol 3 No 2 (2022): Buana Information Technology and Computer Sciences (BIT and CS) ]]>
Publisher : <![CDATA[Information System; Universitas Buana Perjuangan Karawang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (167.454 KB)
|
DOI: 10.36805/bit-cs.v3i2.2762
<![CDATA[Internet of Things (IoT) "The smart city concept has become a dream that big cities in Indonesia want to achieve, basically the smart city concept focuses on developing the human element using technology. IoT opens up many opportunities for new services by connecting the physical world and the virtual world to various electronic devices. IoT aims to leverage cutting-edge technology to support sustainable services for governments and their citizens. Systematic Literature Review (SLR) is one method in conducting an overview of previous interrelated researchers. The purpose of the literature study in this research is to understand trending research topics, methods, and architecture in the development of smart cities with IoT. In this study, various interesting information was found in various research journals regarding the role of IoT in building a smart city that has a role to serve smart city infrastructure, identify and analyze trends, develop smart cities and become innovations for IoT. Based on the research, there are things that need to be done to improve the study to focus more on the role of IoT that can be more utilized. IoT is also one of the technologies that are widely used in several countries in the development of IoT in the future. IoT in smart cities will become an inseparable technology because humans will increasingly depend on IoT in their daily lives]]>
<![CDATA[PERENCANAAN PERSEDIAAN DARAH DENGAN METODE CONTIUOUS REVIEW SISTEM PADA PALANG MERAH INDONESIA ]]>
<![CDATA[Muh Ridwan]]>;
<![CDATA[Gunawan]]>;
<![CDATA[Wresti Andriani]]>
<![CDATA[ Jurnal Minfo Polgan Vol. 11 No. 2 (2022): Article Research ]]>
Publisher : <![CDATA[Politeknik Ganesha Medan ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.33395/jmp.v11i2.11638
<![CDATA[UTD PMI Kabupaten Tegal merupakan Beberapa Bank Darah Rumah Sakit (BDRS) di Kabupaten Tegal dan sekitarnya mengandalkan sumber darah ini. Karena banyaknya permintaan darah, ada kalanya tidak tersedia cukup darah, dan di sisi lain, PMI sudah berusaha semaksimal mungkin agar masyarakat tergerak kesadaran untuk berdonor darah agar stok selalu ready. Stok aman dan tanggal pemesanan darah berikutnya agar dapat ditentukan untuk mengatasi masalah kekurangan stock. Jumlah permintaan produk darah sel darah merah dalam kurun waktu 2021 yang dikumpulkan dari database PMI dan digunakan dalam analisis ini. Dalam penelitian ini digunakan metode Continuous Review System untuk mengevaluasi dan menentukan stok yang ideal guna mencegah jumlah darah yang rusak dan dapat diketahui persediaan masing-masing golongan darah. Selain itu sekaligus menurunkan biaya persediaan. Analisa yang dipakai menggunakan service level 100% sehingga diketahui savety stok, nilai ROP, Persediaan PRC Optimal dan Persediaan Maksimum PRC dan dapat mengurangi biaya sebesar 64% atau meminimalkan aliran darah keluar biaya operasional Selain itu agar masyarakat juga tahu akan pentingnya kebutuhan darah bagi pasien yang membutuhkan untuk transfusi, Temuan studi mengarah pada pasokan terbaik stok darah.]]>
<![CDATA[Tinjauan Pustaka Sistematis: Penerapan Metode Machine Learning untuk Deteksi Bencana Banjir ]]>
<![CDATA[Intan Mayla Faiza]]>;
<![CDATA[Gunawan]]>;
<![CDATA[Wresti Andriani]]>
<![CDATA[ Jurnal Minfo Polgan Vol. 11 No. 2 (2022): Article Research ]]>
Publisher : <![CDATA[Politeknik Ganesha Medan ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.33395/jmp.v11i2.11657
<![CDATA[Banjir merupakan bencana alam yang sering terjadi di sejumlah wilayah Indonesia. Banjir menyebabkan kerusakan serta menggangu kegiatan perekonomian serta aktifitas masyarakat. Untuk meminimalisir dampak kerugian yang akan dialami dibutuhkan deteksi bencana banjir. Machine Learning dapat mempelajari pola data historis yang ada, sehingga dengan menggunakan metode machine learning dapat membantu dalam mengklasifikasikan ataupun mendeteksi apakah akan terjadi banjir atau tidak. Metode yang digunakan dalam penelitian ini yaitu Metode Systematic Literature Review. Metode SLR digunakan untuk mengevaluasi, mengkaji serta menafsirkan semua peneletian yang tersedia dengan topik yang menarik, dengan pertanyaan penelitian tertentu yang relevan. Dalam metode SLR dapat dilakukan review dan identifikasi jurnal secara sistematis yang setiap prosesnya mengikuti protokol yang telah dihasilkan. Hasil penelitian menunjukan bahwa Machine Learning merupakan metode yang dominan digunakan dalam mendeteksi bencana banjir.]]>
<![CDATA[Comparison of Grid Search and Evolutionary Parameter Optimization with Neural Networks on JCI Stock Price Movements during the Covid 19 ]]>
<![CDATA[Wresti]]>;
<![CDATA[Gunawan]]>;
<![CDATA[Purwanto]]>;
<![CDATA[Catur Supriyanto]]>
<![CDATA[ Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol 6 No 6 (2022): Desember 2022 ]]>
Publisher : <![CDATA[Ikatan Ahli Informatika Indonesia (IAII) ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29207/resti.v6i6.4402
<![CDATA[This study aims to determine the effect of covid 19 on the movement of the JCI Stock Price by testing various combinations of the input variables of closed price stock data on the JCI. The analysis is carried out to find the best RMSE value from the combination of these input variables using the neural network method. The best RMSE results are compared using the optimization of grid search and evolutionary parameters. The data used in this study was taken from the Yahoo.finance.com page on the JCI Historical Data, during the covid pandemic, from 12/11/2019 to 12/30/2021. The data obtained are 509 records. The input variable used is the closing price data (closed price) as a target. The preprocessing data used are data cleansing, filtering, and windowing until seven days before. The results obtained an RMSE value of 0.104 five days before Close t (P=5), training cycle 9000. Momentum 0.9 and learning rate 0.2 is then optimized using the grid search parameter to produce RMSE 0.101, training cycle 100. Learning rate 1 and momentum 0.1 are then compared with evolutionary parameters, which make RMSE 0.103 at learning rate 0.029, momentum 0.68, and training cycle 86. Based on this research, optimizing grid search parameters produces better RMSE than evolutionary parameter optimization. This small RMSE result shows that investors are still safe to invest.]]>
<![CDATA[Coastal Batik Motifs Identification Using K-Nearest Neighbor Based on The Grey Level Co-occurrence Method ]]>
<![CDATA[Wresti Andriani]]>;
<![CDATA[Gunawan]]>;
<![CDATA[Sawaviyya Anandianskha]]>
<![CDATA[ Buana Information Technology and Computer Sciences (BIT and CS) Vol 4 No 1 (2023): Buana Information Technology and Computer Sciences (BIT and CS) ]]>
Publisher : <![CDATA[Information System; Universitas Buana Perjuangan Karawang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.36805/bit-cs.v4i1.3342
<![CDATA[Indonesia is a country rich in natural, cultural, and tourism resources. One of the famous human cultural heritage in Indonesia is batik. Batik has unique motifs that are very diverse so it is difficult to recognize the in certain classes. This research was conducted to classify coastal batik, especially Tegal batik, Pekalongan batik, and Cirebon batik so that it can help facilitate the introduction and understanding of coastal batik when compared to another batik, such as Yogyakarta batik. The method used is Grey Level Co-occurrence Matrices to extract texture features, while, to determine the proximity of the test image to the training data using the K-Nearest Neighbor method, the calculation of the distance to be used is the Euclidean Distance and Manhattan Distance based on the texture characteristics of the batik image obtained. In this study, the highest score was obtained at 64% for Euclidean Distance and 66% for Manhattan Distance at k=15]]>
<![CDATA[DETEKSI HELMET DAN VEST KESELAMATAN SECARA REALTIME MENGGUNAKAN METODE YOLO BERBASIS WEB FLASK ]]>
<![CDATA[Muhammad Hatami]]>;
<![CDATA[Tukino Tukino]]>;
<![CDATA[Fitria Nurapriani]]>;
<![CDATA[Widiyawati Widiyawati]]>;
<![CDATA[Wresti Andriani]]>
<![CDATA[ PENDIDIKAN SAINS DAN TEKNOLOGI Vol 10 No 1 (2023) ]]>
Publisher : <![CDATA[STKIP PGRI Situbondo ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.47668/edusaintek.v10i1.651
<![CDATA[Menurut ILO, setiap tahun ada lebih dari 250 juta kecelakaan di tempat kerja. Penyebab kecelakaan sebanyak 80% dikarenakan kelalaian yang dilakukan oleh pekerja yaitu perilaku tidak aman seperti tidak memakai APD. Perlunya pengawasan terhadap pekerja merupakan hal penting dalam mengurangi kecelakaan kerja. Namun pengawasan tersebut masih manual, sehingga akan memakan waktu lama. Metode yang dapat digunakan untuk pengenalan objek pada citra helmet dan vest keselamatan adalah deeplearning. YOLOv2 merupakan salah satu model deep learning yang dapat digunakan untuk pengenalan objek. Mengingatnya permasalahan tersebut, maka perlu dibuat sistem deteksi helmet dan vest secara realtime berbasis web flask. Tahapan pada penelitian ini diantara lain data acquisition atau pengumpulan data citra. selanjutnya data exprolation atau anotasi data citra, selanjutnya dilakukan Modelling atau training data, dan proses terakhir yaitu deployment menggunakan flask. sistem yang telah dibuat berhasil mendeteksi tidak menggunakan helmet dan vest keselamatan dengan bounding box merah dan menggunakan helmet dan vest keselamatan dengan bounding box hijau dengan akurasi rata rata 81.60% dan memiliki nilai avg loss 0.173 dan nilai validasi mAP (mean Average Precision) 76.68%]]>
<![CDATA[Tinjauan Pustaka Sistematis: Pemanfaatan Big Data Dalam Konsep Smart City ]]>
<![CDATA[Wresti Andriani]]>;
<![CDATA[Tezya Sekar Arianti]]>;
<![CDATA[Gunawan Gunawan]]>
<![CDATA[ Jurnal Ekonomi Teknologi dan Bisnis (JETBIS) Vol. 1 No. 1 (2022): JETBIS : Journal Of Economics, Technology and Business ]]>
Publisher : <![CDATA[Al-Makki Publisher ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (1097.726 KB)
|
DOI: 10.57185/jetbis.v1i1.3
<![CDATA[Era digital yang saat ini telah menyeluruh ke seluruh dunia dan terus mengalami perkembangan menjadi suatu upaya perubahan di seluruh aspek kehidupan, salah satunya dalam pembangunan berkelanjutan Smart City. Pembangunan berkelanjutan Smart City memungkinkan pemerintah untuk membuat sebuah aplikasi berbasis internet atau digital untuk mengelola sebuah pemerintahan baik dalam lingkup di sisi pemerintahan atau pada masyarakat. Oleh karena itu, Big Data sangat memiliki peranan penting dalam upaya pembangunan berkelanjutan agar dapat terlaksana secara efisien dan efektif. Penggunaan big data diharapkan mampu untuk memberikan kemudahan, memperlancar terlaksananya pembangunan berkelanjutan Smart City. Pada penelitian ini Big Data memiliki fungsi sebagai sebuah bagian untuk melakukan pemrosesan dalam aplikasi pemerintah dengan mengelola data yang sangat banyak yang dikarenakan jumlah masyarakat yang sangat banyak.]]>
<![CDATA[Tinjauan Pustaka Sistematis: Penerapan Metode Naives Bayes untuk Klasifikasi dalam Dataset Cuaca ]]>
<![CDATA[Ahmad Zulfikri]]>;
<![CDATA[Gunawan]]>;
<![CDATA[Wresti Andriani]]>
<![CDATA[ Journal of Practical Computer Science Vol. 2 No. 2 (2022): November 2022 ]]>
Publisher : <![CDATA[DPPM Universitas Pelita Bangsa ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.37366/jpcs.v2i2.2101
<![CDATA[This study aims to determine the application of the naive bays method for classification in Weather datasets using the systematic literature review method. Weather forecasting research is an interesting object to study because weather is one of the things that influences everyday life so good accuracy in weather forecasts is very much needed. This study uses the systematic literature review method, which is a process of identifying, assessing, and interpreting facts and evidence from available research with the aim of finding answers to a particular research question. Climate change and weather are problems faced by almost the whole world which classify and predict. The problem is that there are many influencing variables, so it is quite difficult and unpredictable. Climate and weather change is human-caused global warming which makes it more difficult to solve weather problems. The results of this study can be used to measure the level of accuracy and MSE of the weather. the dataset serves as a metric for determining precipitation groups and it is concluded that the system can make predictions with an accuracy probability of up to 92% on new data. for the precision class to get a result of 100% where the system can predict the suitability of the class that is relevant to the results of the selected class.]]>
<![CDATA[PREDIKSI NILAI EMAS MENGGUNAKAN ALGORITMA REGRESI LINEAR ]]>
<![CDATA[Wresti Andriani]]>;
<![CDATA[Gunawan Gunawan]]>;
<![CDATA[Alan Eka Prayoga]]>
<![CDATA[ Jurnal Ilmiah Informatika Komputer Vol 28, No 1 (2023) ]]>
Publisher : <![CDATA[Universitas Gunadarma ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.35760/ik.2023.v28i1.8096
<![CDATA[Harga emas yang fluktuatif menjadi salah satu tantangan dalam melakukan investasi. Oleh karenanya, prediksi harga emas menjadi penting untuk investor dalam mengambil keputusan investasi yang tepat. Penelitian ini bertujuan untuk melakukan prediksi harga emas menggunakan algoritma regresi linear. Harga emas diprediksi berdasarkan beberapa faktor, seperti suku bunga, inflasi, dan harga minyak. Data harga emas selama beberapa tahun diambil sebagai sampel untuk analisis. Model regresi linear dibangun berdasarkan faktor-faktor tersebut dan hasilnya dianalisis untuk menentukan akurasi prediksi. Pengumpulan data dilakukan dengan mencari data histori harga emas melalui sumber website. Data yang dikumpulkan adalah harga emas, harga minyak bumi serta nilai dolar terhadap rupiah dari tahun 2019 hingga 2023, yang masing-masing sebesar 43 data. Proses analisis data dilakukan menggunakan aplikasi RapidMiner. Hasil penelitian menunjukkan bahwa algoritma regresi linear dapat digunakan untuk memprediksi harga emas di masa depan dengan perbandingan metode evaluasi MAE sebesar 4341.140 lebih akurat dibanding menggunakan RMSE sebesar 4893.132. Variabel nilai mata uang dolar terhadap rupiah merupakan vaktor prnting yang bisa mempengaruhi pergerakan harga emas artinya menunjukkan model regresi linear dapat memberikan prediksi yang cukup akurat terhadap harga emas pada masa depan.]]>
<![CDATA[Application of the Naïve Bayes and K-Nearest Neighbor Methods for Classifying Roses ]]>
<![CDATA[Gunawan Gunawan]]>;
<![CDATA[Wresti Andriani]]>;
<![CDATA[Aisyach Aminarti Santoso]]>
<![CDATA[ Jurnal Mantik Vol. 7 No. 2 (2023): Agustus: Manajemen, Teknologi Informatika dan Komunikasi (Mantik) ]]>
Publisher : <![CDATA[Institute of Computer Science (IOCS) ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.35335/mantik.v7i2.3911
<![CDATA[They are faced with the rapid development of plant science, especially the science of rose flora. The rose has a sweet-smelling charm; beautiful color. Many people, like roses, are deliberately cultivated by the beauty industry as the main ingredient in making cosmetics. Roses have various varieties, and the types have similarities, so it is difficult to distinguish, know and determine the varieties of roses; in plain view, it requires a long time and precision. In this study, the Naïve Bayes and K-Nearest Neighbor applications were used. Algorithms will be carried out for the classification of roses in addition to proving the identification and classification of rose varieties based on morphological characteristics using K-NN and Naïve Bayes to understand the diversity of roses. The Naive Bayes method produced maximum accuracy with little training data. Meanwhile, K-Nearest Neighbor was chosen because it is robust against noise data. The performance of the two methods will be compared to determine which method is better for classifying roses. The results show that the Naive Bayes method performs better, with an accuracy rate of 75%, while the K-Nearest Neighbor method has an accuracy rate of 62.5%.]]>
