Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Jurnal Sistem Komputer dan Informatika (JSON)
Amalia
Universitas Sumatera Utara
Computer Science & IT Control & Systems Engineering

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

Found 2 Documents
Search

 1 
Pendekatan Augmentasi Data Time Series Untuk Peramalan Kebutuhan Obat Antiretroviral Berbasis Long Short-Term Memory Munazar; Baihaqi Siregar; Amalia
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 4 (2026): Juni 2026
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v7i4.9831

Abstract

Perencanaan kebutuhan obat antiretroviral yang akurat diperlukan untuk menjaga kesinambungan terapi HIV, mencegah stock-out, dan meningkatkan efisiensi distribusi obat. Namun, peramalan masih terhambat oleh keterbatasan data historis, dominasi nilai nol, dan fluktuasi permintaan yang menyulitkan model mempelajari pola time series secara stabil. Penelitian ini mengevaluasi enam metode augmentasi data time series - Gaussian noise jittering, time warping, Fast Fourier Transform-based augmentation, MixUp time series, TimeGAN, dan Seasonal-Trend Decomposition using Loess — untuk meningkatkan akurasi peramalan berbasis Long Short-Term Memory. Dua skema diuji: penambahan data sintetis (25%, 50%, 75%, 100%) dan penggantian data asli (10%, 20%, 40%, 60%, 80%), dievaluasi menggunakan Mean Absolute Error non-zero. Hasil menunjukkan bahwa augmentasi moderat (25%–50%) meningkatkan akurasi, skema penambahan lebih stabil daripada penggantian, dan model terbaik menggunakan Seasonal-Trend Decomposition using Loess mencapai MAE non-zero sekitar 66.
Pengembangan Otomasi Inventaris Farmasi Rumah Sakit Gigi dan Mulut dengan Metode Convolutional Neural Network Khairul Abdi; Amalia; Mohammad Andri Budiman
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 4 (2026): Juni 2026
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v7i4.9832

Abstract

Pengelolaan inventaris farmasi di Rumah Sakit Gigi dan Mulut memerlukan proses yang cepat, teliti, dan terdokumentasi karena ketersediaan obat serta bahan kedokteran gigi berpengaruh langsung terhadap kelancaran pelayanan klinis. Penelitian ini mengembangkan prototipe otomasi inventaris berbasis citra menggunakan model deteksi objek YOLO11s yang dibangun di atas prinsip Convolutional Neural Network. Dataset terdiri atas 2.562 citra, 11 kelas produk, dan 5.486 anotasi bounding box yang dibagi menjadi data latih, validasi, dan uji dengan rasio 70:15:15. Tahapan penelitian meliputi akuisisi citra, anotasi, quality control dataset, praproses, augmentasi, pelatihan, evaluasi, serta perancangan integrasi hasil deteksi ke rekap inventaris. Pada data uji terbatas, model menghasilkan precision 99,37%, recall 98,86%, mAP@0.5 99,41%, dan mAP@0.5:0.95 90,03%. Hasil ini menunjukkan bahwa YOLO11s berpotensi membantu pengenalan jenis produk, lokalisasi objek, dan perhitungan jumlah item pada skenario inventaris farmasi yang tercakup dalam dataset. Namun, klaim kinerja masih perlu divalidasi lebih lanjut pada jumlah kelas yang lebih besar dan kondisi rak farmasi nyata yang lebih beragam.
Co-Authors Baihaqi Siregar Khairul Abdi Mohammad Andri Budiman Munazar