Claim Missing Document
Check
Articles

Found 14 Documents
Search

ANALISIS PERBANDINGAN METODE MAMDANI DAN SUGENO DALAM MENENTUKAN JUMLAH PENUMPANG KAPAL TANJUNG SOLEH RUTE AMBON –NAMLEA Papilaya, Netha; Hiariey, Arlene Henny; Luhukay, Martje; Upuy, Doms
Parameter: Jurnal Matematika, Statistika dan Terapannya Vol 3 No 2 (2024): Parameter: Jurnal Matematika, Statistika dan Terapannya
Publisher : Jurusan Matematika FMIPA Universitas Pattimura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30598/parameterv3i02pp107-114

Abstract

Penelitian ini untuk menentukan jumlah penumpang kapal Tanjung-Solehrute Ambon –Namleadimana pihak manajemen yang menangani penyeberangan penumpang dengan kapal tanjung soleh rute Ambon–Namleasering kali mengalami kendala dalam mengestimasi jumlah penumpang tiap musim oleh karena itu dilakukan pendekatan dengan logika fuzzy untukmenjadi solusi yang cocok untuk menghadapi ketidakpastian dan kompleksitas estimasijumlah penumpang pada kapal tanjung soleh tersebut.Adapun data diperoleh melalui pengamatan langsung di lapanganyang dilakukan padabulan Januari-Juni 2024. Penentuan jumlah penumpang merupakan permasalahan yang kompleks karena dipengaruhi oleh banyak faktor seperti waktu (liburan atau kerja) dan musim (hujan, panas,musim timur, musim barat). Penelitian ini mengembangkan dua metode logika fuzzy, yaitu metode Mamdani dam metode Sugeno. Berdasarkan nilai fuzzy mamdani dan fuzzy sugeno maka dilakukan perbandingan dengan data aktualnya yang diperoleh dari januari sampai bulan juni, terlihat bahwa dibulan januari-februari metode fuzzy sugeno lebih baik dari fuzzy mamdani karena jumlah penumpang yang diperoleh yaitu 320 dan 260 mendekati data aktual, sedangkan pada bulan maret kedua metode tersebut hampir mendekati data aktual. Pada bulan april fuzzy sugeno lebih baik dari mamdani dimana jumlah penumpang yaitu 710 sedangkan dari bulan mei-juni, fuzzy mamdani lebih baik dari sugeno. Maka secara keseluruhan untuk data ini, fuzzy sugeno lebih baik dari fuzzy mamdani.
Transformasi Bisnis Home Industri Kerajinan Tangan Kulit Kerang Mutiara Melalui E-Commerce Pasca Pandemi Palembang, Citra Fathia; Radjabaycolle, Jefri Esna Thomas; Upuy, Doms
Innovative: Journal Of Social Science Research Vol. 3 No. 5 (2023): Innovative: Journal of Social Science Research
Publisher : Universitas Pahlawan Tuanku Tambusai

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

Abstract

Home Industri Raden Abdullah memproduksi berbagai macam Kerajinan Tangan khas daerah kota ambon yang terbuat dari bahan utama Kulit Kerang Mutiara, seperti; Hiasan dinding Kaligrafi, Hiasan dinding Flora dan Fauna, Pemandangan Alam, Moda Transportasi seperti pesawat dan kapal, Replika Foto wajah tokoh, Maket serta Aksesoris seperti pin, papan nama, kalung dan sejenisnya. Home industri raden abdullah mengalami sepi pemesanan akibat pandemi covid-19 yang terjadi selama kurang lebih dua tahun sehingga berdampak pada penurunan omset para pengrajin, apalagi sistem penjualan yang dilakukan masih secara konvensional, pelanggan masih mendatangi lokasi toko. Berdasarkan hal tersebut, penulis merancang sebuah sistem e-commerce berbasis web dengan menggunakan metode Software Development Life Cycle (SDLC) yaitu Waterfall yang diharapkan dapat menjadi sebuah solusi dalam memasarkan hasil produksi raden abdullah secara lebih meluas yang dapat menjangkau konsumen dari luar kota ambon sehingga dapat menaikkan omset pengrajin.
Implementasi Fuzzy Sugeno untuk menentukan Jumlah Produksi Tahu DOMS UPUY; ARLENE HENNY HIARIEY
Jurnal Teknologi Informasi dan Terapan Vol 10 No 2 (2023)
Publisher : Jurusan Teknologi Informasi Politeknik Negeri Jember

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25047/jtit.v10i2.327

Abstract

Perencanaan jumlah produksi di pabrik tahu Kate-kate sangatlah penting agar dapat memenuhi permintaan konsumen. Selama ini jumlah produksi tahu dan tempe di pabrik tersebut tidak sesuai dengan permintaan pasar, karena itu terkadang jumlah tahu dan tempe yang diproduksi berlebihan sehingga harus di jual murah dan terkadang mengalami kerusakan akibat lama di simpan. Hal itu tentunya merugikan pemilik pabrik tahu Kate-kate. Penelitian ini bertujuan untuk menentukan jumlah produksi tahu berdasarkan data persediaan dan jumlah permintaan dengan menggunakan Fuzzy Metode Sugeno, guna untuk memoptimalisasi proses produksi agar tidak menimbulkan kerugian. Hasil analisis menunjukan rata-rata produksi tahu harian di pabrik tahu Kate-kate dengan 10 aturan fuzzy serta operasi AND yang pakai maka jika permintaan tahu sebanyak 136 papan, dan yang tersediah di bagian persediaan tahu sekitar 36 papan maka tahu yang harus di produksi yaitu sebanyak 115 papan hal ini menunjukan bahwa Metode Sugeno dapat digunkana untuk menentukan jumlah produksi tahu berdasarkan data persediaan dan jumlah permintaan di pabrik tahu Kate-kate
Perbandingan Kinerja Model YOLOv8n dan YOLOv8s pada Deteksi Objek Menggunakan Metrik Evaluasi dan Confidence Score Upuy, Doms
Computer Science and Information Technology Vol 7 No 1 (2026): Jurnal Computer Science and Information Technology (CoSciTech)
Publisher : Universitas Muhammadiyah Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37859/coscitech.v7i1.11189

Abstract

Deep learning-based object detection has developed rapidly and is widely used in various computer vision applications. One of the most widely used methods is the You Only Look Once (YOLO) algorithm, which is capable of real-time object detection with a high degree of accuracy. This study aims to analyze the performance comparison of two variants of the YOLOv8 model, namely YOLOv8n and YOLOv8s, in detecting objects using evaluation metrics and confidence scores. The dataset used consists of 5000 images, which are divided into training data (70%), validation data (20%), and testing data (10%). Model performance evaluation is carried out using several object detection metrics, namely precision, recall, and mean Average Precision (mAP), as well as additional analysis in the form of computation time and confidence scores to assess the stability of the model's predictions. The results show that the YOLOv8n model achieved a precision value of 0.9313, while the YOLOv8s model achieved a recall value of 0.8415 and a mean Average Precision (mAP0.5) of 0.9055, which is slightly higher than YOLOv8n with a mAP0.5 value of 0.9009. In terms of computational efficiency, YOLOv8n has a faster training time of around 2670 seconds, compared to YOLOv8s which takes around 4477 seconds. In addition, the YOLOv8s model shows a higher confidence score, which indicates a better level of prediction confidence in detecting objects. Based on these results, it can be concluded that YOLOv8n is superior in computational efficiency, while YOLOv8s provides more stable and accurate detection performance. The results of this study are expected to serve as a reference in selecting the optimal object detection model for various computer vision-based applications