Article Per Year (5 Year)
p-Index From 2021 - 2026
0.61
P-Index
This Author published in this journals
All Journal Jurnal Tecnoscienza Computer Science and Information Technologies Ilmu Komputer untuk Masyarakat
Aulia Putri Utami
Universitas Muslim Indonesia
Civil Engineering, Building, Construction & Architecture Computer Science & IT Engineering Mathematics Other

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Bimbingan Teknis Aplikasi Xsia Microservice sebagai Media Pelaporan Nilai Siswa di SDN 133 Pari’risi Kabupaten Takalar Poetri Lestari Lokapitasari Belluano; Amaliah Faradibah; Rahmadani Rahmadani; Aulia Putri Utami; Muh Fachrul Islam; Muh Taufik Rifaat
Ilmu Komputer untuk Masyarakat Vol 3, No 2 (2022)
Publisher : Universitas Muslim Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33096/ilkomas.v3i2.1554

Abstract

Sistem Informasi Akademik (xSIA) menggunakan teknologi microservice adalah sistem yang memiliki salah satu fungsi untuk mengelola data penilaian akhir siswa sehingga memberikan kemudahan kepada Guru sebagai pengguna utama dalam aktivitas merekam nilai akhir hasil belajar siswa setiap semester dengan luaran berupa nilai Angka Komulatif. Model Pelatihan yang diterapkan kepada mitra SDN 133 Inpres Paririsi Takalar menggunakan model latihan Preceptorship dan Partisipatif. sedangkan Tahap perancangan aplikasi digunakan model Prototyping untuk merepresentasikan secara grafis alur kerja sistem. Target luaran penelitian ini yakni: 1) Adanya aplikasi xSIA untuk pelaporan penilaian siswa agar guru secara mandiri melaksakan pelaporan secara otomatis dan memiliki dokumentasi nilai dengan baik. 2) Keluaran berupa Jurnal Nasional terakreditasi. Serta 3) pengayaan bahan ajar dalam mata kuliah Rekayasa Perangkat Lunak.
Pemodelan dan Simulasi Teknologi Connected Vehicle untuk Meningkatkan Arus Lalu Lintas (Traffic Flow) di Kawasan Perkotaan Kota Makassar Amaliah Faradibah; A. Ulfa Tenripada; Poetri Lestari Lokapitasari Belluano; Fahmi Fahmi; Aulia Putri Utami; Rizal Rahmadani
JURNAL TECNOSCIENZA Vol. 8 No. 2 (2024): TECNOSCIENZA
Publisher : JURNAL TECNOSCIENZA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51158/tecnoscienza.v8i2.1082

Abstract

Peningkatan alat transportasi tanpa seimbangnya sarana dan prasarana menuntut inovasi teknologi, meski teknologi sudah diterapkan, namun belum mampu mengatasi dampak perkembangan ekonomi yang meningkatkan jumlah kendaraan. Pengaturan optimal dapat dilakukan melalui sistem berbasis Internet of Things untuk mengurangi kemacetan dan menghemat energi. Manajemen yang baik diperlukan untuk menyeimbangkan semua sarana dan prasarana. Melalui pemantauan kendaraan, dapat ditentukan komposisi kendaraan di jalur yang sama untuk dialihkan atau mengatur waktu traffic light. Teknologi kendaraan terhubung dianggap kunci solusi baru untuk masalah transportasi, memungkinkan komunikasi antar kendaraan dan infrastruktur. Connected vehicle technology memungkinkan kendaraan berkomunikasi menggunakan jaringan nirkabel. Penelitian ini melibatkan pengumpulan data dan model matematika untuk memprediksi arus lalu lintas. Hasil perubahan kondisi eksisting setelah menerapkan skenario penggunaan teknologi Connected Vehicle menunjukkan pengurangan Travel Time dengan hambatan dari sekitar 0.21 jam pada tahun 2018 menjadi perkiraan 0.38 jam pada tahun 2030, memberikan implikasi positif terhadap pengelolaan lalu lintas di masa mendatang. Temuan ini memberikan dasar kuat untuk perbaikan kebijakan dan infrastruktur transportasi yang dapat meningkatkan efisiensi dan kenyamanan perjalanan.
Optimizing classification models for medical image diagnosis: a comparative analysis on multi-class datasets Abdul Rachman Manga; Aulia Putri Utami; Huzain Azis; Yulita Salim; Amaliah Faradibah
Computer Science and Information Technologies Vol 5, No 3: November 2024
Publisher : Institute of Advanced Engineering and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.11591/csit.v5i3.p205-214

Abstract

The surge in machine learning (ML) and artificial intelligence has revolutionized medical diagnosis, utilizing data from chest ct-scans, COVID-19, lung cancer, brain tumor, and alzheimer parkinson diseases. However, the intricate nature of medical data necessitates robust classification models. This study compares support vector machine (SVM), naïve Bayes, k-nearest neighbors (K-NN), artificial neural networks (ANN), and stochastic gradient descent on multi-class medical datasets, employing data collection, Canny image segmentation, hu moment feature extraction, and oversampling/under-sampling for data balancing. Classification algorithms are assessed via 5-fold cross-validation for accuracy, precision, recall, and F-measure. Results indicate variable model performance depending on datasets and sampling strategies. SVM, K-NN, ANN, and SGD demonstrate superior performance on specific datasets, achieving accuracies between 0.49 to 0.57. Conversely, naïve Bayes exhibits limitations, achieving precision levels of 0.46 to 0.47 on certain datasets. The efficacy of oversampling and under-sampling techniques in improving classification accuracy varies inconsistently. These findings aid medical practitioners and researchers in selecting suitable models for diagnostic applications.
Co-Authors A. Ulfa Tenripada Fahmi Fahmi Faradibah, Amaliah Lokapitasari Belluano, Poetri Lestari Manga, Abdul Rachman Muh Fachrul Islam Muh Taufik Rifaat Rahmadani Rahmadani Rizal Rahmadani Yulita Salim