Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Dinamik Jurnal Penelitian Rumpun Ilmu Teknik
Mentari Hasibuan
Unknown Affiliation
Computer Science & IT Engineering

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

Found 2 Documents
Search

 1 
ANALIS USER EXPERIECE DALAM APLIKASI SOCO BY SOCIOLLA UNTUK MENINGKATKAN PENGALAMAN PENGGUNA MENGGUNAKAN PENDEKATAN DESIGN THINKING Mentari Hasibuan; Khoirunnisa Hamidah; Azhari Ali Ridha
Dinamik Vol 28 No 2 (2023)
Publisher : Universitas Stikubank

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35315/dinamik.v28i2.9390

Abstract

Pengalaman pengguna yang baik dalam aplikasi mobile menjadi faktor kunci dalam keberhasilan sebuah platform digital. Penelitian ini bertujuan untuk menganalisis User Experience (UX) aplikasi SOCO by Sociolla yang merupakan aplikasi di bidang kecantikan. Metode penelitian ini menggunakan pendekatan design thinking untuk menganalisis kebutuhan pengguna dalam menggunakan aplikasi SOCO by Sociolla. Penelitian ini juga bertujuan untuk mengidentifikasi fitur-fitur yang membutuhkan perbaikan ataupun peningkatan. Hasil analisis menujukkan ada beberapa masalah yang harus diperbaiki dari mulai bahasa, tata letak, kekonsistenan tampilan dan yang lainnya. Dari masalah-masalah yang ditemukan dibuatlah desain baru yang diujikan kepada reponden dan mendapatkan hasil yang baik dari perancangan ulang yang baru terhadap aplikasi SOCO by Sociolla.
Perbandingan Kinerja Model RNN, LSTM, dan BLSTM dalam Memprediksi Jumlah Gempa Bulanan di Indonesia Roni Merdiansah; Khofifah Wulandari; Mentari Hasibuan; Yuyun Umaidah
Jurnal Penelitian Rumpun Ilmu Teknik Vol. 3 No. 1 (2024): Februari : Jurnal Penelitian Rumpun Ilmu Teknik
Publisher : Pusat Riset dan Inovasi Nasional

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55606/juprit.v3i1.3466

Abstract

Earthquakes are natural phenomena that frequently occur in Indonesia. To identify and predict the level of earthquake activity, effective prediction methods are needed. In this study, we employed a Recurrent Neural Network (RNN) to predict the average number of earthquakes that occur each month in Indonesia. This research utilized a large amount of historical earthquake data in Indonesia. We divided this data into training and testing sets to train and evaluate our prediction model. Additionally, we used Mean Absolute Error (MAE) and Mean Squared Error (MSE) as evaluation metrics to measure the accuracy of our model's predictions. The results showed that using Long Short-Term Memory (LSTM) units with a Bidirectional (BLSTM) configuration, which is a part of RNN, provided accurate predictions regarding the average number of earthquakes per month in Indonesia. We achieved an MAE of 0.0668 and RMSE of 0.0858, indicating a good level of accuracy in predicting the average number of earthquakes. This research contributes significantly to the understanding and prediction of earthquake activity in Indonesia. The use of deep learning techniques in RNN can provide accurate and reliable prediction outcomes for earthquake mitigation and risk reduction efforts in Indonesia.
Co-Authors Azhari Ali Ridha Khofifah Wulandari Khoirunnisa Hamidah Roni Merdiansah Yuyun Umaidah