Article Per Year (5 Year)
p-Index From 2020 - 2025
0.444
P-Index
This Author published in this journals
All Journal Journal of Innovation Research and Knowledge Jurnal Informatika Polinema (JIP)
Dhebys Suryani
Unknown Affiliation
Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Health Professions Law, Crime, Criminology & Criminal Justice Library & Information Science Social Sciences

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

Found 2 Documents
Search

 1 
PERAMALAN JUMLAH PENGUNJUNG WISATAWAN MANCANEGARA MENGGUNAKAN METODE FUZZY TIME SERIES DI JAWA TIMUR Dhebys Suryani; Rokhimatul Wakhidah; arif latifudin
Jurnal Informatika Polinema Vol. 8 No. 2 (2022): Vol 8 No 2 (2022)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v8i2.525

Abstract

Definisi wisatawan mancanegara adalah setiap orang yang melakukan perjalanan ke suatu negara di luar negara tempat tinggalnya kurang dari satu tahun didorong oleh suatu tujuan utama yaitu (bisnis, berlibur, atau tujuan pribadi lainya). Kunjungan wisatawan mancangara ke Jawa Timur di tahun 2018 sejumlah 830.968 kunjungan bila dibandingan dengan tahun 2017 yang jumlahnya 690.509 kunjungan, terlihat ada pertumbuhan sekitar 20.34%. Dari jumlah 830.968 kunjungan tersebut yang datang melalu Bandara Internasional Juanda sejumlah 322.965 sedangkan sisanya sejumlah 508.003 kunjungan adalah mereka yang datang ke Jawa Timur melalui darat. Peningkatan kunjungan wisatawan mancanegara ke Jawa Timur harus diantisipasi dengan pembangunan fasilitas yang mendukung kemajuan pariwisata, pembangunan yang dilakukan harus sejalan dengan pertumbuhan kunjungan wisatawan mancanegara ke Jawa Timur. Untuk mengetahui pertumbuhan kunjungan wisatawan mancanegara pada periode berikutnya perlu dilakukan peramalan terhadap kunjungan wisatawan mancanegara ke Jawa Timur. Peramalan yang dibuat pada penelitian ini menggunakan metode Fuzzy Time Series dengan data Januari 2014 – Desember 2018 sebagai data historis untuk meramalkan di periode selanjutnya. Peramalan akan menggunakan metode fuzzy time series menggunakan 60 data sampel diperoleh error sebesar 11,4% yang diukur menggunakan Mean Absolute Percentage Error (MAPE).
ANALISIS PREDIKTIF MENGGUNAKAN MACHINE LEARNING UNTUK MENANGGULANGI MASALAH REJECT PRODUK PADA PROSES PRODUKSI PT. XYZ Adevian Fairuz Pratama; Dhebys Suryani; Firgi Sotya Izzudin; Adzikirani, Adzikirani
Journal of Innovation Research and Knowledge Vol. 4 No. 5: Oktober 2024
Publisher : Bajang Institute

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.53625/jirk.v4i5.8725

Abstract

PT. XYZ adalah perusahaan makanan dan minuman di Indonesia, terkenal dengan minuman isotoniknya yang menggantikan cairan tubuh saat aktivitas fisik. Produk ini populer di kalangan konsumen lokal dan internasional karena formulanya yang inovatif. PT. XYZ sangat menekankan kualitas, sehingga produk yang tidak memenuhi standar ketat, seperti tekanan botol, akan di-reject untuk memastikan keamanan dan kualitas. Penelitian ini menggunakan metode machine learning, khususnya XGBoost, untuk analisis prediktif. Data diambil dari mesin Liquid Nitrogen dan Bottle Pressure Detector, mencakup pressure bottle, temperatur tangki, sensor liquid nitrogen, dan lainnya pada tahun 2023. Data diolah dan dianalisis untuk memastikan kesesuaian dengan kebutuhan PT. XYZ dan kecocokan dengan metode XGBoost. Business Understanding mengidentifikasi tujuan bisnis dan dampak deteksi tekanan botol. Data Understanding dilakukan dengan Exploratory Data Analysis (EDA). Data dibagi menjadi 80% untuk training dan 20% untuk testing. Data Preparation melibatkan preprocessing untuk membersihkan duplikasi dan missing value. Modeling menggunakan algoritma XGBoost dengan parameter learning_rate sebesar 0.5, gamma sebesar 2, max_depth sebesar 6, n_estimators sebesar 100, colsample_bytree sebesar 0.4, subsample sebesar 0.7, reg_lambda sebesar 3, dan min_child_weight sebesar 1 terbukti terbaik. Evaluasi menunjukkan nilai MAPE 6.88% dan akurasi 93.12%. Prediksi menunjukkan jumlah reject sekitar 23 pada 1 Januari 2024 pukul 07:00, dan sekitar 22 pukul 08:00. Rekomendasi untuk penelitian selanjutnya adalah menggunakan lebih banyak data dan menggabungkan XGBoost dengan model machine learning lainnya
Co-Authors Adevian Fairuz Pratama Adzikirani, Adzikirani arif latifudin Firgi Sotya Izzudin Rokhimatul Wakhidah