Dewi, Ni Putu Novita Puspa
Program Studi Ilmu Komputer, Jurusan Teknik Informatika, Fakultas Teknik Dan Kejuruan, Universitas Pendidikan Ganesha, Singaraja, Bali, Indonesia

Published : 4 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search

SISTEM MONITORING PELANGGAN PASCABAYAR DAN PRABAYAR TBT MENERAPKAN MANAJEMEN TRANSAKSI MENGGUNAKAN METODE TWO PHASE LOCKING Dewi, Ni Putu Novita Puspa; Darmawan, JB Budi
Prosiding SNATIF 2017: Prosiding Seminar Nasional Teknologi dan informatika (BUKU 2)
Publisher : Prosiding SNATIF

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

Abstract

Abstrak Sebagai salah satu upaya pengendalian susut non teknis di PT. PLN (Persero) Area Kuala Kapuas, bagian Transaksi Energi melakukan monitoring pelanggan Pascabayar dan Prabayar secara rutin. Monitoring yang dilakukan selama ini dilakukan secara manual dan tidak ada filterisasi untuk data yang sudah diperiksa sehingga pemeriksaan kadang dilakukan berulang kali.  PT. PLN (Persero) Area Kuala Kapuas terdiri dari 6 rayon, dimana tiap rayon juga bertanggung jawab untuk melakukan monitoring pelanggan di wilayahnya. Mengingat bahwa petugas yang menggunakan sistem monitoring bukan hanya petugas lapangan melainkan juga petugas yang berada di kantor maka sistem ini menerapkan manajemen transaksi yang melayani multiuser. Sistem yang multiuser ini mengharuskan adanya sebuah penanganan transaksi ketika satu atau beberapa user akan write dan atau read data secara bersamaan. Hal ini dilakukan untuk menghindari masalah proses konkuren seperti diantaranya The Lost Update Problem, The Uncommited Dependency (Dirty Read) Problemdan The Inconsistent Analysis Problem. Sehingga diperlukan manajemen transaksi untuk mengatur kelancaran dari tiap action yang dilakukan oleh user sistem terhadap data. Metode two phase locking yang digunakan akan memberikan lock bagi tiap transaksi yang akan mengakses data, baik read atau write data. Sehingga tiap transaksi akan dibuat menunggu sampe lock dilepaskan untuk dapat mengubah data. Pada penelitian kali ini, Penulis akan mencoba protokol  yang sama pada basis data Oracle, dimana Oracle juga mendukung  kontrol untuk concurrency dengan teknik ‘FOR UPDATE’. Berdasarkan ujicoba pada permasalahan the lost of update menggunakan teknik FOR UPDATE pada basis data Oracle terbukti dapat menjamin konsistensi data hasil monitoring pelanggan.  Kata Kunci: sistem monitoring  PLN, two phase locking, manajemen transaksi
OPTIMASI GENERAL REGRESSION NEURAL NETWORK DENGAN FRUIT FLY OPTIMIZATION ALGORITHM UNTUK PREDIKSI PEMAKAIAN ARUS LISTRIK PADA PENYULANG Ni Putu Novita Puspa Dewi; Robertus Adi Nugroho
KOMPUTASI Vol 18, No 1 (2021): Komputasi: Jurnal Ilmiah Ilmu Komputer dan Matematika
Publisher : Ilmu Komputer, FMIPA, Universitas Pakuan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33751/komputasi.v18i1.2144

Abstract

Prediksi pemakaian arus listrik yang akurat pada setiap penyulang listrik sangat penting untuk memastikan distribusi listrik berjalan lancar  . Hasil prediksi pemakaian listrik dapat digunakan untuk mengetahui berapa banyak produksi listrik yang harus dilakukan demi memenuhi kebutuhan listrik secara menyeluruh. Model prediksi hybrid yang menggabungkan General Regression Neural Network (GRNN) dan algoritma optimasi Fruit Fly Optimization Algorithm (FOA) diusulkan untuk menghasilkan prediksi arus listrik yang akurat dan stabil. FOA digunakan untuk mengoptimasi GRNN untuk menemukan nilai smoothing parameter optimal. Data time-series dari 5 penyulang yang mendistribusikan listrik pada 5 wilayah berbeda digunakan untuk validasi model yang diusulkan. Hasil pengujian menunjukkan bahwa model hybrid FOAGRNN menghasilkan error, ketahanan, dan generalisasi yang lebih baik dalam prediksi ini jika dibandingkan dengan model GRNN saja. Pada pengujian terhadap 5 data testing, FOAGRNN menghasilkan error prediksi lebih kecil yaitu rata-rata Root Mean Square Error sebesar 6,98411 dan Mean Absolute Error 3,44542 dibandingkan.GRNN dengan rata-rata error secara berturut-turut 7,86073 dan 4,21529.  
Enhancing Diesel Backup Power Forecasting With LSTM, GRU, and Autoencoder-based Input Encoding Dewi, Ni Putu Novita Puspa; Leu, Yungho; Mustofa, Khabib; Riasetiawan, Mardhani
Jurnal Nasional Pendidikan Teknik Informatika: JANAPATI Vol. 14 No. 1 (2025)
Publisher : Prodi Pendidikan Teknik Informatika Universitas Pendidikan Ganesha

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23887/janapati.v14i1.92079

Abstract

Ensuring a reliable electricity supply is crucial for Indonesia's development. This study applies deep learning to forecast diesel backup power output. One challenge in such predictions is balancing the input sequence length and the number of features to avoid overly long input sequences, which may degrade model performance. To address this, we utilized an autoencoder to compress the input sequence, improving prediction accuracy. Additionally, given the time-consuming nature of hyper-parameter optimization in deep learning, we employed Bayesian optimization to streamline the process and achieve optimal hyper-parameter settings.The study compares a General Regression Neural Network (GRNN) optimized by FOA with Long Short-Term Memory (LSTM) and Gated Recurrent Unit (GRU) models optimized by Gaussian Process (GP). Results show that LSTM and GRU with encoded inputs outperform their non-encoded counterparts. The GRU, combined with an autoencoder and Bayesian-optimized hyper-parameters, achieves the lowest prediction error, demonstrating superior forecasting capability.The dataset, obtained from evaluated feeders in Kapuas District, Central Kalimantan, covers hourly power generation and distribution from October 2017 to September 2018. Data was split into 11 months for training and 1 month for testing, with the training set further divided into 70% training and 30% validation. The best performing model achieved RMSE and MAE values of 27.5824 and 14.9804, respectively. Future research may explore further optimization, feature selection techniques, and extended dataset variations.
FINE TUNNING MODEL INDOBERT UNTUK ANALISIS SENTIMEN BERITA PARIWISATA INDONESIA Wijaya, Wahyu; Seputra, Ketut Agus; Dewi, Ni Putu Novita Puspa
Jurnal Pendidikan Teknologi dan Kejuruan Vol. 22 No. 2 (2025): Edisi Juli 2025
Publisher : Universitas Pendidikan Ganesha

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23887/jptk-undiksha.v22i2.104056

Abstract

Perkembangan kecerdasan buatan pada ranah NLP dewasa ini sangat pesat. Beberapa teknologi kecerdasan buatan pada text-based teknologi seperti ChatGPT, Gemini, LLaMA, dan lain-lain telah dimanfaatkan dalam ranah riset ataupun industry. Dalam analisis sentimen, yang menjadi komponen utama adalah representasi teks. Teknik representasi teks yang menonjol pada akhir-akhir ini adalah bidirectional encoder representation from transformer(BERT). Sesuai dengan permasalahan yang disebutkan sebelumnya, analisis sentimen ini dapat dilakukan untuk berita pariwisata. Namun untuk meningkatkan akurasi dapat dilakukan fine tunning pada metode BERT. Berdasarkan permasalahan tersebut, dalam penelitian ini akan dilakukan analisis sentiment dengan menggunakan metode IndoBERT. Akan dilakukan fine tuning untuk fokus ranah pariwisata. Berdasarkan hasil pengujian yang telah dilakukan didapatkan tangkat akurasi sebesar 77%. Model dapat melakukan klasifikasi sentiment negative dengan baik, namun masih perlu ditingkatkan pada sentiment positif dan netral.