Garuda - Garba Rujukan Digital

Rancang Bangun Aplikasi Stock Zoning & Kehilangan Barang Berbasis Web dan Android dengan Metode Waterfall (Studi Kasus: PT Aplikanusa Lintasarta) Dariato, Eri; Ramayanti, Desi
Arcitech: Journal of Computer Science and Artificial Intelligence Vol. 1 No. 1 (2021): June 2021
Publisher : Institut Agama Islam Negeri (IAIN) Curup

PT Aplikanusa Lintasarta is a company engaged in the digital industry, namely as an internet service provider in providing data communication services. In a condition the administration / admin of the company found problems with data at the time of data collection, problems that arose related to the complexity of making monthly reports that contained data duplication, the occurrence of loss of outlet goods, selection of goods that took a long time to make reports. The purpose of this study is to design a web-based and android-based stock zoning application system with the waterfall method so that it is expected to make it easier for admins and technicians in administrative problems, especially in stock zoning and lost goods. The method in this study uses the waterfall model and uses the Unified Modeling Language (UML) to visualize the modeling. The results achieved in this research include searching for goods, which contains data on goods/outlet devices, then there is retrieval of goods where both internal technicians/vendors carry out goods retrieval transactions when handling disturbances, the return menu of goods which is used to input goods/data. the device is returned, installed, unplugged and features if there is a loss which is useful for reporting item/device data in the event of a loss problem.

Analisa dan Perancangan Machine Learning Untuk Mendeteksi Kegagalan Job di Apache Spark Dariato, Eri
Arcitech: Journal of Computer Science and Artificial Intelligence Vol. 2 No. 1 (2022): June 2022
Publisher : Institut Agama Islam Negeri (IAIN) Curup

A collection of data stored in a database, so the longer the data, the bigger the data, because the data processed is very large, processing time in Apache Spark can take up to a dozen or tens of hours. Sometimes, the Apache Spark application even fails. Therefore, to minimize the waiting time that could have been avoided or reduced, artificial intelligence through Machine Learning will be used to detect whether an Apache Spark application will fail or run smoothly. Factors to determine this failure are called features and are generated through the feature engineering process. The purpose of this research is to design Machine Learning so that it is able to find out what features will determine the success or failure of the Apache Spark application. The research method used is the Prototyping process model.

Analisis dan Perancangan Feature Engineering Pada SQL Execution Plan Aplikasi Apache Spark dariato, eri
Arcitech: Journal of Computer Science and Artificial Intelligence Vol. 1 No. 2 (2021): December 2021
Publisher : Institut Agama Islam Negeri (IAIN) Curup

To process data in RDBMS, it is commonly used what is called SQL. This SQL can be simple or complex depending on the join statement, the tables involved, filter statement, and many more. If it is complex and burdensome to the system, then the performance of the database as a whole will decrease and SQL execution will not finish. That's why it's important to know, what components are involved when executing SQL through the SQL Execution Plan. The components in the SQL Execution Plan can be very diverse, so artificial intelligence is used to help analyze and conclude what factors have the most role in determining performance. Furthermore, these factors are called feature engineering. The purpose of this research is to formulate what features exist in the SQL Execution Plan when we send SQL commands to the system. The research method used is the Prototyping process model.

Analisis Sentimen Komentar Pengguna Aplikasi AlloFresh Di Google Playstrore Menggunakan Metode Support Vector Machine (SVM) Sandy, Muchamad; Dariato, Eri
Jurnal Multimedia dan Teknologi Informasi (Jatilima) Vol. 7 No. 03 (2025): Jatilima : Jurnal Multimedia Dan Teknologi Informasi
Publisher : Cattleya Darmaya Fortuna

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54209/jatilima.v7i03.1650

Penelitian ini bertujuan untuk menganalisis sentimen pengguna terhadap aplikasi AlloFresh dengan memanfaatkan teknik Text Mining dan pembelajaran mesin. Data yang digunakan berupa ulasan konsumen yang dikumpulkan dari platform digital, kemudian melalui serangkaian tahap pra-pemrosesan, meliputi case folding, cleaning, tokenizing, stopword removal, normalisasi, dan stemming. Selanjutnya dilakukan pelabelan sentimen ke dalam kategori positif dan negatif, sementara ulasan netral dikecualikan agar fokus analisis lebih terarah. Representasi teks kemudian dikonversi ke bentuk numerik menggunakan metode Term Frequency–Inverse Document Frequency (TF-IDF) untuk memberikan bobot pada setiap kata berdasarkan frekuensi dan tingkat kepentingannya dalam keseluruhan korpus. Dalam tahap klasifikasi, algoritma Support Vector Machine (SVM) digunakan untuk mengukur performa model. Hasil pengujian menunjukkan bahwa SVM mampu memberikan tingkat akurasi yang cukup tinggi dengan capaian mendekati 95%. Hal ini menunjukkan bahwa SVM efektif dalam mengklasifikasikan ulasan pengguna, khususnya dalam mengidentifikasi sentimen positif maupun negatif.

Implementasi Teori Graf dan Optimisasi Alogaritma Dijktra, BFS dan DFS Dalam Menentukan Rute Terpendek Jaringan Bengkel di Jakarta Berbasis Google Maps Andini Andriati, Dea; Dariato, Eri; Hafizh , Rifai
Jurnal Multimedia dan Teknologi Informasi (Jatilima) Vol. 7 No. 03 (2025): Jatilima : Jurnal Multimedia Dan Teknologi Informasi
Publisher : Cattleya Darmaya Fortuna

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54209/jatilima.v7i03.1654

Pertumbuhan kendaraan bermotor di Jakarta yang terus meningkat setiap tahun menimbulkan tantangan baru terkait efisiensi transportasi dan aksesibilitas layanan bengkel. Kompleksitas jaringan jalan serta kemacetan tinggi sering kali menyulitkan pengguna dalam menemukan rute tercepat menuju bengkel terdekat. Penelitian ini bertujuan untuk mengimplementasikan teori graf dan mengoptimalkan algoritma Dijkstra, Breadth-First Search (BFS), dan Depth-First Search (DFS) dalam menentukan rute terpendek pada jaringan bengkel di Jakarta dengan memanfaatkan data dari Google Maps. Data penelitian dikumpulkan melalui pencarian lokasi bengkel menggunakan Google Maps, mencakup nama, alamat, dan koordinat geografis. Seluruh bengkel direpresentasikan sebagai simpul (node), sedangkan jaringan jalan yang menghubungkan antar bengkel direpresentasikan sebagai sisi (edge) dengan bobot berupa jarak. Data tersebut kemudian dimodelkan menjadi graf tak berarah berbobot yang menjadi dasar penerapan algoritma pencarian jalur. Hasil implementasi algoritma Dijkstra menunjukkan bahwa jalur terpendek dari Bengkel A ke Bengkel K adalah melalui A → D → E → G → J → K dengan total jarak 42 km. Algoritma BFS menemukan jalur A → B → M → K → L dari Bengkel A ke Bengkel L dengan empat langkah, sedangkan DFS menemukan jalur A → B → C → F → I → L dengan lima langkah.

Analisis Sentimen Komentar Pengguna Aplikasi Alfagift Di Google Playstrore Menggunakan Metode Support Vector Machine (SVM) Dariato, Eri; Laple Satria Putra, Rani
Jurnal Multimedia dan Teknologi Informasi (Jatilima) Vol. 7 No. 03 (2025): Jatilima : Jurnal Multimedia Dan Teknologi Informasi
Publisher : Cattleya Darmaya Fortuna

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54209/jatilima.v7i03.1655

Perkembangan teknologi digital telah mempermudah interaksi antara pengguna dan penyedia layanan, salah satunya melalui ulasan di Google Play Store. Alfagift, sebagai aplikasi belanja daring milik Alfamart, mendapatkan banyak komentar dari penggunanya yang mencerminkan pengalaman positif maupun keluhan. Penelitian ini bertujuan menganalisis sentimen komentar pengguna aplikasi Alfagift di Google Play Store menggunakan algoritma Support Vector Machine (SVM) dengan pembobotan kata Term Frequency-Inverse Document Frequency (TF-IDF). Data penelitian berupa komentar yang dikumpulkan melalui metode web crawling menggunakan Python. Proses pra-pemrosesan meliputi case folding, pembersihan teks, tokenisasi, penghapusan stopword, normalisasi, dan stemming, sehingga data menjadi terstruktur dan siap dianalisis. Pembobotan kata dengan TF-IDF digunakan untuk merepresentasikan teks ke dalam bentuk numerik, di mana kata “alfagift” memperoleh bobot tertinggi (0,301027), diikuti “belanja”, “alfamart”, “gratis”, dan “ongkir”. Pengujian model SVM menunjukkan performa yang sangat baik pada kelas mayoritas (negatif) dengan precision, recall, dan f1-score sebesar 1,00. Namun, kelas netral tidak terdeteksi sama sekali (seluruh metrik = 0,00) dan kelas positif memiliki recall rendah (0,54) meskipun precision cukup tinggi (0,91). Akurasi keseluruhan mencapai 1,00, tetapi kondisi ini dipengaruhi oleh dominasi data pada kelas negatif (30.528 dari 30.792 data). Nilai macro average untuk precision (0,63), recall (0,51), dan f1-score (0,56) menunjukkan ketidakseimbangan kinerja antar kelas. Hasil 10-fold cross-validation mengonfirmasi stabilitas model dengan akurasi konsisten di kisaran 0,9950–0,9959.

Title

Found 6 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 6 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 6 Documents
Search