Ade Amelia, Tasya
Unknown Affiliation

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

Found 2 Documents
Search

ANALISIS PREDIKSI JUMLAH PENUMPANG KERETA API MENGGUNAKAN METODE MONTE CARLO: STUDI KASUS : PT.KAI WILAYAH SUMATERA BARAT Ade Amelia, Tasya; Muslim Karo Karo, Ichwanul
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 4 (2024): JATI Vol. 8 No. 4
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i4.9935

Abstract

Transportasi kereta api merupakan salah satu transportasi populer untuk memenuhi kebutuhan mobilitas masyarakat. Namun, sering timbul permasalahan terkait lonjakan jumlah penumpang yang melebihi kapasitas layanan, mengakibatkan ketidaknyamanan dan ketidakpuasan pengguna. Penelitian ini bertujuan memberikan solusi bagi pengelola dalam menghadapi tantangan tersebut, dengan memanfaatkan simulasi Monte Carlo untuk memprediksi tren jumlah penumpang. Tahapan simulasi mencakup pengumpulan data, penentuan distribusi probabilitas, perhitungan distribusi kumulatif, penentuan interval angka acak, pembangkitan bilangan acak, pelaksanaan simulasi, serta evaluasi hasil berdasarkan kecocokan dengan data aktual dan tingkat akurasi prediksi. Analisis dilakukan terhadap data historis penumpang dari 2021-2023, untuk membangun model prediksi yang akurat. Hasil penelitian menunjukkan simulasi Monte Carlo mampu menghasilkan proyeksi penumpang kereta api di Sumatera Barat 2024 dengan keakuratan rata-rata 98% pada tiga tahun sebelumnya. Informasi ini diharapkan menjadi masukan berharga bagi manajemen dalam merencanakan dan mengalokasikan sumber daya secara efektif, mengantisipasi fluktuasi permintaan, serta meningkatkan kualitas layanan. Penelitian ini tidak hanya memberikan kontribusi praktis bagi penyedia layanan kereta api, tetapi juga dapat diadaptasi untuk menyelesaikan tantangan serupa di sektor transportasi lain.
IDENTIFIKASI JENIS REMPAH-REMPAH INDONESIA DENGAN CONVOLUTIONAL NEURAL NETWORK (CNN) MENGGUNAKAN ARSITEKTUR VGG16 Maulana, Raihan; Dwi Zahra Putri, Raisya; Ade Amelia, Tasya; Syahputra, Hermawan; Ramadhani, Fanny
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 4 (2024): JATI Vol. 8 No. 4
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i4.10138

Abstract

Indonesia merupakan negara yang kaya akan rempah-rempah alami, sebuah kekayaan alam yang telah menjadi bagian integral dari budaya dan ekonomi nasional. Rempah-rempah Indonesia tidak hanya digunakan dalam masakan sehari-hari tetapi juga diekspor ke berbagai negara, menjadikannya komoditas penting yang perlu dijaga keberadaannya dengan baik. Meskipun begitu, membedakan berbagai jenis rempah menjadi tantangan bagi sebagian masyarakat. Hal ini disebabkan oleh kurangnya pengetahuan masyarakat tentang bentuk asli rempah, serta minimnya keterlibatan langsung dalam pengolahannya. Kesulitan ini berdampak pada pengenalan dan penggunaan rempah yang kurang optimal, baik di tingkat rumah tangga maupun industri. Untuk mengatasi tantangan ini, penelitian ini bertujuan mengembangkan sebuah sistem berbasis teknologi yang dapat membantu masyarakat mengenali berbagai jenis rempah secara akurat. Sistem yang dikembangkan menggunakan Convolutional Neural Network (CNN) dengan arsitektur VGG16, yang dirancang untuk mengidentifikasi berbagai jenis rempah-rempah secara efektif dan efisien. CNN telah terbukti sebagai metode pembelajaran mendalam yang sangat efektif dalam mengklasifikasikan objek berdasarkan ciri-ciri visualnya. Dalam penelitian ini, dataset citra rempah terdiri dari tiga puluh satu kelas, masing-masing kelas memiliki 210 citra, dengan total 6510 citra. Model CNN yang digunakan dalam penelitian ini mengimplementasikan arsitektur VGG16, yang terdiri dari beberapa lapisan konvolusi untuk mengekstraksi fitur visual dari citra, diikuti oleh lapisan fully connected untuk melakukan klasifikasi. Hasil penelitian menunjukkan bahwa model CNN yang dikembangkan berhasil mencapai akurasi tertinggi sebesar 86,66% dalam mengklasifikasikan citra-citra rempah. Akurasi ini menunjukkan bahwa model mampu mengenali berbagai jenis rempah dengan cukup baik, meskipun terdapat beberapa kelas yang masih mengalami kesulitan dalam prediksi. Pendekatan ini tidak hanya memberikan solusi modern namun juga mudah diakses untuk mengenali rempah-rempah, sehingga dapat membantu masyarakat dalam membedakan jenis-jenis rempah secara lebih efektif dan efisien.