Article Per Year (5 Year)
p-Index From 2021 - 2026
0.562
P-Index
This Author published in this journals
All Journal Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi Progresif: Jurnal Ilmiah Komputer
Mailoa, Evangs
Universitas Kristen Satya Wacana
Computer Science & IT Control & Systems Engineering

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Implementasi Time Series Dalam Prediksi Jumlah Keberangkatan Penumpang di Pelabuhan Tanjung Perak Fernando, Zuriel; Mailoa, Evangs
Jutisi : Jurnal Ilmiah Teknik Informatika dan Sistem Informasi Vol 13, No 2: Agustus 2024
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/jutisi.v13i2.1998

Abstract

Tanjung Perak Port has an important position in the transportation network, this causes Tanjung Perak Port to have busy activities and operations. The need for the number of passenger seats is very important to support passenger comfort. To overcome this problem, the port of Tanjung Perak requires predictions of the number of passengers who will depart. This research aims to predict the number of passenger departures from Tanjung Perak Port for a period from January 2024 to December 2024 by analyzing previous data from January 2006 to December 2023. This research applies the Time Series Triple Exponential Smoothing (Holt-Winters) method. Multiplicative model in predicting the number of passengers departing on domestic cruises at Tanjung Perak Port, Surabaya. The results of this research predict that there will be an increase in the number of passengers departing from Tanjung Perak Port in July 2024 by 60,042 people and in August 2024 by 68,210 people, and a decrease in the number of passengers in April 2024 by 33,921 people.Keyword: Prediction; Time Series; Marine Transportation AbstrakPelabuhan Tanjung Perak memiliki posisi penting dalam jaringan transportasi, hal ini menyebabkan Pelabuhan Tanjung Perak memiliki aktivitas dan operasional yang padat. Kebutuhan jumlah kursi penumpang sangat penting untuk menunjang kenyamanan para penumpang. Untuk mengatasi permasalahan tersebut, pelabuhan Tanjung Perak membutuhkan prediksi jumlah penumpang yang akan melakukan keberangkatan. Penelitian ini bertujuan untuk melakukan prediksi jumlah keberangkatan penumpang dari Pelabuhan Tanjung Perak dengan jangka waktu dari bulan Januari 2024 hingga bulan Desember 2024 dengan melakukan analisis data sebelumnya pada Januari 2006 sampai Desember 2023. Penelitian ini menerapkan metode Time Series Triple Exponential Smoothing (Holt-Winters) model Multiplikatif dalam memprediksi banyak penumpang yang berangkat pada pelayaran domestik di Pelabuhan Tanjung Perak, Surabaya. Hasil penelitian ini memperoleh prediksi mengalami kenaikan jumlah penumpang yang berangkat dari Pelabuhan Tanjung Perak di bulan Juli 2024 sebanyak 60.042 orang dan bulan Agustus 2024 sebanyak 68.210 orang, dan mengalami penurunan jumlah penumpang pada bulan April 2024 sebanyak 33.921 orang. 
Peramalan Jumlah Kedatangan Wisatawan Mancanegara dengan Menggunakan Model ARIMA Cristanto, Mordekhai; Mailoa, Evangs
Jutisi : Jurnal Ilmiah Teknik Informatika dan Sistem Informasi Vol 13, No 2: Agustus 2024
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/jutisi.v13i2.1979

Abstract

Tourism is the main source of economic development in Bali Province. The Ministry of Tourism and Creative Economy targets 7 million tourists in 2024. The inaccuracy of tourist arrival forecasting processes has negatively impacted business growth and tourism revenue. Therefore, it is necessary to identify factors related to the arrival of foreign tourists to Bali to improve forecasting accuracy and stimulate economic growth. This research is conducted to forecast the number of foreign tourists arriving in 2024, aiming to assist in meeting the established targets. The forecast is performed using the Time Series ARIMA model with variables processed from historical data from 2009 to 2023. Through the ARIMA model, the forecasted number of foreign tourists arriving at Ngurah Rai Airport is 6,243,210, with the smallest Mean Square Error (MSE) being 1899.60. This underscores the need for innovation in tourism promotion and development of tourist destinations in Bali.Keywords: Prediction; Time Series; Bali Tourism; ARIMA. AbstrakPariwisata merupakan sumber utama pembangunan perekonomian di Provinsi Bali. Kementerian Pariwisata dan Ekonomi Kreatif menargetkan 7 juta wisatawan pada tahun 2024. Ketidaktepatan proses peramalan kedatangan wisatawan selama ini telah berdampak negatif terhadap pertumbuhan bisnis dan pendapatan dari pariwisata. Oleh karena itu, perlu dilakukan identifikasi faktor-faktor yang berhubungan dengan kedatangan wisatawan asing ke Bali untuk meningkatkan ketepatan peramalan dan mendorong pertumbuhan ekonomi. Penelitian ini dilakukan untuk meramalkan jumlah wisatawan asing yang datang pada tahun 2024, guna membantu dalam memenuhi target yang telah ditetapkan. Peramalan dilakukan dengan menggunakan metode Time Series model ARIMA dengan variabel yang diproses meliputi data historis tahun 2009 sampai dengan tahun 2023. Melalui model ARIMA hasil peramalan kedatangan wisatawan asing khususnya di Bandara Ngurah Rai didapatkan jumlah 6.243.210 wisatawan dengan nilai Mean Square Error (MSE) terkecil adalah 1899,60, maka diperlukannya inovasi pada bidang promosi pariwisata dan diperlukan pengembangan destinasi wisata di Bali. 
Komparasi Kinerja Algoritma Mechine Learning Untuk Mengklasifikasi Penyakit Kanker Payudara Pakan, Raynaldo; Mailoa, Evangs
Progresif: Jurnal Ilmiah Komputer Vol 20, No 1: Februari 2024
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v20i1.1812

Abstract

Breast cancer is a malignant neoplasm that originates from the parenchyma and produces a frequency of death that is a major cause of concern in the world. Breast cancer has a very significant impact on sufferers, including physical changes, emotional stress, and even death. In general, this disease is divided into two types, namely benign and malignant, therefore this research aims to identify how benign and malignant breast cancer is. This research processes data related to comparing the performance of Neural Network, Naive Bayes, and Decision Tree algorithms. The parameters analyzed include accuracy, precision and recall values to evaluate the performance of the three algorithms in the context of the analysis carried out. The results of the comparison of these three algorithms are that the Naive Bayes algorithm is more accurate for use in classifying breast cancer compared to the Neural Network and Decision Tree algorithms. The Naive Bayes algorithm has a higher accuracy rate of 96.4%, 96.7%, 96.6%, and 96.6%.Keywords: Breast cancer; Neural Network; Naive Bayes; Decesion Tree; Comparison AbstrakKanker payudara adalah suatu penyakit neoplasma ganas yang berasal dari parenchyma dan menghasilkan frekuensi kematian yang menjadi penyebab utama kekhawatiran di dunia. Kanker payudara membawa dampak yang sangat signifikan terhadap penderitanya termasuk perubahan fisik, stres emosional,sampai pada kematian. Secara umum Penyakit ini dibedakan menjadi dua macam yaitu jinak (benign) dan ganas (malignant), oleh karena itu penelitian ini bertujuan untuk mengidentifikasi seberapa jinak dan ganasnya kanker payudara. Penelitian ini memproses data terkait dengan perbandingan kinerja algoritma Neural Network, Naive Bayes, dan Decision Tree. Parameter-parameter yang dianalisis mencakup nilai keakuratan, presisi, dan recall untuk mengevaluasi performa ketiga algoritma dalam konteks analisis yang dilakukan. Adapun hasil perbandingan dari ketiga algoritma ini adalah Algoritma Naive Bayes lebih akurat untuk digunakan dalam melakukan klasifikasi kanker payudara dibandingkan dengan algoritma Neural Network dan Decision Tree. Algoritma Naive Bayes memiliki tingkat akurasi yang lebih tinggi sebanyak 96,4%, 96,7%, 96,6%, dan 96,6%. Kata Kunci : Kanker Payudara; Neural Network; Naive Bayes; Decesion Tree; Perbandingan
Co-Authors Cristanto, Mordekhai Fernando, Zuriel Pakan, Raynaldo