Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Journal of Artificial Intelligence and Digital Business
Sasono, Damar Surya
Unknown Affiliation
Computer Science & IT Economics, Econometrics & Finance Electrical & Electronics Engineering Engineering

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

Found 2 Documents
Search

 1 
Implementasi Metode Multi Attribute Utility Theory Penerima Bantuan Rumah Tidak Layak Huni Que, Meirina Diah Setiawati; Hidayat, Muhammad Ali Nur; Ciptaningrum, Wahyu; Sasono, Damar Surya; Ndala, Stefanus; Nurhayati, Siti; Tonggiroh, Mursalim
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 4 No. 1 (2025): Februari - April
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v4i1.1977

Abstract

Kabupaten Puncak merupakan salah satu daerah yang memiliki persentase penduduk miskin yang tinggi, sehingga menyebabkan kebutuhan dasar mereka belum terpenuhi, salah satunya adalah perumahan yang layak huni. Penduduk Kabupaten Puncak masih mendiami rumah honai atau rumah adat Papua yang terbuat dari kayu dan beratap rumbia, dan hanya sebagian kecil yang mendiami rumah kayu beratap seng dan dihuni oleh lebih dari satu keluarga. Program bantuan Rumah Tidak Layak Huni (RTLH) telah dilaksanakan oleh Pemerintah Kabupaten Puncak. Untuk mengatasi permasalahan tersebut, penentuan calon penerima bantuan rumah tidak layak huni dilakukan secara manual, yaitu ditentukan berdasarkan rekomendasi dari desa atau kecamatan sehingga penetapannya tidak tepat sasaran. Untuk mengatasi permasalahan tersebut, diperlukan suatu metode yaitu Metode Multi-Attribute Utility Theory (MAUT). Metode MAUT digunakan untuk mencari jumlah bobot nilai yang sama pada setiap utilitas di setiap atribut, sehingga menghasilkan rekomendasi calon penerima Rumah Tidak Layak Huni (RTL) yang tepat sasaran berdasarkan kriteria.
Perbandingan Efektivitas Arsitektur CNN Pada Sistem Klasifikasi Kelelahan Pada Wajah Pengemudi Hidayat, Muhammad Ali Nur; Iriyanti, Adinda Sofia; Hakim, Jamaludin; Ndala, Stefanus; Sasono, Damar Surya
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 4 No. 4 (2026): November - January
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v4i4.6937

Abstract

Kondisi kelelahan pada pengemudi berperan signifikan dalam meningkatkan risiko kecelakaan lalu lintas karena berdampak langsung pada penurunan tingkat konsentrasi serta keterlambatan respons terhadap situasi di jalan. Dengan demikian, pengembangan sistem klasifikasi kelelahan berbasis citra wajah yang mampu melakukan deteksi secara otomatis dan memiliki tingkat keandalan tinggi menjadi kebutuhan yang penting. Penelitian ini bertujuan membandingkan kinerja empat arsitektur Convolutional Neural Network (CNN), yaitu VGG16, ResNet50, MobileNetV2, dan InceptionV3, dalam mengklasifikasikan kelelahan wajah pengemudi. Dataset penelitian ini mencakup sebanyak 2.000 citra wajah yang bersumber dari platform Kaggle, yang selanjutnya melalui tahap praproses meliputi penyesuaian ukuran citra, normalisasi nilai piksel, serta penerapan teknik augmentasi data. Seluruh model dilatih selama 35 epoch dengan memanfaatkan bobot awal pretrained ImageNet. Evaluasi performa dilakukan menggunakan metrik training accuracy, training loss, validation accuracy, dan validation loss. Hasil pengujian menunjukkan bahwa ResNet50 dan MobileNetV2 mencapai performa terbaik dengan training dan validation accuracy sebesar 100% serta validation loss yang rendah, masing-masing 0,0301 dan 0,0309. Sementara itu, VGG16 memperoleh training accuracy 95,82% dan validation accuracy 93,03% dengan validation loss 0,1511, sedangkan InceptionV3 mencapai training accuracy 98,57% dan validation accuracy 95,73% dengan validation loss yang relatif lebih tinggi. Hasil ini menunjukkan bahwa meskipun arsitektur CNN yang kompleks mampu menghasilkan akurasi tinggi, model ringan seperti MobileNetV2 lebih optimal untuk implementasi sistem deteksi kelelahan pengemudi berbasis real-time karena efisiensi komputasinya.
Co-Authors Ciptaningrum, Wahyu Hakim, Jamaludin Hidayat, Muhammad Ali Nur Iriyanti, Adinda Sofia Ndala, Stefanus Que, Meirina Diah Setiawati Siti Nurhayati Tonggiroh, Mursalim