Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal JUTI: Jurnal Ilmiah Teknologi Informasi Jurnal Media Informatika
Chastine Fatichah
Institut Teknologi Surabaya
Computer Science & IT Dentistry Education Library & Information Science

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

Found 2 Documents
Search

 1 
COAL DEMAND PREDICTION MODEL USING MACHINE LEARNING METHODS Kristina Febriani; Chastine Fatichah
JUTI: Jurnal Ilmiah Teknologi Informasi Vol. 22, No. 1, January 2024
Publisher : Department of Informatics, Institut Teknologi Sepuluh Nopember

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j24068535.v22i1.a1209

Abstract

Forecasting coal demand needs is important to minimize operational costs. Forecasting will help companies determine the right amount and time to order coal from suppliers. Research on coal forecasting in Indonesia generally uses a statistical approach and has not analyzed the performance of other forecasting models. This research aims to forecast coal demand using statistical and machine learning methods, namely ARIMA, Exponential Smoothing, Support Vector Regression (SVR), Recurrent Neural Network (RNN) and Long Short-Term Memory (LSTM). The evaluation methods used to analyze forecasting performance are Mean Absolute Error (MAE) and Mean Absolute Percentage Error (MAPE). The new coal demand data used is 1097 daily data taken from January 2021 to December 2022 in the form of a timeseries and is stationary which has been tested using Augmented Dickey-Fuller (ADF). The test results show that the ARIMA model has MAPE value of 5.11%, MAE 2.91 and R-Square 0.925, Exponential Smoothing MAPE 1.07%, MAE 0.55 and R-Square 0.997, SVR with MAPE value of 5.48%, MAE 3.16 and R-Square 0.88, RNN with MAPE value of 5.19%, MAE 2.91 and R-Square 0.896, LSTM with MAPE value of 4.83%, MAE 2.84 and R-Square 0.897. From the test results it was found that exponential smoothing had the smallest error values among the other models. With forecasting results that have a small error rate, it can help management in making decisions to minimize costs in coal ordering and warehouse management.
Perbandingan Kinerja Algoritma YOLOv5 dan YOLOv8 Pada Deteksi Kecurangan Ujian Berbasis Foto Whika Cahyo; Chastine Fatichah; Titik Wihayanti
Jurnal Media Informatika Vol. 7 No. 1 (2026): Edisi Januari - Februari
Publisher : Lembaga Dongan Dosen

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

Abstract

Pandemi Covid-19 dan peralihan pembelajaran ke sistem daring menciptakan tantangan baru dalam pengawasan ujian. Sebuah studi sistematis menemukan bahwa tingkat kecurangan dalam ujian daring melonjak hingga 55% selama pandemi sehingga hal ini mendorong dibutuhkannya sistem pengawasan ujian yang adaptif dan cerdas melalui pemanfaatan teknologi deteksi objek menggunakan YOLO. Sejumlah penelitian terdahulu telah mengimplementasikan YOLOv5 dan YOLOv8 dalam sistem pengawasan ujian dan melaporkan performa yang tinggi pada berbagai skenario deteksi kecurangan. Namun hingga saat ini masih terbatas penelitian yang secara langsung membandingkan kinerja dua algoritma ini untuk konteks kecurangan ujian sehingga klaim keunggulan masing-masing belum sepenuhnya didukung oleh analisis komparatif yang terstandarisasi. Penelitian ini bertujuan untuk melakukan analisis perbandingan kinerja kinerja algoritma YOLOv5 dan YOLOv8 dalam mendeteksi indikasi kecurangan ujian berbasis foto. Perbandingannya didasarkan pada hasil metrik evaluasi kuantitatif yaitu precision, recall, dan mean Average Precision (mAP) setelah kedua model diuji dengan dataset dan jumlah epoch yang sama. Hasil penelitian menunjukan kedua model memliki perbedaan karakteristik kinerja, di mana YOLOv5 unggul pada nilai precision dan mAP, sehingga lebih akurat dan sesuai untuk sistem pengawasan ujian dengan tingkat kesalahan deteksi rendah, sementara model YOLOv8 memiliki nilai recall lebih tinggi, khususnya pada kelas cheating, yang menunjukkan sensitivitas deteksi lebih baik dan lebih sesuai untuk sistem proctoring yang menekankan kelengkapan deteksi kecurangan. Penelitian ini memberikan kontribusi berupa dasar rekomendasi implementatif bagi pengembangan sistem proctoring otomatis sesuai kebutuhan operasional, apakah menekankan minimisasi kesalahan deteksi atau kelengkapan identifikasi kecurangan
Co-Authors Kristina Febriani Titik Wihayanti Whika Cahyo