Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal JIKSI (Jurnal Ilmu Komputer dan Sistem Informasi)
Christabella Jocelynne Chandra
Unknown Affiliation
Computer Science & IT Mathematics Other

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

Found 2 Documents
Search

 1 
Indonesia Christabella Jocelynne Chandra; Carlouis Fernando Hariyadi; Novandry Aprilian; Lekrey Jacob Jerel Laipiopa
Jurnal Ilmu Komputer dan Sistem Informasi Vol. 14 No. 1 (2026): Jurnal Ilmu Komputer dan Sistem Informasi
Publisher : Fakultas Teknologi Informasi Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/csmqwt31

Abstract

Kecelakaan lalu lintas tetap menjadi perhatian publik yang menonjol, dipengaruhi oleh kondisi sosial-ekonomi maupun lingkungan seperti cuaca. Studi ini bertujuan untuk memprediksi jumlah kecelakaan lalu lintas di Polandia berdasarkan faktor cuaca seperti kelembapan, suhu, dan curah hujan, serta variabel sosial-ekonomi seperti kepadatan penduduk, jumlah mobil penumpang, dan kepadatan jalan beraspal. Tiga algoritma ensemble learning, yaitu XGBoost, CatBoost, dan Random Forest, digunakan untuk mengevaluasi kinerja prediksi masing-masing. Dataset dibagi menggunakan Time Series Cross Validation, dan akurasi model dievaluasi menggunakan Mean Squared Error (MSE), Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), serta koefisien determinasi (R²). Hasil penelitian menunjukkan bahwa ketiga model memiliki performa yang baik, dengan Random Forest menghasilkan kinerja terbaik, diikuti oleh XGBoost dan CatBoost.
Indonesia Stefi Lauren; Kent Dylan Sanjaya; Steven; Christabella Jocelynne Chandra; Angela Chow; Ravelino Radissey
Jurnal Ilmu Komputer dan Sistem Informasi Vol. 14 No. 1 (2026): Jurnal Ilmu Komputer dan Sistem Informasi
Publisher : Fakultas Teknologi Informasi Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/7ghfcn35

Abstract

Sistem self-checkout menawarkan solusi inovatif untuk mengurangi antrean dan biaya operasional di sektor ritel. Dengan memanfaatkan deep learning, sistem ini memungkinkan identifikasi produk secara otomatis tanpa interaksi kasir, sehingga meningkatkan efisiensi dan kenyamanan pelanggan. Penelitian ini mengusulkan sistem self-checkout menggunakan model EfficientDet, yaitu metode deteksi objek yang dikenal memiliki keseimbangan antara akurasi dan efisiensi komputasi. Dataset yang terdiri atas 10 jenis produk makanan dan minuman dikumpulkan serta digunakan untuk pelatihan, validasi, dan pengujian. Model dilatih dengan variasi batch size dan epoch untuk menentukan konfigurasi terbaik. Hasil optimal diperoleh pada batch size 16 dan 800 epoch, dengan akurasi pelatihan sebesar 97% dan akurasi validasi sebesar 99,79%. Kinerja sistem kemudian dievaluasi melalui tiga skenario pengujian. Pada citra dengan satu produk, sistem mencapai akurasi deteksi 100% dan akurasi pengenalan 92%. Pada citra dengan tiga produk, akurasi deteksi dan pengenalan masing-masing mencapai 72%, sedangkan pada lima produk mencapai 42% dan 30%. Hasil ini menunjukkan bahwa EfficientDet layak digunakan dalam pengembangan sistem self-checkout yang efisien dan praktis, sekaligus menyoroti tantangan dalam deteksi multiobjek.
Co-Authors Angela Chow Carlouis Fernando Hariyadi Kent Dylan Sanjaya Lekrey Jacob Jerel Laipiopa Novandry Aprilian Ravelino Radissey Stefi Lauren Steven