cover
Contact Name
Bahar
Contact Email
bahararahman@gmail.com
Phone
-
Journal Mail Official
puslit.stmikbjb@gmail.com
Editorial Address
-
Location
Kota banjarmasin,
Kalimantan selatan
INDONESIA
Progresif: Jurnal Ilmiah Komputer
ISSN : 02163284     EISSN : 26850877     DOI : -
Progresif: Jurnal Ilmiah Komputer adalah Jurnal Ilmiah bidang Komputer yang diterbitkan secara periodik dua nomor dalam satu tahun, yaitu pada bulan Februari dan Agustus. Redaksi Progresif: Jurnal Ilmiah Komputer menerima Artikel hasil penelitian atau atau artikel konseptual bidang Komputer.
Arjuna Subject : -
Articles 12 Documents
Search results for , issue "Vol 18, No 1: Februari 2022" : 12 Documents clear
Penerapan Algoritma K-Means Clustering Untuk Perencanaan Kebutuhan Obat Di Klinik Citra Medika Lailil ‘ Izzah; Arief Jananto
Progresif: Jurnal Ilmiah Komputer Vol 18, No 1: Februari 2022
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (420.264 KB) | DOI: 10.35889/progresif.v18i1.769

Abstract

Abstrak. Perencanaan persediaan obat-obatan yang hanya dilakukan secara manual tanpa memperhitungkan pola kebiasaan komsumsi dalam periode waktu tertentu menyebabkan ketidakakuratan perencanaan persediaan, sehingga berdampak pada tidak terpenuhinya permintaan atau terjadinya kelebihan persediaan yang berpotensi menyebabkan kadaluarsa.  Artikel ini menguji penggunaan algoritma K-Means Clustering untuk mengelompokkan jenis obat berdasarkan parameter Harga, Kategori, Stok Awal, dan Total Pemakaian. 484 data sampel jenis obat pada Klinik Citra Medika diuji untuk menentukan 5 kelompok pemakaian obat (pemakaian Sangat Rendah, Rendah, Sedang, Tinggi, Sangat Tinggi). Masing-masing kelompok obat akan merepresentasikan prediksi jumlah order persediaan di masa mendatang berdasarkan parameter Total Pemakaian. Hasil uji faktual menunjukkan prediksi persediaan obat menggunakan algoritma K-Means Custering lebih mendekati relitas penggunaan dibandingkan dengan perencanaan yang dilakukan secara manual.Kata Kunci: Obat-obatan; Perencanaan Persediaan; Pemakaian; Algoritma K-Means ClusteringAbstract. Medicine inventory planning which is only done manually without taking into account the pattern of consumption habits in a certain period of time causes inaccuracies in inventory planning, so that it has an impact on non-fulfillment of demand or the occurrence of excess inventory which has the potential to cause expiration. This article examines the use of the K-Means Clustering algorithm to classify types of medicine based on the parameters of Price, Category, Initial Stock, and Total Usage. 484 sample data on types of medicine at the Citra Medika Clinic were tested to determine 5 groups of medicine use (very low, low, medium, high, very high use). Each medicine group will represent the predicted number of future supply orders based on the Total Usage parameter. The factual test results show that the prediction of drug supply using the K-Means Custering algorithm is closer to the reality of use compared to manual planning.Keywords: Medicines; Inventory Planning; Usage; K-Means Clustering Algorithm
Klasifikasi Covid-19 Pada Citra CT Scans Paru-Paru Menggunakan Metode Convolution Neural Network Yosefina Finsensia Riti; Stephanus Surijadarma Tandjung
Progresif: Jurnal Ilmiah Komputer Vol 18, No 1: Februari 2022
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (838.849 KB) | DOI: 10.35889/progresif.v18i1.784

Abstract

Abstrak. Salah satu cara yang dapat digunakan untuk deteksi dini Covid-19 adalah dengan pemeriksaan radiologis menggunakan CT scans paru-paru, karena gejala yang terjadi saat terinfeksi Covid-19 berupa gangguan pernapasan akut. Covid-19 sulit dibedakan dari pneumonia yang disebabkan oleh virus influeza A, virus influenza cytomegalovirus, adenovirus, respiratory syncytial virus, SARS-CoV, MERS coronavirus. Penelitian ini mengembangkan teknik analisis citra CT scans paru-paru menggunakan teknik Deep Learning, dengan menggunakan metode Convolutional Neural Network (CNN) untuk mendukung hasil analisis dari radiolog ataupun menjadi second opinion dari radiolog. Penellitian ini juga menguji kinerja metode CNN dalam melakukan klasifikasi citra CT scans paru-paru. Dataset yang digunakan terdiri dari 3216 data. Berdasarkan hasil pengujian diperoleh akurasi dengan rata-rata 100% untuk setiap epoch yang diberikan. Dari hasil pengujian dapat disimpulkan bahwa Metode CNN dapat digunakan untuk membedakan citra CT scans untuk Covid-19 dan citra CT scans normal.Kata kunci: Jaringan saraf konvolusi; Deep Learning; CT scans Paru-paru; Citra Covid-19. Abstract. One way that can be used for early detection of Covid-19 is by radiological examination using CT scans of the lungs, because the symptoms that occur when infected with Covid-19 are acute respiratory disorders. Covid-19 is difficult to distinguish from pneumonia caused by influenza A virus, influenza cytomegalovirus virus, adenovirus, respiratory syncytial virus, SARS-CoV, MERS coronavirus. This study developed an image analysis technique for CT scans of the lungs using Deep Learning techniques, using the Convolutional Neural Network (CNN) method to support the results of the analysis from the radiologists or as a second opinion from the radiologists. This study also tested the performance of the CNN method in classifying CT scans of the lungs. The dataset used consists of 3216 data. Based on the test results obtained an average accuracy of 100% for each given epoch. From the test results, it can be concluded that the CNN method can be used to distinguish CT scan images for Covid-19 and normal CT scan images.Keywords: Convolutional neural network; Deep Learning; CT scans Lungs; Image of Covid-19.
Model Sistem Penerangan Toilet Berbasis Sensor Gerak Terkendali Mikrokontroler Atmega328 Julaiha Julaiha; Budi Rahmani
Progresif: Jurnal Ilmiah Komputer Vol 18, No 1: Februari 2022
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (484.256 KB) | DOI: 10.35889/progresif.v18i1.780

Abstract

Abstrak. Energi listrik yang digunakan di sebuah instansi dan cenderung mengarah kepada pemborosan adalah hal yang serius. Salah satunya adalah di bagian toilet yang seringkali didapati pemborosan energi listrik ini karena tidak dimatikannya lampu pada saat toilet tidak digunakan. Karenanya pemborosan energi sebanding dengan jumlah biaya bulanan yang dikeluarkan oleh suatu instansi. Jika pemborosan dapat dikurangi, maka biaya ekstra yang harus dibayarpun akan dapat dikurangi pula. Penelitian ini mengembangkan algoritme yang dimulai ketika pengguna menekan push button untuk menyalakan lampu dan kemudian menghidupkan sensor gerak. Ketika ada pengguna masuk ke toilet dan terdeteksi adanya gerakan, maka otomatis lampu toilet akan terus dinyalakan. Namun jika setelah penekanan push button si pengguna tidak berada di toilet, maka dalam kurung waktu 60 detik lampu toilet akan dimatikan secara otomatis. Begitu pula jika pengguna telah keluar dari toilet maka dalam jangka waktu kurang lebih 60 detik, maka lampu toilet akan mati secara otomatis pula. Hasil pengujian menggunakan sensor gerak yang dimaksimalkan algoritmenya di sebuah toilet selama kurang lebih 2 minggu mendapati bahwa konsumsi daya listrik setelah digunakannya alat berkurang sebesar 7,08 %. Kemudian hasil pengujian perangkat menunjukkan keberhasilan deteksi sensor gerak adalah 100%.Kata Kunci: Toilet; Otomasi; Penerangan; Listrik PLN Abstract. Electrical energy used in an agency tends to lead to waste is a serious matter. One of them is in the toilet, which is often a waste of electrical energy because the lights are not turned off when the bathroom is not in use. Therefore, energy waste is proportional to the number of monthly costs incurred by an agency. If debris can be reduced, the extra costs that must be paid will also be reduced. This research develops an algorithm that starts when the user presses the push button to turn on the light and then turns on the motion sensor. When a user enters the toilet and motion are detected, the toilet light will automatically continue to be turned on. However, if the user is not in the bathroom after pressing the push button, then within 60 seconds, the toilet light will be turned off automatically. Likewise, if the user has left the toilet within approximately 60 seconds, the toilet light will turn off automatically. The test results using a motion sensor whose algorithm was maximized in a toilet for approximately two weeks found that electric power consumption after using the tool was reduced by 7.08%. Then the device test results show that the motion sensor detection success is 100%.Keywords: Toilet; Automation; lighting; PLN Electricity
Klasifikasi Penerima Program Bantuan Beras Miskin Menggunakan Algoritma Iterative Dichotomiser 3 Muhammad Fadillah Rahman; Fadilah Fadilah
Progresif: Jurnal Ilmiah Komputer Vol 18, No 1: Februari 2022
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (585.441 KB) | DOI: 10.35889/progresif.v18i1.797

Abstract

Abstrak. Penetapan penerima bantuan Beras Miskin (Raskin) yang dilakukan secara subjektif oleh petugas yang berwenang di tingkat Kelurahan/Desa diduga tidak konsisten, sebagai akibat dari keterbatasan petugas yang berwenang dalam menganalisis variabel-variabel yang menjadi prasyarat penetapan penerima, serta nilai variabel prasyarat yang memiliki kemiripan satu dengan yang lainnya. Artikel ini menguji penggunaan algoritma Iterative Dichotomiser 3 (ID3) dalam mengklasifikasi calon penerima bantuan Raskin di desa Habirau Tengah. Parameter yang digunakan dalam penetapan penerima merujuk pada Badan Pusat Statistik Daerah berupa: jenis lantai rumah, jenis dinding rumah, jenis bahan bakar, pendidikan terakhir, sumber air minum, pekerjaan, dan besarnya pendapatan. Sejumlah 30 sampel data calon penerima Raskin diuji dengan cara membandingkan luaran yang diusulkan oleh algoritma ID3 dengan hasil Analisis penerima bantuan yang semestinya. Hasil uji menunjukkan konsistensi kinerja algoritma ID3 dapat mencapai 96%, sedangkan konsistensi kinerja petugas pengambil kebijakan hanya mencapai 70%.Kata Kunci: Beras Miskin; Penerima Bantuan; Decision Tree; Iterative Dichotomiser 3 Abstract. The determination of recipients of Rice for Poor “Raskin” which is carried out subjectively by authorized officers at the Kelurahan/Village level is suspected to be inconsistent, as a result of the limitations of authorized officers in analyzing the variables that are prerequisites for determining recipients, as well as the value of the prerequisite variables that have similarities with one another. with the others. This article examines the use of the Iterative Dichotomiser 3 (ID3) algorithm in classifying potential recipients of Raskin assistance in the village of Central Habirau. The parameters used in determining recipients refer to the Central Bureau of Statistics in the form of: type of house floor, type of house wall, type of fuel, latest education, source of drinking water, occupation, and amount of income. A total of 30 data samples of prospective Raskin recipients were tested by comparing the outcomes proposed by the ID3 algorithm with the results of the analysis of appropriate beneficiaries. The test results show that the consistency of the performance of the ID3 algorithm can reach 96%, while the consistency of the performance of policy-making officers only reaches 70%.Keywords: Rice for Poor; Beneficiaries; Decision Tree; Iterative Dichotomiser 3
Analisis Employee Satisfaction Menggunakan Teknik Clustering Dan Classification Machine Learning I Ketut Adi Wirayasa; Handri Santoso
Progresif: Jurnal Ilmiah Komputer Vol 18, No 1: Februari 2022
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (411.261 KB) | DOI: 10.35889/progresif.v18i1.766

Abstract

Abstrak. Kepuasan kerja pekerja sangat berhubungan dengan pekerjaan maupun kondisi dirinya ditempat kerja. Tingkat kepuasan kerja pekerja dapat di analisis dan menjadi bahan evaluasi perusahaan dalam menjalankan bisnis untuk mencapai target yang diinginkan. Kombinasi teknik clustering dan classification merupakan algoritma machine learning yang dapat membantu bagian Sumber Daya Manusia dalam menganalisis dan prediksi tingkat kepuasan kerja pekerja di perusahaan. Teknik clustering yang digunakan dalam penelitian ini adalah KMeans dan teknik classification menggunakan algoritma classificafier dari library Pycaret. Hasil analisis dari penggunaan teknik clustering dan classification dari ke-5 model classifier yang dipilih, 3 model yaitu LightGBM, Catboost dan XGBoost menunjukkan performa yang konsiten dan menghasilkan tingkat accuracy prediksi diatas 98% dengan jumlah cluster ideal 2, ncomponent 27, waktu proses rata-rata setiap model kurang dari 2 menit setiap tahapan proses dan menggunakan K-means clustering.Kata kunci: Kepuasan pekerja; Klaster; Klasifikasi; Pembelajaran mesin Abstract. Job satisfaction of workers is closely related to their work and conditions at work. The level of job satisfaction of workers can be analyzed and become an evaluation material for companies in running a business to achieve the desired target. The combination of clustering and classification techniques is a machine learning algorithm that can assist the Human Resources department with analyzing and predicting the level of job satisfaction of workers in the company. The clustering technique used in this research is K-Means in the classification technique using a binary classification algorithm from the Pycaret library. The results analysis of the clustering and classification techniques from the five selected classifier models, three models namely LightGBM, Catboost, and XGBoost shown consistent performance and the prediction accuracy levels above 98% with the ideal number of clusters 2, n-components 27, the average of processing time each model is less than 2 minutes each stage process and using K-means clustering.Keywords: Employee Satisfaction; Clustering; Classification; Machine Learning
Analisis Dependency Injection dan Model-View-Presenter Pada Aplikasi Berbasis Android Kartarina Kartarina; Apriliansyah Apriliansyah
Progresif: Jurnal Ilmiah Komputer Vol 18, No 1: Februari 2022
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (262.661 KB) | DOI: 10.35889/progresif.v18i1.781

Abstract

Abstrak. Coupling merupakan salah satu indikator kualitas perancangan perangkat lunak terstruktur dan berorientasi objek. Coupling yang ketat akan sulit dirawat sehingga langkah awal mengendalikan Coupling yang baik adalah dengan menerapkan Design Pattern. Eksperimen penerapan Design Pattern membuktikan bahwa design pattern tidak menjamin pengkodean dapat lepas dari Design Smell. Masalah Coupling pada objek yang berkaitan dengan sumber data adalah ketika objek membutuhkan referensi objek Android Context. Android mengumumkan penggunaan Hilt sebagai standar dalam otomatisasi Dependency Injection. Penerapan MVP dapat membantu pengiriman referensi objek Android Context ke Model. Penelitian ini bertujuan menganalisis lebih lanjut untuk mengetahui hasil komparasi metrik kopling objek dari penerapan Dependency Injection secara manual dan otomatisasi pada aplikasi Android. Penelitian ini menghasilkan, otomatisasi penambahan jumlah kopling kelas pada View dan mengurangi kopling kelas pada Presenter. Selain itu, manfaat dari penerapan Dependency Injection secara otomatisasi mengurangi tanggung jawab Class pada Presenter dan menghilangkan Design Smell atau desain yang kompleks, walau begitu, penerapan Dependency Injection secara otomatisasi mempengaruhi pola MVP yang menggunakan Dependency Injection secara manual.Kata kunci: Coupling; Design Pattern; Dependency Injection; Model-View-Presenter Abstract. Coupling is one indicator of the quality for structured and object-oriented software design. Tight couplings will be difficult to maintain so the first step when controlling a good coupling is to apply a Design Pattern. Experiments on the application of Design Patterns prove that design patterns do not guarantee that coding can be separated from Design Smell. Coupling problem with objects related to data sources is that when the object requires an Android Context object reference. Android announced the use of Hilt as standard in Dependency Injection automation. Implementing MVP can help pass Android Context object references to Models. This aims to analyze further to find out the results of the comparison of object coupling metrics from the manual and automated application of Dependency Injection on Android applications. The results of the research, automatic increasing the number classes of coupling on the View and reduce class coupling on the Presenter. In addition, the benefits of implementing Dependency Injection automatically reduces class responsibility on Presenter and Design Smell or complex designs, however, automated Dependency Injection implementation affects the MVP pattern that uses Dependency Injection manually.Keywords: Coupling; Design Pattern; Dependency Injection; Model-View-Presenter
Penerapan Jaringan Saraf Tiruan Backpropagation Dalam Memprediksi Nilai Tukar Petani Wahyudi Ariannor; Muhammad Fajar Razatillah
Progresif: Jurnal Ilmiah Komputer Vol 18, No 1: Februari 2022
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (559.647 KB) | DOI: 10.35889/progresif.v18i1.798

Abstract

Abstrak. Nilai Tukar Petani (NTP) merupakan alat untuk mengukur kemampuan tukar produk yang dijual petani dengan produk yang dibutuhkan petani dalam produksi dan konsumsi rumah tangga. NTP khususnya pada subsektor Tanaman Pangan, seringkali berfluktuasi setiap bulannya, sehingga dipandang perlu untuk diprediksi dengan tepat, agar dapat membantu pemerintah dan pihak terkait mempersiapkan tindakan-tindakan pencegahan seperti menjaga kestabilan harga produksi pertanian dan mengendalikan harga-harga biaya usaha pertanian. Paper ini menguji penerapan Jaringan Syaraf Tiruan (JST) Backpropagation untuk memprediksi NPT pada sub sektor Tanaman Pangan di Provinsi Kalimantan Selatan. Pengujian dilakukan menggunakan 84 data latih dan 36 data uji. Data masukan berupa data deret waktu NPT subsektor Pangan Provinsi Kalimantan Selatan selama 12 bulan sebelumnya untuk memprediksi NPT setiap bulannya selama periode 12 bulan mendatang. Hasil uji menunjukkan nilai presentase error (MAPE) 0,97, atau diperoleh persentase akurasi prediksi sebesar 99,03 %.Kata Kunci: Prediksi; Nilai Tukar Petani; Subsektor Tanaman Pangan; Jaringan Syaraf tiruan; Backpropagation Abstract. Farmer's Exchange Rate  is a tool to measure the ability to exchange products sold by farmers with products needed by farmers in household production and consumption. Farmer's Exchange Rate, especially in the Food Crops sub-sector, often fluctuates every month, so it is deemed necessary to predict accurately, in order to assist the government and related parties in preparing preventive measures such as maintaining stability in agricultural production prices and controlling agricultural costs. This paper examines the application of Backpropagation Artificial Neural Networks to predict Farmer's Exchange Rate in the Food Crops sub-sector in South Kalimantan Province. The test was carried out using 84 training data and 36 test data. The input data is in the form of time series data for the Farmer's Exchange Rate of the Food sub-sector of South Kalimantan Province for the previous 12 months to predict the Farmer's Exchange Rate every month for the next 12 month period. The test results show the percentage error value (MAPE) is 0.97, or the percentage of prediction accuracy is 99.03%.Keywords: Prediction; Farmer's Exchange Rate; Food Crops Subsector; Artificial Neural Networks; Backpropagation
Analisis Sistem Seleksi Penerima Beasiswa Kurang Mampu Menggunakan Metode SAW Dan AHP (Studi Kasus: SD-IT Imam Syafii Sampit) Muhammad Yunus; Lukman Bachtiar
Progresif: Jurnal Ilmiah Komputer Vol 18, No 1: Februari 2022
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (664.218 KB) | DOI: 10.35889/progresif.v18i1.767

Abstract

Abstrak. Penetapan penerima beasiswa yang dilakukan dengan cara analisis langsung oleh manajemen Sekolah Dasar-IT Imam Syafii Sampit tanpa menggunakan teknologi komputasi dikhawatirkan akan menghasilkan keputusan yang tidak konsisten, terutama karena data-data calon penerima beasiswa (khususnya data kualitatif) mempunyai kemiripan antara satu dengan yang lainnya, dengan jumlah parameter yang cukup kompleks. Paper ini menyajikan perbandingan akurasi kinerja model Analitycal Hierarchy Process (AHP) murni dan Model Simple Additive Weighting (SAW) berbasis AHP dalam memprioritaskan calon penerima beasiswa, dengan asumsi patokan akurasi adalah Kebijakan Manajemen Sekolah. Lima sampel data calon penerima beasiswa, dengan empat parameter yang terdiri atas: status keberadaan orang tua, penghasilan penanggung keluarga, jumlah bersaudara, pekerjaan penanggung keluarga, diuji untuk menentukan model mana yang menghasilkan keputusan yang paling mendekati Kebijakan Manajemen Sekolah. Hasil uji menunjukkan model SAW memberikan rekomendasi yang lebih mendekati keputusan Manajemen Sekolah dari pada Model AHP murni.   Kata kunci: Penerima beasiswa; Prioritas; Simple Additive Weighting (SAW); Analitycal Hierarchy Process (AHP)  Abstract. The determination of scholarship recipients carried out using direct analysis techniques by the management of the Imam Syafii Sampit Integrated Islamic Elementary School without using computing technology is feared to result in inconsistent decisions, especially because the data on prospective scholarship recipients (especially qualitative data) have similarities between one and another. others, with a fairly complex number of parameters. This paper presents a comparison of the accuracy of the performance of the pure Analytical Hierarchy Process (AHP) model and the AHP-based Simple Additive Weighting (SAW) model in prioritizing scholarship recipients, assuming the accuracy benchmark is School Management Policy. Five data samples of prospective scholarship recipients, with four parameters consisting of: parental status, income of the family guarantor, number of siblings, occupation of the family guarantor, were tested to determine which model resulted in the closest decision to School Management Policy. The test results show that the SAW model provides recommendations that are closer to school management decisions than the pure AHP model.Keywords: Scholarship recipients; Priority; Simple Additive Weighting (SAW); Analytical Hierarchy Process (AHP)
Model Atap Jemuran Gabah Otomatis Berbasis Mikrokontroler Atmega328 Muhammad Ditie Supiannor; Fitriyadi Fitriyadi; Nidia Rosmawanti
Progresif: Jurnal Ilmiah Komputer Vol 18, No 1: Februari 2022
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (538.158 KB) | DOI: 10.35889/progresif.v18i1.782

Abstract

Abstrak. Proses menjemur gabah secara tradisional di bawah sinar matahari langsung oleh petani masih dianggap kurang efektif, karena harus terus mendapatkan pengawasan agar terhindar dari berbagai masalah seperti guyuran air hujan yang dapat terjadi secara tiba-tiba. Makalah ini menyajikan sebuah model atap jemuran otomatis terkendali mikrokontroler yang dapat menutup dan membuka atap jemuran secara otomatis dengan memanfaatkan sensor hujan dan sensor cahaya. Hasil uji menunjukkan ketika sensor hujan terkena air dalam intensitas tertentu, atap jemuran akan menutup secara otomatis dengan bantuan motor servo dan akan membuka pada keadaan sebaliknya. Demikian juga ketika sensor cahaya mendapatkan sinar cahaya dalam intensitas tertentu akan membuka jemuran, dan akan menutup kembali pada keadaan yang sebaliknya.Kata Kunci: Atap jemuran otomatis; Sensor LDR; Sensor Hujan; Atmega328         Abstract. The process of drying grain traditionally under direct sunlight by farmers is still considered ineffective, because it must continue to get supervision to avoid various problems such as rain that can occur suddenly. This paper presents a microcontroller-controlled automatic clothesline model that can close and open the clothesline automatically by utilizing water sensors and light sensors. The test results show that when the rain sensor is exposed to water in a certain intensity, the roof of the clothesline will close automatically with the help of a servo motor and will open in the opposite situation. Likewise, when the light sensor gets a ray of light in a certain intensity it will open the clothesline, and will close it again in the opposite situation.Keywords: Automatic clothesline; LDR Sensor; Rain Sensor; Atmega328
Implementasi Neural Network Untuk Prediksi Penjualan Produk (Studi Kasus Penjualan Siomay) Agung Firmansyah; Mutaqin Akbar
Progresif: Jurnal Ilmiah Komputer Vol 18, No 1: Februari 2022
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (940.825 KB) | DOI: 10.35889/progresif.v18i1.808

Abstract

Abstrak. Ketepatan prediksi produksi sangat diperlukan dalam usaha penjualan produk, khususnya produk makanan yang bahan bakunya memiliki umur simpan yang pendek. Tulisan ini bertujuan menyajikan model aplikasi sistem berbasis algoritma Neural Network untuk memprediksi jumlah penjualan Siomay di masa datang, sebagai acuan mempersiapkan bahan baku dengan tepat. Prediksi menggunakan data historis sebagai data pelatihan sistem. Uji coba Neural Network menggunakan 357 data historis penjualan, 7 data awal digunakan sebagai referensi, 315 data sebagai data latih, dan 35 data terakhir sebagai data uji. Variabel masukan neural network berupa rerata penjualan 7 hari sebelumnya, nilai penjualan 1 hingga 3 hari sebelumnya, akhir bulan, identifikasi hari diskon/benefit, dan akhir pekan. Pelatihan neural network dilakukan dengan model 7-6-1, 7-7-1 dan 7-8-1 dengan laju pelatihan [0.05, 0.1, 0.5, 1, 2 dan 3]. Dari hasil pengujian menggunakan 35 data uji pada ketiga model didapatkan nilai kesalahan terkecil pada model 7-7-1 dengan Mean Square Error (MSE) 1879.8 dan tingkat akurasi prediksi sebesar 90.8%.Kata kunci: Jaringan saraf tiruan; Data latih; Data uji; Tingkat akurasi; Mean Square Error Abstract. The accuracy of production predictions is very necessary in the business of selling products, especially food products whose raw materials have a short shelf life. This paper aims to present a system application model based on the Neural Network algorithm to predict the number of Siomay sales in the future, as a reference for preparing raw materials appropriately. Prediction uses historical data as system training data. The Neural Network trial uses 357 historical sales data, 7 initial data are used as references, 315 data as training data, and the last 35 data as test data. The input variables for the neural network are the average sales of the previous 7 days, the value of sales from the previous 1 to 3 days, the end of the month, identification of discount/benefit days, and weekends. Neural network training was carried out using 7-6-1, 7-7-1 and 7-8-1 models with training rates [0.05, 0.1, 0.5, 1, 2 and 3]. From the test results using 35 test data on the three models, the smallest error value is obtained in the 7-7-1 model with a Mean Square Error (MSE) of 1879.8 and a prediction accuracy rate of 90.8%.Keywords: Artificial neural network; Training data; Test data; Accuracy level; Mean Square Error

Page 1 of 2 | Total Record : 12