Random - JURIS - Juru Riset - Kompilasi Jurnal Akademik Indonesia

Implementasi Konsep Smart Aquaculture Berbasis IoT dalam Monitoring dan Otomatisasi Tambak Udang

2026-09-06T22:35:05+07:00

#calendar - Implementasi Konsep Smart Aquaculture Berbasis IoT dalam Monitoring dan Otomatisasi Tambak Udang: Penelitian lanjutan dapat fokus pada pengembangan sistem prediksi kualitas air menggunakan algoritma AI berbasis data historis untuk meningkatkan respons otomatis. Selain itu, perlu dikaji integrasi sumber energi terbarukan seperti panel surya untuk mendukung operasional sistem IoT di daerah terpencil. Terakhir, penelitian dapat diperluas untuk menguji penerapan konsep smart aquaculture pada budidaya ikan air tawar atau laut dengan kondisi lingkungan yang berbeda, serta mengoptimalkan penggunaan sensor biodegradable untuk mengurangi dampak lingkungan dari perangkat IoT..
Penerapan teknologi Internet of Things (IoT) dalam sistem budidaya tambak memberikan dampak yang signifikan terhadap peningkatan efisiensi operasional dan stabilitas kualitas lingkungan perairan.Melalui integrasi sensor kualitas air, mikrokontroler, serta sistem monitoring berbasis dashboard, petambak dapat memantau kondisi lingkungan tambak secara real-time.Teknologi IoT juga memungkinkan pengendalian perangkat seperti aerator dan sistem pemberian pakan secara otomatis sesuai kondisi aktual tambak.Hasil analisis menunjukkan bahwa penerapan teknologi IoT mampu meningkatkan stabilitas kualitas air, mengurangi konsumsi energi dan penggunaan pakan, serta meningkatkan survival rate organisme budidaya
Budidaya perikanan memerlukan pengelolaan kualitas air yang optimal untuk menjaga keberlangsungan hidup organisme budidaya. Penelitian ini bertujuan mengkaji penerapan konsep Smart Aquaculture berbasis Internet of Things (IoT) dalam sistem monitoring kualitas air dan otomatisasi tambak udang. Metode penelitian menggunakan pendekatan kualitatif deskriptif melalui studi literatur dari berbagai jurnal dan sumber ilmiah terkait teknologi IoT pada akuakultur. Hasil kajian menunjukkan bahwa integrasi sensor pH, suhu, salinitas, dan dissolved oxygen mampu memantau kondisi air secara real-time serta mengendalikan aerator dan sistem pemberian pakan secara otomatis. Penerapan teknologi ini terbukti meningkatkan efisiensi energi, stabilitas kualitas air, serta produktivitas budidaya tambak secara berkelanjutan.
Kunjungi calendar untuk informasi lainnya.

Perancangan Aplikasi Panci Emak sebagai Layanan Pemesanan Makanan Berbasis Perspektif Pengguna

2026-09-06T22:19:22+07:00

#calendar - Perancangan Aplikasi Panci Emak sebagai Layanan Pemesanan Makanan Berbasis Perspektif Pengguna: Penelitian lanjutan dapat mengkaji pengaruh penggunaan AI dalam memprediksi preferensi pengguna berdasarkan data historis. Selain itu, studi tentang integrasi fitur sosial seperti rekomendasi berbasis komunitas dapat dikembangkan untuk meningkatkan keterlibatan pengguna. Terakhir, analisis perbandingan antara desain antarmuka yang berbasis Kano dengan metode tradisional dapat dilakukan untuk mengevaluasi efisiensi dan kepuasan pengguna secara lebih mendalam..
Penelitian ini menunjukkan bahwa fitur dengan kategori Attractive memiliki dampak signifikan terhadap kepuasan pengguna.Desain antarmuka yang fokus pada kemudahan navigasi dan keseragaman visual meningkatkan pengalaman pengguna.Rekomendasi untuk pengembangan lebih lanjut melibatkan pengujian langsung pada pengguna nyata dan penerapan desain antarmuka secara real-time untuk mengevaluasi efektivitasnya
Penelitian ini bertujuan untuk memahami kebutuhan pengguna dan merancang antarmuka aplikasi pesan makanan "Panci Emak" dengan mempertimbangkan sudut pandang pengguna. Metode yang digunakan adalah Model Kano untuk menentukan fitur yang paling diutamakan berdasarkan tingkat kepuasan pengguna melalui kuesioner yang disebarkan kepada 24 responden. Hasil penyebaran kuesioner Kano mengidentifikasi fitur yang masuk dalam kategori Attractive (menarik) meliputi informasi kalori (15 responden), air putih gratis setiap pembelian (12 responden), dan paket makanan rentang harga (9 responden). Sementara itu, fitur yang masuk kategori Indifferent (biasa saja atau bukan prioritas) adalah layanan pick up (20 responden) dan pengingat...
Kunjungi calendar untuk informasi lainnya.

Analisis Kepuasan Fitur Menggunakan Model Kano Untuk Optimalisasi Antarmuka Pengguna dan Proses Bisnis Pada Layanan Hadiah Digital

2026-09-06T21:44:36+07:00

#calendar - Analisis Kepuasan Fitur Menggunakan Model Kano Untuk Optimalisasi Antarmuka Pengguna dan Proses Bisnis Pada Layanan Hadiah Digital: Penelitian lanjutan dapat fokus pada tiga aspek utama. Pertama, mengintegrasikan sistem pelacakan pengiriman berbasis peta digital (Smart Delivery Mapping) untuk memberikan visualisasi real-time yang meningkatkan kepercayaan pengguna. Kedua, mengembangkan model langganan dan pengingat acara (Smart Gifting Subscription) untuk memfasilitasi pemberian hadiah berkala seperti ulang tahun atau anniversary, sekaligus menciptakan pendapatan berkelanjutan bagi platform. Ketiga, memperluas aksesibilitas dengan menambahkan fitur seperti mode gelap (Dark Mode), penyesuaian ukuran teks, dan rekomendasi hadiah berbasis preferensi pengguna, sehingga menjangkau berbagai kelompok pengguna dengan kebutuhan visual dan perilaku berbeda..
Salah satu permasalahan utama pengguna pada aplikasi gift online adalah ketidakjelasan harga akhir, termasuk biaya pengemasan, ongkos kirim, dan layanan tambahan.Melalui implementasi fitur Rincian Pesanan Terperinci yang menampilkan pemisahan harga produk, biaya pengiriman, dan biaya tambahan secara eksplisit, Giventy berhasil memenuhi kebutuhan dasar pengguna (Must-be).Transparansi ini berperan penting dalam membangun kepercayaan pengguna serta meminimalkan potensi persepsi negatif terhadap transaksi digital.Antarmuka Pemilihan Produk Gift berbasis Card View yang menampilkan informasi inti seperti harga, rating penjual, estimasi pengiriman, dan kategori event dalam satu tampilan terbukti mampu mengurangi beban kognitif pengguna.Desain ini menyederhanakan proses eksplorasi produk hadiah yang sebelumnya kompleks menjadi pengalaman yang efisien, intuitif, dan meningkatkan kepuasan pengguna secara linear (One-dimensional).Fitur Tracking & Riwayat Pesanan yang dilengkapi dengan status pengemasan, pengiriman, serta identitas kurir atau penjual berperan sebagai elemen pembeda utama (Attractive).Fitur ini mengubah pengalaman menunggu hadiah dari ketidakpastian menjadi proses yang terpantau dan menenangkan, sekaligus meningkatkan rasa aman serta ikatan emosional pengguna terhadap platform Giventy
Perkembangan teknologi digital mendorong perubahan signifikan dalam cara masyarakat memberikan dan menerima hadiah pada berbagai acara atau event. Proses pemberian gift yang masih konvensional sering kali dianggap kurang praktis, memakan waktu, serta kurang terdokumentasi dengan baik. Oleh karena itu, penelitian ini bertujuan untuk merancang dan mengembangkan aplikasi Giventy, sebuah aplikasi digital yang berfungsi sebagai platform pengelolaan dan transaksi gift pada berbagai jenis event seperti pernikahan, wisuda,...
Kunjungi calendar untuk informasi lainnya.

The Effect of Leadership Employee Engagement and Work Environment on Employee Performance in the Manufacturing Industry

2026-09-06T20:49:09+07:00

#calendar - The Effect of Leadership, Employee Engagement, and Work Environment on Employee Performance in the Manufacturing Industry: Saran penelitian lanjutan yang baru meliputi: (1) Mengeksplorasi dampak jangka panjang kepemimpinan, partisipasi karyawan, dan lingkungan kerja melalui studi longitudinal untuk memahami dinamika perubahan secara lebih mendalam; (2) Menggunakan pendekatan campuran (kualitatif dan kuantitatif) untuk menggabungkan data kuantitatif dengan wawancara mendalam guna memperkaya pemahaman tentang faktor-faktor yang memengaruhi kinerja karyawan; (3) Memperluas penelitian ke industri lain atau wilayah geografis yang berbeda untuk menguji generalisasi temuan dan mengidentifikasi faktor kontekstual yang mungkin memengaruhi hubungan antara variabel-variabel tersebut..
Penelitian ini menyimpulkan bahwa kinerja karyawan secara signifikan dipengaruhi oleh kepemimpinan, partisipasi karyawan, dan lingkungan kerja.Kepemimpinan yang efektif, partisipasi karyawan yang kuat, dan lingkungan kerja yang mendukung masing-masing berkontribusi positif terhadap peningkatan kinerja.Secara simultan, ketiga faktor ini memiliki pengaruh signifikan terhadap kinerja karyawan, menunjukkan bahwa integrasi ketiganya penting untuk mencapai hasil organisasi optimal.Oleh karena itu, organisasi perlu memperkuat kualitas kepemimpinan, mendorong partisipasi karyawan, dan menciptakan lingkungan kerja yang kondusif sebagai bagian dari strategi sumber daya manusia yang komprehensif untuk meningkatkan kinerja dan mempertahankan kompetitivitas organisasi
Kinerja karyawan merupakan faktor penentu strategis untuk keberlanjutan dan kompetitivitas organisasi, terutama di industri manufaktur yang menghadapi tekanan pada efisiensi dan akurasi produksi. Penelitian ini bertujuan menganalisis pengaruh kepemimpinan, partisipasi karyawan, dan lingkungan kerja terhadap kinerja karyawan, baik secara parsial maupun simultan. Penelitian menggunakan pendekatan kuantitatif dengan mengumpulkan data melalui kuesioner terstruktur yang diberikan kepada 66 karyawan tetap...
Kunjungi calendar untuk informasi lainnya.

The Effect of Digital Well Being and Green Human Resource Management on Work Engagement Mediating Effect of Change Readiness

2026-09-06T19:29:42+07:00

#calendar - The Effect of Digital Well-Being and Green Human Resource Management on Work Engagement: Mediating Effect of Change Readiness: Penelitian lanjutan dapat mengeksplorasi dampak moderasi variabel seperti gaya kepemimpinan atau infrastruktur teknologi terhadap hubungan antara digital well-being dan keterlibatan kerja. Selain itu, studi longitudinal dapat dilakukan untuk memantau perubahan keterlibatan kerja, change readiness, dan digital well-being seiring waktu. Penelitian juga disarankan untuk memperluas sampel ke industri dan konteks budaya yang beragam guna meningkatkan generalisasi temuan. Selain itu, mempertimbangkan faktor individual seperti resiliensi karyawan dapat memberikan wawasan lebih dalam tentang dinamika keterlibatan kerja dalam lingkungan perubahan..
Studi ini menyimpulkan bahwa change readiness adalah faktor krusial dalam meningkatkan keterlibatan kerja, berfungsi sebagai mekanisme psikologis yang mengubah praktik GHRM menjadi hasil positif karyawan.Karyawan yang siap menerima perubahan organisasi menunjukkan energi, dedikasi, dan fokus yang lebih tinggi, sementara GHRM memengaruhi keterlibatan secara langsung dan tidak langsung melalui change readiness.Sebaliknya, digital well-being tidak menunjukkan efek signifikan dalam studi ini.Organisasi perlu mengembangkan strategi yang meningkatkan change readiness melalui inisiatif HR berkelanjutan.Namun, studi ini memiliki keterbatasan seperti data penampang dan konteks spesifik yang membatasi generalisasi
Dalam konteks perubahan organisasi dan transformasi digital, memahami faktor yang mendorong keterlibatan karyawan menjadi penting. Studi ini meneliti efek digital well-being dan Green Human Resource Management (GHRM) terhadap keterlibatan kerja, dengan change readiness sebagai variabel perantara. Penelitian kuantitatif dilakukan dengan 175 karyawan sektor swasta di Kota Padang, dianalisis menggunakan PLS-SEM. Hasil menunjukkan bahwa change readiness memiliki efek positif signifikan terhadap keterlibatan kerja, sementara GHRM menunjukkan efek langsung dan tidak langsung melalui change readiness. Sebaliknya, digital well-being...
Kunjungi calendar untuk informasi lainnya.

Community Decision Making Pathways and Collective Mechanisms Shaping Economic Resilience in the Spermonde Islands

2026-09-06T18:34:40+07:00

#calendar - Community Decision-Making Pathways and Collective Mechanisms Shaping Economic Resilience in the Spermonde Islands: Berdasarkan temuan penelitian ini, berikut adalah tiga saran penelitian lanjutan yang dapat dipertimbangkan:1. Mengkaji lebih lanjut peran dan dinamika institusi lokal dalam membangun ketahanan ekonomi masyarakat pesisir. Penelitian ini dapat fokus pada bagaimana institusi lokal, seperti kelompok nelayan, institusi adat, dan koperasi, berfungsi sebagai mekanisme koordinasi dan pengambilan keputusan kolektif yang mempengaruhi adaptasi masyarakat terhadap tekanan ekologis dan ekonomi. Dengan memahami peran institusi lokal, kebijakan dan intervensi dapat dirancang untuk memperkuat kapasitas adaptasi masyarakat.2. Meneliti dampak dan keberlanjutan strategi diversifikasi mata pencaharian di Kepulauan Spermonde. Penelitian ini dapat menyelidiki bagaimana diversifikasi mata pencaharian, yang merupakan jalur keputusan utama dalam penelitian ini, mempengaruhi ketahanan ekonomi rumah tangga nelayan dalam jangka panjang. Selain itu, penelitian dapat mengeksplorasi tantangan dan peluang yang dihadapi masyarakat dalam mengakses modal, keterampilan, dan pasar yang diperlukan untuk diversifikasi mata pencaharian.3. Menganalisis hubungan antara adaptasi strategi pemanfaatan sumber daya pesisir dengan perubahan ekologis. Penelitian ini dapat fokus pada bagaimana komunitas nelayan di Kepulauan Spermonde menyesuaikan strategi pemanfaatan sumber daya pesisir mereka, seperti pemilihan lokasi penangkapan ikan yang baru, penggunaan peralatan penangkapan yang lebih ramah lingkungan, dan perubahan waktu operasi, untuk menanggapi degradasi ekologis dan perubahan iklim yang mempengaruhi musim penangkapan ikan. Dengan memahami proses adaptasi ini, kebijakan dan praktik pengelolaan sumber daya pesisir yang berkelanjutan dapat dikembangkan untuk mendukung ketahanan ekonomi masyarakat..
Penelitian ini mengonfirmasi bahwa ketahanan ekonomi lokal di daerah pesisir pasca-krisis, seperti yang terlihat dalam komunitas nelayan di Kepulauan Spermonde, ditentukan oleh kemampuan masyarakat untuk membangun jalur keputusan adaptif, terstruktur, dan berbasis kolektif.Tiga jalur kunci yang diidentifikasi, yaitu diversifikasi mata pencaharian, penguatan jaringan sosial dan institusi lokal, serta penyesuaian strategi pemanfaatan sumber daya pesisir, menunjukkan bahwa ketahanan ekonomi tidak tergantung sepenuhnya pada respons individu, tetapi pada kapasitas masyarakat untuk mengerahkan sumber daya sosioekologis secara terintegrasi.Hasil ini menegaskan bahwa adaptasi yang sukses di daerah pesisir membutuhkan kombinasi kreativitas ekonomi masyarakat, kohesi sosial yang kuat, dan pemahaman ekologis yang didasarkan pada pengalaman lokal untuk menavigasi ketidakpastian jangka panjang
Kepulauan Spermonde, sebuah kawasan pesisir kaya biodiversitas, menghadapi tekanan ekologis dan sosioekonomi yang semakin meningkat, seperti overfishing, polusi, pemutihan terumbu karang, dan perubahan pola ikan, yang meningkatkan kerentanan ekonomi rumah tangga nelayan yang kekurangan mata pencaharian alternatif dan ketahanan terhadap guncangan iklim dan ekonomi. Penelitian ini bertujuan untuk mengungkap jalur keputusan masyarakat yang membentuk ketahanan ekonomi lokal di daerah pasca-krisis dengan memeriksa...
Kunjungi calendar untuk informasi lainnya.

Peningkatan Sensitivitas Support Vector Machine pada Klasifikasi Kalimat Baku dan Tidak Baku Bahasa Indonesia

2026-09-06T18:04:41+07:00

#calendar - Peningkatan Sensitivitas Support Vector Machine pada Klasifikasi Kalimat Baku dan Tidak Baku Bahasa Indonesia: Penelitian ini telah berhasil menunjukkan efektivitas Support Vector Machine (SVM) dalam mengklasifikasikan kalimat baku dan tidak baku Bahasa Indonesia, terutama dengan bantuan TF-IDF dan augmentasi data manual. Namun, masih terdapat celah, khususnya dalam penanganan kalimat baku yang pendek dan ambigu, serta keterbatasan pada proses augmentasi manual. Untuk penelitian selanjutnya, ada beberapa arah yang dapat dieksplorasi guna memperkaya pemahaman dan meningkatkan kinerja model secara lebih menyeluruh. Pertama, sangat penting untuk menyelidiki bagaimana sistem augmentasi data otomatis dapat dirancang dan diimplementasikan. Sistem ini tidak hanya bertujuan untuk menambah volume data, tetapi juga untuk menghasilkan variasi kalimat baku yang lebih kompleks dan bernuansa, termasuk gaya puitis atau ungkapan filosofis, yang saat ini masih sulit dibedakan oleh model. Ini bisa melibatkan eksplorasi teknik augmentasi berbasis model generatif atau penggantian kata yang peka konteks, sehingga model dapat belajar dari pola yang lebih luas tanpa campur tangan manual yang intensif. Kedua, mengingat keterbatasan ukuran dataset dalam penelitian ini, studi lanjutan harus fokus pada pengembangan dan penggunaan dataset yang jauh lebih besar dan representatif. Penelitian dapat menguji bagaimana model bereaksi terhadap keragaman bahasa yang lebih luas dari berbagai sumber, seperti media massa, literatur, dan interaksi digital yang lebih beragam, untuk memastikan generalisasi model yang lebih kuat terhadap pola bahasa Indonesia yang terus berkembang. Terakhir, meskipun SVM menunjukkan hasil yang baik, penting untuk mengeksplorasi bagaimana model pembelajaran mendalam (deep learning), seperti arsitektur Transformer, dapat diaplikasikan atau diintegrasikan dengan SVM. Studi ini dapat menguji apakah kemampuan model deep learning dalam menangkap hubungan kontekstual yang lebih dalam mampu mengatasi ambiguitas yang menjadi tantangan utama, serta apakah kombinasi kedua pendekatan tersebut dapat menghasilkan solusi klasifikasi yang lebih robust dan akurat untuk berbagai skenario penggunaan..
Penelitian ini menunjukkan bahwa Support Vector Machine (SVM) dengan kombinasi TF-IDF Vectorizer dan augmentasi data berhasil mencapai akurasi tinggi sebesar 99.3% dalam klasifikasi kalimat baku dan tidak baku Bahasa Indonesia, membuktikan efektivitas dan efisiensi komputasi pendekatan ini.Meskipun penggunaan TF-IDF signifikan dalam mengurangi False Positives, masih terdapat peningkatan kecil pada False Negatives, terutama pada kalimat ambigu.Untuk mengatasi keterbatasan augmentasi manual dan meningkatkan generalisasi, penelitian mendatang sangat disarankan untuk mengembangkan dan memanfaatkan metode augmentasi otomatis berbasis Natural Language Processing (NLP), seperti penggunaan transformer atau algoritma generatif
Kalimat dalam bahasa Indonesia dapat diklasifikasikan menjadi dua jenis, yaitu kalimat baku dan tidak baku. Kalimat baku digunakan sebagai bahasa resmi dalam acara formal, sementara kalimat tidak baku umum ditemukan dalam komunikasi sehari-hari. Perkembangan teknologi digital turut mendorong pergeseran penggunaan bahasa, sehingga banyak kalimat tidak baku muncul dalam konteks formal. Penelitian ini bertujuan untuk meningkatkan akurasi model klasifikasi kalimat baku dan tidak baku berbahasa Indonesia. Metode yang digunakan adalah supervised...
Kunjungi calendar untuk informasi lainnya.

Analisis Citra Fitur Wajah Untuk Deteksi Dini Depresi Dengan Teknik Hibrida Berdasarkan Gabungan Fitur Convolutional Neural Network CNN

2026-09-06T17:28:27+07:00

#calendar - Analisis Citra Fitur Wajah Untuk Deteksi Dini Depresi Dengan Teknik Hibrida Berdasarkan Gabungan Fitur Convolutional Neural Network (CNN): Penelitian lanjutan dapat mengembangkan sistem deteksi depresi berbasis citra wajah dengan memperluas dataset untuk mencakup variasi demografis yang lebih luas, seperti perbedaan usia, ras, dan kondisi pencahayaan. Selain itu, integrasi data multimodal seperti analisis suara atau teks hasil wawancara dapat meningkatkan akurasi diagnosis. Pengembangan sistem real-time yang dapat diimplementasikan pada perangkat portabel seperti smartphone juga menjadi arah penelitian yang menarik, dengan fokus pada optimasi komputasi untuk lingkungan dengan sumber daya terbatas..
Sistem deteksi dini depresi berbasis citra fitur wajah dengan teknik hibrida CNN dan Random Forest menunjukkan performa tinggi dengan akurasi 94.Pendekatan ini mampu menggabungkan kelebihan arsitektur CNN untuk ekstraksi fitur dan Random Forest untuk klasifikasi.Hasil penelitian menunjukkan bahwa kombinasi VGG16 dan MobileNetV3 memberikan akurasi optimal, sementara UMAP meningkatkan efisiensi pengolahan data.Model ini berpotensi menjadi alat bantu klinis yang objektif dan efisien dalam mendeteksi depresi secara dini
Depresi merupakan salah satu masalah kesehatan mental yang umum dan menjadi penyebab utama disabilitas di seluruh dunia. Deteksi dini sangat penting karena gejala awal sering tidak dikenali atau diabaikan. Penelitian ini mengusulkan sistem deteksi dini depresi berbasis kecerdasan buatan melalui analisis citra wajah menggunakan pendekatan hibrida Convolutional Neural Network (CNN). Data diperoleh dari rekaman wawancara klinis pasien dengan diagnosis depresi dan individu normal. Ekstraksi fitur dilakukan menggunakan tiga arsitektur CNN, yaitu VGG16, ResNet101V2, dan MobileNetV3, yang kemudian digabungkan untuk membentuk representasi fitur gabungan. Selanjutnya, algoritma Random Forest digunakan sebagai klasifikator. Hasil eksperimen menunjukkan...
Kunjungi calendar untuk informasi lainnya.

Forecasting Persediaan Kemasan Folding Box untuk Mitigasi Risiko Stock Out Pendekatan SARIMA Prophet XGBoost dan Random Forest

2026-09-06T17:19:22+07:00

#calendar - Forecasting Persediaan Kemasan Folding Box untuk Mitigasi Risiko Stock Out: Pendekatan SARIMA, Prophet, XGBoost, dan Random Forest: Penelitian lanjutan dapat memperluas cakupan data historis yang digunakan, misalnya dengan menganalisis data lima hingga sepuluh tahun terakhir dari berbagai jenis produk kemasan folding box di PT X. Ini akan membantu memahami pola permintaan jangka panjang yang lebih stabil dan mengidentifikasi apakah model peramalan yang sama tetap paling efektif untuk kondisi data yang lebih beragam. Selain itu, pengembangan model hibrida yang cerdas, menggabungkan keunggulan metode statistik dalam menangkap tren musiman dengan kemampuan pembelajaran mesin dalam mengadaptasi fluktuasi permintaan yang tiba-tiba, menjadi arah studi yang menjanjikan. Model semacam ini perlu dievaluasi kemampuannya untuk beradaptasi terhadap perubahan pasar yang tidak terduga atau dampak dari kampanye pemasaran besar. Terakhir, sangat penting untuk melakukan studi dampak ekonomi dari penerapan sistem peramalan ini, dengan mengukur secara kuantitatif penghematan biaya operasional. Studi ini dapat mengidentifikasi bagaimana integrasi prediksi persediaan yang akurat mampu meminimalkan biaya penyimpanan berlebih, menghindari biaya pemesanan mendadak, serta mengurangi kerugian akibat kehilangan penjualan karena stok kosong. Oleh karena itu, penelitian mendatang sebaiknya fokus pada bagaimana hasil peramalan dapat diterjemahkan menjadi rekomendasi kebijakan pengadaan yang optimal secara finansial, dengan mengembangkan sistem pendukung keputusan yang memperhitungkan semua variabel biaya relevan..
Penelitian ini menemukan bahwa dari empat metode peramalan, model Random Forest menunjukkan kinerja terbaik dengan RMSE 14.375,29 dan MAPE 0,66% dalam memprediksi persediaan folding box, menegaskan keunggulan ensemble learning untuk data yang fluktuatif.Dengan demikian, implementasi model prediktif ini sangat bermanfaat bagi PT X untuk merencanakan pengadaan secara tepat guna, mengurangi risiko stock out, meminimalkan biaya karena kelebihan atau pembelian mendadak, serta meningkatkan efisiensi produksi.Untuk masa depan, penelitian dapat difokuskan pada pengembangan model hybrid atau eksplorasi deep learning, serta integrasi variabel eksternal seperti tren penjualan dan jadwal produksi, demi peningkatan akurasi peramalan dan dukungan keputusan rantai pasok yang lebih optimal
Ketepatan peramalan kebutuhan persediaan folding box menjadi faktor krusial dalam menjaga kelancaran produksi industri kosmetik, khususnya bagi perusahaan maklon dengan sistem produksi Make to Order (MTO). PT X sebagai salah satu perusahaan maklon menghadapi tantangan dalam pengelolaan persediaan kemasan folding box, yang selama ini masih dilakukan secara manual. Ketidakakuratan dalam perencanaan persediaan folding box berpotensi menimbulkan risiko stock out dan keterlambatan produksi. Penelitian ini bertujuan untuk membandingkan kinerja empat metode peramalan, yaitu SARIMA, Prophet, XGBoost, dan Random Forest, dalam...
Kunjungi calendar untuk informasi lainnya.

Optimalisasi Pemilihan Saham Investasi Dengan Pendekatan Multikriteria Menggunakan Metode Entropy Mabac

2026-09-06T16:29:24+07:00

#calendar - Optimalisasi Pemilihan Saham Investasi Dengan Pendekatan Multikriteria Menggunakan Metode Entropy-Mabac: 1. Pengembangan sistem pendukung keputusan dengan integrasi metode Entropy-MABAC pada sektor lain seperti properti atau kesehatan untuk memperluas aplikasi penelitian. 2. Penelitian lanjutan tentang penerapan algoritma kecerdasan buatan untuk meningkatkan akurasi prediksi kinerja saham berdasarkan kriteria yang digunakan. 3. Analisis dampak perubahan regulasi pemerintah terhadap kinerja saham yang dipilih menggunakan metode Entropy-MABAC, dengan fokus pada sektor strategis seperti energi dan teknologi..
Sistem pendukung keputusan menggunakan kombinasi metode Entropy dan MABAC efektif dalam memilih saham investasi yang optimal.Proses pembobotan dengan metode Entropy menghasilkan bobot yang konsisten, sementara metode MABAC memberikan perangkingan yang transparan.Hasil penelitian menunjukkan bahwa perusahaan dengan nilai.positif, seperti United Tractors Tbk, merupakan pilihan investasi yang lebih baik.Penelitian ini memberikan rekomendasi yang objektif dan terukur untuk investor pemula, mengurangi ketergantungan pada intuisi atau saran eksternal
Pemilihan saham yang tepat menjadi tantangan bagi investor, khususnya investor pemula, di tengah dinamika pasar saham yang terus berkembang. Harga saham yang fluktuatif dan beragamnya pilihan saham dari berbagai sektor seringkali menyulitkan proses pengambilan keputusan. Penelitian ini bertujuan untuk mengembangkan sistem pendukung keputusan berbasis multikriteria menggunakan kombinasi metode Entropy dan Multi-Attributive Border Approximation Area Comparison (MABAC). Metode Entropy digunakan untuk mengoptimalkan pembobotan indikator dengan hasil yang lebih signifikan dan total bobot tetap konsisten pada angka 1. Metode MABAC diterapkan untuk proses...
Kunjungi calendar untuk informasi lainnya.

Penerapan Metode Stacking Ensemble Learning Untuk Deteksi Penipuan Pada Transaksi Finansial

2026-09-06T15:13:45+07:00

#calendar - Penerapan Metode Stacking Ensemble Learning Untuk Deteksi Penipuan Pada Transaksi Finansial: Penelitian lanjutan dapat fokus pada pengembangan metode preprocessing yang lebih efektif untuk menangani data tidak seimbang, seperti eksplorasi teknik resampling alternatif atau pembuatan fitur baru dari kombinasi fitur yang relevan. Selain itu, perlu dilakukan studi lebih mendalam tentang penggunaan model deep learning sebagai meta-learner dalam stacking ensemble untuk meningkatkan kemampuan deteksi pola fraud yang kompleks. Terakhir, penelitian juga dapat mengeksplorasi penerapan model stacking ensemble pada dataset transaksi finansial dari sektor lain, seperti perbankan atau layanan digital, untuk menguji generalisasi model dalam konteks yang berbeda..
Penelitian ini menunjukkan bahwa model stacking ensemble dengan base learner XGBoost dan LightGBM serta meta-learner MLP memberikan hasil evaluasi terbaik dalam mendeteksi fraud pada transaksi finansial dengan nilai AUC-ROC 0,9663.Meskipun model ini menunjukkan kinerja yang unggul, kebutuhan komputasi yang tinggi untuk mengembangkan model stacking tidak sebanding dengan peningkatan hasil yang tidak signifikan.Hyperparameter berperan penting dalam peningkatan nilai AUC-ROC.Oleh karena itu, dalam mengembangkan sistem deteksi fraud sebaiknya memberikan sumber daya lebih untuk melakukan fine-tuning model dibandingkan mengadopsi model kompleks seperti stacking, kecuali jika peningkatan kecil dalam kinerja model benar-benar dibutuhkan.Penelitian selanjutnya dapat mempelajari pengaruh dari preprocessing lain terhadap hasil evaluasi seperti pembentukan fitur baru dari hasil kombinasi fitur yang ada.Penentuan transaksi fraud juga dapat dilakukan dengan pendekatan identifikasi fitur pelaku fraud mengingat dataset memberikan fitur terkait identitas pelaku transaksi.Selain itu tuning hyperparameter XGBoost juga masih bisa ditingkatkan dengan variasi rentang nilai dan hyperparameter lebih banyak seperti pada eksperimen LightGBM
Identifikasi fraud pada transaksi keuangan menjadi pekerjaan besar untuk mencegah kerugian yang dapat terjadi akibat fraud. Dengan perkembangan teknologi machine learning yang makin baik, eksperimen mengenai identifikasi fraud dapat dilakukan dengan menggunakan model machine learning. Sejumlah model machine learning dapat digunakan untuk identifikasi fraud, seperti logistic regression, XGBoost, LightGBM, dan stacking ensemble. Penelitian ini menerapkan metode eksperimen kuantitatif untuk menunjukkan kinerja dari stacking ensemble yang dipadukan...
Kunjungi calendar untuk informasi lainnya.

Komparasi Algoritma Greedy Best First Search Dan Ant Colony Optimization Untuk Pemilihan Jalur Evakuasi Bencana Alam

2026-09-06T15:02:25+07:00

#calendar - Komparasi Algoritma Greedy Best First Search Dan Ant Colony Optimization Untuk Pemilihan Jalur Evakuasi Bencana Alam: Penelitian ini telah memberikan dasar komparasi algoritma Greedy Best First Search (GBFS) dan Ant Colony Optimization (ACO) untuk jalur evakuasi bencana, namun ada ruang luas untuk pengembangan lebih lanjut yang relevan dengan kondisi nyata. Pertama, akan sangat berharga untuk mengeksplorasi bagaimana kinerja kedua algoritma ini jika diimplementasikan pada model graf yang lebih dinamis. Pertanyaan penelitian dapat berpusat pada integrasi data real-time, seperti informasi penutupan jalan akibat bencana atau kepadatan lalu lintas, untuk melihat bagaimana algoritma beradaptasi dan menemukan jalur evakuasi optimal di tengah perubahan kondisi yang cepat. Kedua, mengingat GBFS unggul dalam kecepatan dan ACO dalam eksplorasi rute alternatif, perlu diteliti pengembangan algoritma hibrida. Ide ini dapat mencakup perancangan sistem yang menggabungkan kecepatan respons GBFS untuk penentuan jalur awal dengan kemampuan ACO untuk mencari dan memvalidasi serangkaian rute cadangan secara cerdas saat jalur utama terputus, guna menciptakan solusi yang lebih cepat dan fleksibel secara bersamaan. Ketiga, penelitian ini baru mempertimbangkan jarak dan waktu; studi lanjutan dapat memperkaya model dengan faktor-faktor lingkungan lain. Misalnya, bagaimana penambahan parameter seperti kapasitas jalan, tingkat kemiringan jalur, atau potensi kepadatan populasi di sepanjang rute mempengaruhi efisiensi dan keamanan rekomendasi jalur evakuasi? Menyelidiki arah-arah penelitian ini akan menghasilkan sistem evakuasi yang lebih cerdas, adaptif, dan siap menghadapi kompleksitas bencana di lapangan, melebihi sekadar simulasi statis..
Penelitian ini menunjukkan bahwa tidak ada algoritma tunggal yang mutlak unggul dalam semua aspek pemilihan rute evakuasi bencana.Greedy Best-First Search (GBFS) terbukti sangat efisien dalam waktu komputasi dan dapat diandalkan untuk menemukan solusi tunggal dengan cepat, ideal untuk respons darurat real-time.Sebaliknya, Ant Colony Optimization (ACO), meskipun lebih lambat dan terkadang gagal, unggul dalam menghasilkan rute alternatif yang beragam, sehingga lebih cocok untuk perencanaan strategis pra-bencana yang membutuhkan fleksibilitas solusi
Ketidaktepatan dalam pemilihan jalur evakuasi pada situasi bencana alam berpotensi menyebabkan keterlambatan proses penyelamatan dan meningkatkan risiko bagi korban. Permasalahan tersebut menjadi dasar dilakukannya penelitian ini untuk mengkaji strategi penentuan rute evakuasi yang lebih efisien. Penelitian ini bertujuan mengevaluasi dan membandingkan performa algoritma Greedy Best First Search (GBFS) dan Ant Colony Optimization (ACO) dalam menentukan jalur evakuasi dengan jarak terpendek dan waktu tempuh tercepat dari lokasi bencana ke titik evakuasi. Proses pengujian dilakukan melalui pengembangan prototipe berbasis...
Kunjungi calendar untuk informasi lainnya.