Wistiani Astuti

Full Author List

Hehanussa, Siti Gayatri; Alwi, Erick Irawadi; Astuti, Wistiani; Universitas Muslim Indonesia, Indonesia

Abstract

Pendaftaran antrian yang masih di lakukan secara manual oleh Puskesmas Tomalehu menjadi kendala bagi pasien dan dokter karena proses pecatatan masih dilakukan secara manual sehingga terjadinya penumpukan antrian dan tidak tertib dalam proses antrian. Penelitian ini bertujuan untuk membuat sebuah aplikasi berbasis web secara offline dan online, yang terdiri dari pasien baru dan pasien lama yaitu pasien baru adalah pasien yang melakukan pendaftaran secara offline karena pasien harus melakukan registrasi secara offline menggunakan LAN di puskesmas tomalehu, Ketika selesai melakukan registrasi maka pasien baru akan di anjurkan ke online dan status nya menjadi pasien lama. Metode yang dilakukan dalam penelitian ini adalah Rapid Application Development dan algoritma FIFO, cara pengumpulan data pada penelitian ini dengan wawancara observasi dan dokumentasi. Pada penelitian ini menghasilkan aplikasi web yang berbasis offline dan online yang terdiri dari pasien lama dan pasien baru. Kesimpulan yang dapat diambil dari penelitian ini berupa sebuah Sistem pendaftaran antrian secara Online dan offline yang dapat mengatasi masalah seperti pengambilan nomor antrian, dan laporan harian kunjungan pasien. Aplikasi web memberikan kemudahan bagi petugas dan pasien untuk mendaftar dan mengatur antrian.

Related SDGs Targets

Full Author List

Salim, Yulita; Atmajaya, Dedy; Kurniati, Nia; Astuti, Wistiani, Fakultas Ilmu Komputer, Universitas Muslim Indonesia

Abstract

Konsep sampah dalam kehidupan manusia didefenisikan sebagai semua produk yang dihasilkan setelah terjadinya sebuah proses. Gaya hidup dan bertambahnya jumlah penduduk mengakibatkan bertambahnya jumlah sampah terutama di kota Makassar. Pemerintah kota Makassar telah mencoba berbagai cara agar masyarakat dapat menjaga kebersihan, termasuk membuang sampah pada tempatnya sesuai dengan jenis sampah. Berdasarkan sifatnya sampah dibagi dalam dua jenis, yaitu sampah organik dan sampah non organik. Sifat sampah non organik yang tidak terurai dapat merusak lingkungan, oleh karena itu Pemerintah Kota Makassar mengelola sampah non organik dari masyarakat melalui Bank Sampah Unit (BSU) yang ada disetiap kecamatan untuk dijadikan berbagai bentuk kerajinan tangan. Salah satu upaya dalam merubah paradigma tentang sampah non organik ialah menciptakan sebuah inovasi dengan membuat sistem transaksi pengelolaan sampah yang berbasis aplikasi. Penelitian ini membuat aplikasi sistem transaksi pengelolaan sampah di setiap Unit Bank Sampah ke dalam bentuk buku tabungan digital yang dapat diakses melalui website. Inovasi ini dibuat dengan tujuan agar masyarakat dapat menjadikan website sebagai sarana informasi tabungan sampah.

Related SDGs Targets

Full Author List

Darwis, Herdianti; Puspitasari, Rahma; Purnawansyah; Astuti, Wistiani; Atmajaya, Dedy; Hasnawi, Mardiyyah, Faculty of Computer Science, Universitas Muslim Indonesia, Makassar, Indonesia

Abstract

This research investigates the use of deep learning for automatic waste classification, specifically using ResNet50 for feature extraction and combining it with various classification algorithms. The dataset comprises 1889 images categorized into four classes: plastic, metal, cardboard, and paper. Two approaches were evaluated: direct classification and feature extraction with ResNet50. The direct classification models, including SVM, KNN, and Random Forest, resulted in low performance, with an average accuracy of 60%. However, using ResNet50 for feature extraction significantly improved the classification accuracy across all models, with the combination of ResNet50 and SVM achieving an accuracy of 91%, and precision, recall, and F1-Score exceeding 92%. This demonstrates the effectiveness of ResNet50's feature extraction capability in enhancing the classification of images. The findings suggest that combining feature extraction and classification models provides a more accurate and efficient solution for automatic waste management systems, supporting the recycling process and waste management efficiency.

Related SDGs Targets

Full Author List

Massora, Naimah Gairil; Lantara, Dirgahayu; Astuti, Wistiani, Universitas Muslim Indonesia Fakultas Ilmu Komputer Makassar, Indonesia

Abstract

Salah satu organ terpenting pada manusia adalah saluran pernapasan. Jika organ ini mengalami gangguan maka akan menyebabkan manusia susah dalam melakukan kegiatannya. Ada anggapan bahwa penyakit yang diawali dengan gejala batuk, nyeri dada, sesak nafas tidak membahayakan. Ini disebabkan karena tidak mengetahui apakah gejala tersebut bisa menjadi gejala awal dari suatu penyakit yang parah. Oleh karena itu, dari permasalahan tersebut, dilakukan penelitian dengan memanfaatkan perkembangan teknologi yang bertujuan untuk membantu seseorang dalam mendiagnosa suatu penyakit yang diawali dari gejala utama penyakit pernapasan tanpa harus melakukan pemeriksaan kesehatan. Penelitian ini mengimplementasikan metode C4.5. Dengan memanfaatkan data sebanyak 23 dan 19 gejala. Metode C4.5 bisa menghasilkan nilai akurasi yang sangat tinggi tergantung seberapa kompleks data yang digunakan. Hasil yang diperoleh dari penelitian ini berupa pohon keputusan yang kemudian diuji dan memperoleh tingkat akurasi sebesar 14.29%. Salah satu organ terpenting pada manusia adalah saluran pernapasan. Jika organ ini mengalami gangguan maka akan menyebabkan manusia susah dalam melakukan kegiatannya. Ada anggapan bahwa penyakit yang diawali dengan gejala batuk, nyeri dada, sesak nafas tidak membahayakan. Ini disebabkan karena tidak mengetahui apakah gejala tersebut bisa menjadi gejala awal dari suatu penyakit yang parah. Oleh karena itu, dari permasalahan tersebut, dilakukan penelitian dengan memanfaatkan perkembangan teknologi yang bertujuan untuk membantu seseorang dalam mendiagnosa suatu penyakit yang diawali dari gejala utama penyakit pernapasan tanpa harus melakukan pemeriksaan kesehatan. Penelitian ini mengimplementasikan metode C4.5. Dengan memanfaatkan data sebanyak 23 dan 19 gejala. Metode C4.5 bisa menghasilkan nilai akurasi yang sangat tinggi tergantung seberapa kompleks data yang digunakan. Hasil yang diperoleh dari penelitian ini berupa pohon keputusan yang kemudian diuji dan memperoleh tingkat akurasi sebesar 14.29%.

Related SDGs Targets

Full Author List

Astuti, Wistiani, Univeristas Muslim Indonesia; Wibawa, Aji Prasetya, Universitas Negeri Malang; Haviluddin, Universitas Mulawarman; Darwis, Herdianti, Univeristas Muslim Indonesia

Abstract

One prevalent conversational system within the realm of natural language processing (NLP) is chatbots, designed to facilitate interactions between humans and machines. This study focuses on predicting frequently asked questions by students using the Duel Intent and Entity Transformer (DIET) Classifier method and assessing the performance of this method. The research involves employing 300 epochs with an 80% training data and 20% testing data split. In this study, the DIET Classifier adopts a multi-task transformer architecture to simultaneously handle classification and entity recognition tasks. Notably, it possesses the capability to integrate diverse word embeddings, such as BERT and GloVe, or pre-trained words from language models, and blend them with sparse words and n-gram character-level features in a plug-and-play manner. Throughout the training process of the DIET Classifier model, data loss and accuracy from both training and testing datasets are monitored at each epoch. The evaluation of the text classification model utilizes a confusion matrix. The accuracy results for testing the DIET Classifier method are presented through four case studies, each comprising 25 text messages and 15 corresponding chatbot responses. The obtained accuracy values range from 0.488 to 0.551, F1-Score values range from 0.427 to 0.463, and precision range from 0.417 to 0.457.

Related SDGs Targets

Full Author List

Umar, Fitriyani; Herdianti; Astuti, Wistiani, Universitas Muslim Indonesia

Abstract

Banyak upaya yang dapat dilakukan untuk membantu proses pembelajaran. Transfer pengetahuan akan optimal jika didukung dengan media pembelajaran yang tepat. Sekolah Dasar Inpres Marinding dalam proses pembelajaran selama ini belum dapat memanfaatkan teknologi terkini yang sesuai untuk meningkatkan pemahaman siswa tentang suatu mata pelajaran. Padahal pesatnya perkembangan teknologi informasi dapat dimanfaatkan sebagai media tambahan untuk mendukung pembelajaran yang merangsang imajinasi, interaktif dan menumbuhkan minat belajar sehingga proses belajar mengajar menjadi lebih baik lagi. Demi menunjang proses pembelajaran di SDN 294 Inpres Marinding, siswa diharapkan memiliki banyak buku yang berisi satu tema tertentu sebanyak jumlah tema yang ada. Akan tetapi, pembelajaran masih berpusat pada buku tersebut dan tidak ada alat peraga khusus tentang Flora. Siswa tidak dapat melihat objek Flora secara langsung, hanya melalui gambar di buku dan kurang detailnya informasi tentang objek tersebut. Akibatnya, pembelajaran cenderung monoton, dan kurang kreatifitas. Solusi yang diusulkan adalah memberikan pelatihan untuk implementasi aplikasi Augmented Reality Pengenalan dengan tujuan untuk meningkatkan pengetahuan guru dan siswa dalam pemanfaatan teknologi informasi untuk media pembelajaran alternatif melalui Augmented Reality khususnya pembelajaran Flora. Tercapainya tujuan kegiatan telah menghasilkan luaran berupa modul dan aplikasi yang dapat menjadi alternatif media pembelajaran, publikasi pada media online dan jurnal yang diterbitkan di ILKOMAS

Related SDGs Targets

Full Author List

Purnawansyah; Herdianti; Astuti, Wistiani, Universitas Muslim Indonesia

Abstract

Tumbuhan herbal memiliki banyak variasi yang dapat dikenali melalui ciri uniknya secara visual. Namun, cara ini sulit diterapkan pada tumbuhan yang memiliki ciri hampir sama. Penelitian ini membandingkan kinerja metode K-Nearest Neighbour (KNN) dan Convolutional Neural Network (CNN) dalam klasifikasi fitur daun herbal yang diekstraksi dengan menggunakan Geometric Moment Invariant (GMI) dan Hue Saturation Value (HSV). Dataset yang digunakan adalah dataset citra daun katuk (Sauropus androgynus) dan daun kelor (Moringa oleifera) dengan skenario citra terang dan citra gelap. Pembagian data untuk tiap skenario adalah 80% untuk training dan 20% untuk testing. Metode KNN diuji menggunakan nilai dan evaluasi kinerja KNN dan CNN meliputi accuracy, precision, recall, dan f1-score. Hasil penelitian menunjukkan bahwa CNN tanpa ekstraksi fitur dan CNN dengan kombinasi ekstraksi fitur HSV memperoleh performa terbaik dengan rata-rata nilai precision, recall, f1-score dan accuracy sebesar 98% untuk skenario gelap maupun terang

Related SDGs Targets

Full Author List

Herman; Astuti, Wistiani, Universitas Muslim Indonesia

Abstract

Obat memiliki peran yang penting dalam pelayanan farmasi di rumah sakit, dari menyelamatkan nyawa hingga menyembuhkan pasien, namun perencanaan obat masih dilakukan secara manual menggunakan metode manual sehingga menghambat proses perencanaan obat, penelitian ini menggunakan XGBoost untuk melakukan peramalan time series pada penggunaan obat. Data yang digunakan adalah data perbulan penggunaan obat pada kategori vital dan essential dari tahun 2017 hingga 2022, penelitian ini menggunakan data cuaca sebagai fitur eksternal untuk membantu model bekerja. Hasil penelitian menunjukkan model XGBoost memiliki skor rata-rata skor RMSE dan MAE yang lebih rendah pada obat vital dibanding ketika melatih obat essential, sehingga model yang dilatih masih perlu perbaikan dalam menggunakan model XGBoost untuk meningkatkan performa model

Related SDGs Targets

Full Author List

Anugrah, Rezky; Purnawansyah; Astuti, Wistiani,Teknik Informatika, Universitas Muslim Indonesia, Makassar, Indonesia

Abstract

Universitas Muslim Indonesia telah berhasil menempati posisi ke-92 pemeringkatan WRWU. Keberhasilan atas pencapaian UMI didukung dengan adanya berbagai sarana dan prasarana salah satunya fasilitas perpustakaan. Pada perpustakaan Utsman Bin Affan buku diletakkan berdasarkan kategori buku yang telah diberikan penomoran yang disebut Dewey Decimal Classification (DDC). Namun, dalam penempatan buku belum diatur dengan melihat tingkat keseringan pengunjung dalam meminjam buku tersebut. Selain itu, pengunjung kesulitan dalam mencari kembali keberadaan buku yang sering dipinjam. Metode association rule khususnya algoritma apriori dapat digunakan dalam penataan koleksi buku di perpustakaan Utsman Bin Affan untuk mengidentifikasi asosiasi antara berbagai judul buku dengan menemukan support dan confidence yang menghasilkan pola asosiasi. Dari data transaksi peminjaman buku sejak 21 Januari 2022 sampai 19 januari 2024 adalah sebanyak 50 ID Mahasiswa perpustakaan dengan total 128 transaksi menghasilkan pola transaksi peminjaman mahasiswa UMI yakni Karya Umum, Ilmu-Ilmu Sosial dengan nilai support 14% dengan confidence 43%. Buku Filsafat dan Psikologi, Agama dengan nilai support 22% dengan confidence 36%. Selanjutnya buku Filsafat dan Psikologi maka mahasiswa juga akan meminjam ilmu-Ilmu Sosial dengan nilai support 22% dengan confidence 45%. Berdasarkan hasil tersebut disarankan untuk melakukan evaluasi reguler terhadap tata letak perpustakaan berdasarkan data penyimpanan dan umpan balik pengguna, dan melakukan penyesuaian yang diperlukan untuk meningkatkan efektifitasnya.

Related SDGs Targets

Full Author List

Oihuw, Dewanti, Program Studi Teknik Informatika, Universitas Muslim Indonesia, Makassar, Indonesia ;L, Harlinda, Program Studi Sistem Informasi, Universitas Muslim Indonesia, Makassar, Indonesia ; Astuti, Wistiani, Program Studi Teknik Informatika, Universitas Muslim Indonesia, Makassar, Indonesia

Abstract

Proses monitoring billboard pada CV. Duta Mandiri Advertising hingga saat ini masih menggunakan cara manual. Salah satu pemasarannya melalui media sosial yang ada yaitu instagram, dengan proses pemesanan melalui media whatsapp dengan proses pendataan melalui microsoft word dan microsoft excel. Pendataan yang tidak ter-update secara realtime membuat proses monitoring menjadi kurang efisien dikarenakan harus dicek secara berkala, pihak penyewa juga membuat pengelola harus mengkonfirmasi ulang apabila masa sewa sudah dalam masa tenggang. Dengan demikian, maka perlu suatu sistem yang bisa digunakan untuk memonitoring status billboard tersebut. Pengimplementasian metode prototype dalam pembuatan website Duta Mandiri Advertising sangat efektif dalam memenuhi kebutuhan pengguna, serta saat proses perancangan pengguna dapat ikut andil dalam proses perancangan yang dapat menjadi evaluasi dalam memberikan umpan balik. Dengan bantuan peta digital yang mana mempermudah pihak dalam mencari lokasi. Pemodelan pada perancangan website ini memakai UML, yang diantaranya adalah flowchart, use case diagram, activity diagram, sequence diagram, dan class diagram serta pengujian menggunakan Black Box Testing. Hasil penelitian membuktikan bahwa dengan status yang dapat ter-update secara up to date dapat dijadikan sumber informasi status ketersediaan billboard yang akan mempermudah berbagai pihak dalam mendapatkan informasi status billboard.

Related SDGs Targets

Full Author List

Siti, Najwa Yuliani; L, Harlinda; Wistiani, Astutia; Universitas Muslim Indonesia, Indonesia

Abstract

Dalam mendiagnosa penyakit tanaman jeruk para petani hanya mengecek gejala di beberapa bagian tanaman jeruk bali dan langsung mendiagnosanya sehingga dianggap kurang efektif dan menghasilkan diagnosa yang kurang tepat, seharusnya petani melakukan diagnosa berdasarkan pertimbangan gejala-gejala dibeberapa bagian. Penelitian ini bertujuan untuk mendiagnosa penyakit tanaman jeruk berdasarkan kriteria daun, kulit batang, buah dan kulit akar. Metode yang digunakan adalah Metode TOPSIS yang melakukan perangkingan terhadap alternatif terpilih. Dimana alternatif terpilih yang terbaik tidak hanya memiliki jarak terpendek dari solusi ideal positif, tetapi juga memiliki jarak terpanjang dari solusi ideal negatif. Hasil penelitian menunjukkan bahwa penyakit Buah Busuk yang memiliki nilai tertinggi yaitu 0.625 terpilih dalam mendiagnosa penyakit tanaman jeruk.

Related SDGs Targets

Full Author List

Hayati, Lilis Nur; Astuti, Wistiani, Universitas Muslim Indonesia

Abstract

pertahun yang berasal dari perkebunan tebu yang menjadi komoditas unggulan produksi tanaman perkebunan, namun berdasarkan data BPS terjadi penurunan produktifitas tanaman tebu tahun 2015–2020. Hal ini dikarenakan infrastruktur yang masih terbatas, kesulitan dalam permodalan, terbatasnya penguasaan teknologi baik dalam usaha tani sehingga pengelolaan tanaman tebu menjadi terhambat. Penelitian ini bertujuan untuk mengetahui hasil prediksi kebu tebu pertahunnya dengan memanfaatkan data mining. Data mining yang digunakan dalam penelitian ini adalah metode K-Nearest Neighbour (KNN) yang merupakan metode klasifikasi terhadap obyek baru berdasarkan (K) tetangga terdekatnya. KNN termasuk algoritma supervised learning, dimana hasil dari query instance yang baru, diklasifikasikan berdasarkan mayoritas dari kategori pada KNN. Hasil penelitian menunjukkan dari tahap pengujian dengan jumlah data training sebanyak 13 data didapatkan nilai persentase tertinggi pada nilai K=7 dengan persentase akurasi sebesar 76.92%

Related SDGs Targets

Full Author List

Septiani, Berlian; Hasanuddin, Tasrif; Astuti, Wistiani, Universitas Muslim Indonesia, Makassar, 90231, Indonesia

Abstract

Lontara script is a traditional writing system of the Bugis-Makassar people in South Sulawesi, used to write the Bugis, Makassar, and Mandar languages. This system is based on an abugida, in which each letter represents a consonant with an inherent vowel. It was once used to record history, customary law, and literature, but its use has declined due to the influence of the Latin alphabet. Today, the Lontara script is preserved through education and digitization as part of the cultural heritage of the Indonesian archipelago. In this article, the researchers attempt to use a dataset of handwritten Lontara Bugis-Makassar characters. The process begins with the collection of character datasets, which are then processed through Canny segmentation and Hu Moment feature extraction to obtain a representation of the shape that is invariant to rotation and scale. The processed data was divided into training and testing data, then classified using the K-NN, Decision Tree, and Random Forest algorithms. The results showed that the KNN algorithm with 6 neighbors achieved the highest accuracy, precision, and recall of 98%. The Decision Tree algorithm achieved an accuracy of 96.67%, precision of 96.22%, recall of 95.33%, and an F1-score of 95.98%. Meanwhile, Random Forest showed an accuracy of 96.67%, precision of 96.34%, recall of 96%, and an F1-score of 95.98%.

Related SDGs Targets

Full Author List

Purnawansyah; Julisa; Darwis, Herdianti; Astuti, Wistiani; Umar, Fitriyani; Sugiarti, Faculty of Computer Science, Universitas Muslim Indonesia, Makassar, Indonesia

Abstract

Mangrove ecosystems play an important role in maintaining the balance of the coastal environment, both from ecological and economic aspects. To support the conservation of this ecosystem, accurate information on the classification of mangrove species is needed. The manual identification process that is still widely used has limitations in efficiency and scale. Therefore, this research proposes a deep learning-based mangrove leaf image classification approach using VGG16 architecture as a feature extractor, which is then classified using two machine learning algorithms, namely Support Vector Machine (SVM) and Random Forest. The dataset used consists of leaf images of three mangrove species, namely Avicennia alba, Rhizophora apiculata, and Sonneratia alba, which were collected directly. To improve the generalization performance of the model, various image augmentation scenarios were performed, including zoom, flip, rotation, and a combination of the three. Performance evaluation was conducted using accuracy, precision, recall, and F1-score metrics using a k-fold cross-validation scheme. The results show that the combination of VGG16 + SVM with zoom augmentation provides the highest accuracy of

Related SDGs Targets

Full Author List

Lahuddin, Harlinda, Program Studi Sistem Informasi, UniversitasMuslim Indonesia, Makassar, Indonesia.; Astuti, Wistiani, Program Studi Teknik Informatika, Universitas Muslim Indonesia, Makassar, Indonesia.

Abstract

Program Pelatihan Computational Thinking dan Problem Solving untuk Generasi Muda Kedah dilaksanakan sebagai respons terhadap rendahnya literasi digital di daerah rural Malaysia, khususnya di Sekolah Kebangsaan Ulu Sedaka, Yan, Kedah. Tujuan program adalah membekali siswa dengan keterampilan berpikir komputasi yang mencakup decomposition, pattern recognition, abstraction, dan algorithmic thinking sebagai fondasi menghadapi era digital. Metode pelaksanaan meliputi baseline assessment, workshop interaktif, hands-on activities, serta evaluasi melalui pre-test dan post-test. Sebanyak 30 siswa dan 5 guru terlibat aktif dalam program selama 12 minggu. Hasil evaluasi menunjukkan peningkatan signifikan pemahaman computational thinking dari skor rata-rata 45,2 menjadi 78,6 dengan peningkatan 73,9 persen. Tingkat partisipasi mencapai 93,3 persen dengan kepuasan peserta 4,5 dari skala 5. Program berhasil mengembangkan modul pembelajaran digital dan panduan aplikasi yang dapat digunakan berkelanjutan. Kesimpulan menunjukkan bahwa pendekatan pembelajaran interaktif berbasis unplugged activities efektif meningkatkan kemampuan berpikir logis siswa di daerah dengan keterbatasan infrastruktur teknologi, serta memberikan dampak positif terhadap minat siswa pada bidang STEM dan kesiapan menghadapi transformasi digital.

Related SDGs Targets

Full Author List

Arnoli, Andi Laden Shamil, Program Studi Teknik Informatika, Universitas Muslim Indonesia, Makassar, Indonesia ;L, Harlinda, Program Studi Sistem Informasi, Universitas Muslim Indonesia, Makassar, Indonesia ; Astuti, Wistiani, Program Studi Teknik Informatika, Universitas Muslim Indonesia, Makassar, Indonesia

Abstract

Stunting merupakan kondisi gagal pertumbuhan yang disebabkan karena kekurangan asupan gizi kronis dan nutrisi ditandai dengan panjang badan dan berat berada dibawah standar. Penelitian ini bertujuan membantu orang tua untuk memonitoring serta memberikan informasi terkait kriteria, gejala dan ciri- ciri stunting sehingga dibutuhkan sebuah aplikasi diagnosa stunting sederhana berisi menu informasi stunting dan menu diagnosa yang berfungsi dalam memonitoring dan memberikan pengetahuan terkait kondisi stunting. Aplikasi dalam penelitian ini dikembangkan menggunakan metode sistem pakar seperti forward chaining dan penggunaan pengukuran tingkat keyakinan certainly factor, Pembuatan aplikasi memanfaatkan framework flutter dengan menerapkan model pengembangan aplikasi menggunakan model ESDLC (expert system development life cycle) yang merupakan model khusus sistem pakar dengan pendekatan sitstematis dan terstruktur sehingga menghasilkan sistem yang efektif dan dapat dipercaya. Penelitian ini menghasilkan aplikasi diagnosa stunting yang dapat melakukan proses konsultasi sederhana dengan hasil untuk kondisi beresiko stunting sebesar 97,11% dan kondisi tidak beresiko mengalami stunting sebesar 47,84 %, dengan adanya aplikasi ini sebagai bentuk upaya deteksi dini stunting sehingga memberikan pengetahuan kepada orang tua terkait kondisi stunting dan informasi sebagai langkah awal penanganan stunting.

Related SDGs Targets

Full Author List

Astuti, Wistiani; Mude, Muh Aliyazid; Abdullah Syahrul Mubarak; Kurniati, Nia; Indra, Dolly; Manga, Abul Rachman; Ilmawan, Lutfi Budi, Universitas Muslim Infdonesia;

Abstract

Buku ini disusun secara sistematis agar mudah dipahami, mulai dari konsep dasar penilaian Openness dan Webometrics, hingga panduan teknis penggunaan Google Scholar dan SINTA. Pembaca akan dipandu langkah demi langkah dalam mengelola akun profil, meningkatkan jumlah sitasi, hingga strategi menulis artikel agar lebih mudah ditemukan secara global.

Related SDGs Targets

Full Author List

Ariani, Chindy; Belluano, Poetri Lestari Lokapitasari; Astuti, Wistiani, Universitas Muslim Indonesia

Abstract

Setiap cafe ingin memiliki karyawan yang memenuhi kriteria dalam jumlah tertentu melalui decision maker atau pihak cafe. Hal tersebut juga dapat mempengaruhi kepuasan pelanggan cafe yang mendapatkan pelayanan terbaik dari karyawan cafe. Penelitian ini dibuat untuk membangun sebuah sistem pendukung keputusan calon karyawan di Cafe Dapur Ide Makassar secara objektif menggunakan metode Simple Additive Weighting (SAW). Dalam hal ini diharapkan penentuan calon karyawan menggunakan metode SAW dapat membantu dalam menentukan calon karyawan tepat sesuai dengan kriteria yang telah ditentukan oleh pihak cafe dengan melihat ranking atau total skor tertinggi agar karyawan yang akan diterima dapat memberikan pelayanan yang terbaik dan layak diterima

Related SDGs Targets

Full Author List

Hasnawi, Mardiyyah; Astuti, Wistiani; Puspitasari, Andi; Kurniati, Nia; Indra, Dolly

Abstract

Data processing in waste bank management systems faces substantial challenges when extracting structured information from unstructured textual data containing transaction records, customer information, and waste categorization details. This study develops and validates an automated Named Entity Recognition (NER) system based on the IndoBERT transformer architecture to process textual records from Makassar waste bank operations. The approach fine-tunes the indolem/indobert-base-uncased model through domain-specific adaptation targeting waste management vocabulary and operational terminology. The dataset comprises 975 textual records collected from 8 Waste Bank Units in Makassar City. These records were systematically annotated using the BIO tagging scheme for eight entity types: B-LOCATION, B-PERSON, B-WASTE_CATEGORY, B-WASTE_TYPE, I-PERSON, I-WASTE_CATEGORY, I-WASTE_TYPE, and O. The dataset was partitioned into training (682 samples, 69.9%), validation (146 samples, 15.0%), and test sets (147 samples, 15.1%) using stratified sampling methodology with high inter-annotator agreement (κ=0.91). Experimental results show outstanding performance with 94.37% test accuracy, 90.65% precision, 94.37% recall, and 92.21% F1-score, outperforming general-purpose Indonesian NER approaches. Perfect performance was achieved for waste type recognition (B-WASTE_TYPE: 100% F1-score) and location identification (B-LOCATION: 100% F1-score), while waste category classification reached 96% F1-score. This implementation successfully automates entity extraction from Makassar waste bank textual data, reducing manual processing time by 95% while maintaining high accuracy levels. This research makes important contributions to Indonesian environmental natural language processing. These contributions include transformer adaptation methodologies for resource-constrained domains, validated IndoBERT performance on Indonesian waste bank data, the first Indonesian waste management NER dataset, and demonstrated feasibility of NLP-based environmental policy systems.

Related SDGs Targets

Full Author List

Astuti, Wistiani; Alwi, Erick Irawadi; Fattah, Farniwati; Hasanuddin, Tasrif; Sari, Ulfa; Almagfirah, Ainur Rahma, Universitas Musllim Indonesia

Abstract

Introduction: Tea leaf diseases can substantially reduce crop quality and productivity, making early and accurate diagnosis important for effective disease management. This study compares ResNet50 and ResNet101 as pretrained deep feature extractors combined with Support Vector Machine (SVM) to determine whether a deeper residual architecture can improve discrimination among visually similar tea leaf disease classes. Method: Images were obtained from the Kaggle “Identifying Disease in Tea Leaves” dataset comprising eight classes. Data augmentation increased each class to 800 images, yielding 6,400 images that were divided into training and testing sets using an 80:20 ratio. ResNet50 and ResNet101 pretrained on ImageNet were used as fixed feature extractors, and the resulting feature vectors were standardized and classified using an RBF-kernel SVM. Results and Discussion: ResNet101–SVM achieved the best performance with 97.97% accuracy and precision, recall, and F1-score of 98%, substantially outperforming ResNet50–SVM, which achieved 89.15% accuracy, 90% precision, 89% recall, and 89% F1-score. The deeper ResNet101 architecture provided more discriminative representations for visually similar disease patterns, although a small number of misclassifications remained. Conclusion: ResNet101 combined with SVM provides a more accurate and reliable framework than ResNet50–SVM for multi-class tea leaf disease classification and offers a promising foundation for automated disease diagnosis systems.

Related SDGs Targets