Competitive

ANALISIS EKSPERIMENTAL KOMPARASI KEANDALAN SENSOR DHT22 DAN SHT31 PADA GREENHOUSE BERBASIS INTERNET OF THINGS

Akpil Mauhib Akpil, Rudi Hermawan — Tue, 16 Dec 2025 00:00:00 +0700

Greenhouse memerlukan sistem monitoring suhu dan kelembaban yang akurat untuk mendukung pertumbuhan tanaman secara optimal. Tantangan utama terletak pada pemilihan sensor yang tepat karena adanya perbedaan akurasi dan ketahanan. Penelitian ini membandingkan performa sensor DHT22 dan SHT31 dalam sistem monitoring greenhouse berbasis Internet of Things (IoT) dengan metode eksperimen kuantitatif. Pengujian dilakukan dalam kondisi lingkungan yang sama dan divalidasi menggunakan alat referensi MET-0083. Analisis dilakukan berdasarkan nilai MAE, RMSE, stabilitas sensor terhadap perubahan kondisi lingkungan, dan jangkauan pengukuran. Data dikelola secara otomatis menggunakan spreadsheet yang terintegrasi dengan Google Apps Script. Hasil menunjukkan bahwa SHT31 memiliki akurasi lebih tinggi, performa lebih stabil, serta jangkauan deteksi hingga 200 cm, sementara DHT22 terbatas pada 150 cm. Selama dua bulan pengujian, performa kedua sensor menurun. Untuk suhu, MAE SHT31 meningkat dari 0,790°C menjadi 1,494°C, dan DHT22 dari 0,850°C ke 1,160°C. RMSE suhu SHT31 naik dari 0,998 ke 3,044, dan DHT22 dari 1,105 ke 1,836. Pada kelembaban, MAE SHT31 naik dari 4,023% ke 9,542%, dan DHT22 dari 3,325% ke 9,880%. RMSE kelembaban SHT31 meningkat dari 23,551 ke 113,663, sedangkan DHT22 dari 18,393 ke 98,804. Dengan pendekatan coverage-based pada greenhouse berukuran 6×7 meter, penggunaan SHT31 dinilai lebih efisien. Oleh karena itu, SHT31 direkomendasikan sebagai sensor paling optimal untuk sistem monitoring greenhouse berbasis IoT.

STRATEGI MANAJERIAL MENINGKATKAN EFISIENSI LAYANAN KLINIK SODONG MEDIKA

Tue, 16 Dec 2025 00:00:00 +0700

Penelitian ini bertujuan untuk mengeksplorasi strategi manajerial yang diterapkan di Klinik Sodong Medika dalam meningkatkan efisiensi pelayanan kesehatan bagi pasien BPJS. Penelitian ini menggunakan pendekatan kualitatif deskriptif dengan metode pengumpulan data berupa wawancara mendalam, observasi langsung, dan analisis dokumentasi. Informan dalam penelitian ini meliputi manajer klinik, dokter umum, staf administrasi, dan pasien BPJS. Hasil penelitian menunjukkan bahwa upaya manajerial seperti optimalisasi alur kerja, pengembangan kapasitas staf, dan pemanfaatan sistem digital berkontribusi signifikan dalam meningkatkan efisiensi pelayanan. Meskipun terdapat berbagai tantangan seperti keterbatasan sumber daya dan tingginya jumlah pasien, klinik ini mampu menunjukkan strategi adaptif dalam mengelola pelayanan. Disarankan agar evaluasi berkelanjutan, integrasi sistem informasi, dan pengembangan sumber daya manusia terus diperkuat untuk memastikan peningkatan layanan yang berkelanjutan.

PERAMALAN PERMINTAAN RAINCOAT PT. XYZ MENGUNAKAN ALGORITMA MONTE CARLO

Virdiandry Putratama, Aditiya Sovia Pramudita — Tue, 16 Dec 2025 00:00:00 +0700

PT XYZ Bandung is a manufacturing company that produces SNI standard raincoats. The problem that arises at this time is that the company (PT XYZ) finds it difficult to determine the supply of raw materials for the manufacture of Raincoats due to fluctuating or uncertain demand. Forecasting this demand is to minimize the mismatch between demand and inventory of Raincoat products. In this study, the Monte Carlo Algorithm was used. This algorithm is a probabilistic algorithm technique for solving problems with sampling and random processes. Demand forecasting uses data for the past 20 months of 2023-2024. Based on the results of the calculation, it is found that the results of calculations based on data for 2023 February and May, each with a demand of 35,744 units with a total demand of 226,251 Units with an accuracy of 99.80%, while in 2024 January, March, April, and June with 41,913 units with a total demand of 351,496 Units with an accuracy of 93.87%. From these results, it can be concluded that the Monte Carlo Algorithm can predict Raincoat demand forecasting at PT.XYZ Bandung.

PERAMALAN STRUCT THERMAL DAN STICKER THERMAL DI POS KANTOR CABANG UTAMA BANDUNG

Tue, 16 Dec 2025 00:00:00 +0700

Penelitian ini menganalisis akurasi peramalan persediaan struct thermal Pospay dan sticker thermal cetak resi di PT Pos Kantor Cabang Utama Bandung. Permasalahan yang sering terjadi adalah stockout karena pengelolaan persediaan masih dilakukan secara manual. Tujuan penelitian ini untuk menganalisis akurasi peramalan, serta menghitung safety stock dan reorder point. Pendekatan yang digunakan adalah kuantitatif deskriptif, dengan metode Single Exponential Smoothing (SES) pada data bulanan dari Januari 2022 hingga Mei 2025. Hasilnya, untuk struct thermal Pospay, SES (α=0.2) menunjukkan akurasi "cukup" dengan MAPE 38,27%, hasil peramalan adalah 152 unit, safety stock 26 unit, dan reorder point 49 unit. Sementara untuk sticker thermal cetak resi, SES menunjukkan akurasi "rendah" (MAPE 54,07%), dengan hasil peramalan 107 unit, safety stock 22 unit, dan reorder point 38 unit. Rendahnya akurasi ini disebabkan oleh pola data yang sangat fluktuatif.

APLIKASI CHATBOT BERBASIS NLP UNTUK LAYANAN AKADEMIK STUDI KASUS FAKULTAS HUKUM UNISBA

Herman Syaefuloh, Castaka Agus Sugianto — Tue, 16 Dec 2025 00:00:00 +0700

Fakultas Hukum Universitas Islam Bandung (Unisba), melayani ratusan mahasiswa aktif dengan kebutuhan informasi akademik yang beragam. Saat ini, layanan akademik masih bergantung pada interaksi langsung maupun melalui media sosial menggunakan aplikasi WhatsApp untuk mahasiswa bisa mendapatkan informasi seputar akademik. Layanan menggunakan apliasi Whatsapp ini memiliki keterbatasan, antara lain layanan tidak tersedia 24 jam dan hanya dikelola oleh satu orang operator yang bertugas sesuai jam kerja kantor, sehingga sering menimbulkan keterlambatan respons. Kondisi ini berpotensi menghambat mahasiswa dalam memperoleh informasi penting dengan tepat waktu. Sebagai solusi, pemanfaatan chatbot berbasis Natural Language Processing (NLP) dapat menghadirkan layanan akademik yang lebih cepat, responsif, dan otomatis. Chatbot mampu memahami serta merespons pertanyaan mahasiswa secara real-time dengan tingkat akurasi tertentu, bergantung pada algoritma klasifikasi teks yang digunakan. Salah satu algoritma yang umum digunakan dalam klasifikasi teks adalah Naive Bayes Classifier karena kesederhanaan, efisiensi, dan performanya yang cukup baik pada data berskala kecil hingga menengah. Penelitian ini bertujuan untuk menganalisis performa algoritma Naive Bayes dalam mendukung chatbot layanan akademik di Fakultas Hukum Universitas Islam Bandung (Unisba). Dataset yang digunakan berupa kumpulan pertanyaan, jawaban serta intent seputar informasi akademik yang telah melalui proses praposes teks, meliputi tokenization, stopword removal, stemming, serta representasi fitur dengan TF-IDF. Algoritma Naive Bayes diterapkan untuk mengklasifikasikan intent pertanyaan pengguna dan menghasilkan respons jawaban yang sesuai melalui chatbot. Hasil penelitian menunjukkan bahwa algoritma Naive Bayes mampu memberikan tingkat akurasi yang cukup baik yaitu 85% dengan rincian nilai macro average untuk precision mencapai 0.86, recall 0.88, dan f1-score 0.81. Sementara itu, weighted average precision sebesar 0.89, recall 0.85, dan f1-score 0.82, sehingga kinerja model relatif stabil pada berbagai kelas.Dengan demikian, algoritma Naive Bayes Classifier dapat digunakan pada chatbot layanan akademik fakultas Hukum Unisba.