Jurnal Krisnadana
https://ejournal.sidyanusa.org/index.php/jkdn
<p><strong>Jurnal </strong><strong>Krisnadana (E-ISSN: 2808-3563 (<a href="https://issn.brin.go.id/terbit/detail/20211009161435137" target="_blank" rel="noopener">Indonesia</a> | <a href="https://portal.issn.org/resource/ISSN/2808-3563" target="_blank" rel="noopener">Internasional</a>) | P-ISSN 2808-3520 (<a href="https://issn.brin.go.id/terbit/detail/20211009301472421" target="_blank" rel="noopener">Indonesia</a> | <a href="https://portal.issn.org/resource/ISSN/2808-3520" target="_blank" rel="noopener">Internasional</a>) | DOI Prefix : <a href="https://search.crossref.org/?q=krisnadana&from_ui=yes" target="_blank" rel="noopener">10.58982</a> )</strong> merupakan jurnal yang dapat menjadi wadah bagi civitas akademika dan kalangan profesional dalam mempublikasikan karya ilmiah ataupun hasil penelitiannya dengan tetap mengutamakan orisinalitas karya, pengembangan kelimuan dan kontribusi dalam berbagai bidang. Jurnal Krisnadana terbit 3 kali setahun pada bulan Januari, Mei dan September, dengan berfokus pada bidang Ilmu Komputer, Sistem Kendali, dan Jaringan</p> <p> </p>id-ID[email protected] (I Gede Iwan Sudipa)[email protected] (I Komang Arya Ganda Wiguna)Jum, 31 Mei 2024 00:00:00 +0700OJS 3.2.1.1http://blogs.law.harvard.edu/tech/rss60Model Peramalan Toko Swalayan XYZ dengan Backpropagation Neural Network
https://ejournal.sidyanusa.org/index.php/jkdn/article/view/556
<p><strong>D</strong>ata penjualan barang di toko swalayan XYZ termasuk ke dalam jenis data time series. Setelah melihat keseluruhan data, pola data dari kategori body care adalah stasioner dimana kategori ini mengalami penurunan dan kenaikan penjualan tiap bulannya, dapat dikatakan bahwa fluktuasi dari data kategori tersebut lumayan stabil. Salah satu analisis time series adalah peramalan, peramalan dapat dilakukan dengan berbagai metode namun pemilihan metode disesuaikan lagi dengan kondisi datanya. Penulis menggunakan metode backpropagation neural network karena dapat memproses data dengan jumlah yang besar seperti data penjualan. Pada kasus data time series ini, metode backpropagation neural network memiliki kemampuan untuk mempelajari pola – pola kompleks dengan berbagai model arsitektur yang mungkin sulit dilakukan oleh pendekatan lain. Tujuan dari penelitian ini adalah menghasilkan model terbaik dengan akurasi yang baik pula dari metode backpropagation neural network dalam meramalkan data penjualan ini. Hasil dari penelitian ini yaitu dari 50 model yang dicoba, dihasilkan 2 model terbaik yaitu model 42 dengan arsitektur 13-15-10 yang menghasilkan MAPE sebesar 23,10% den model 41 dengan arsitektur 13-14-10 yang menghasilkan MSE sebesar 10,12.</p>Gusti Ayu Agung Putri Pramesti Maharani, Wayan Gede Suka Parwita
Hak Cipta (c) 2024 Gusti Ayu Agung Putri Pramesti Maharani, Wayan Gede Suka Parwita
https://creativecommons.org/licenses/by-nc-sa/4.0
https://ejournal.sidyanusa.org/index.php/jkdn/article/view/556Jum, 31 Mei 2024 00:00:00 +0700Pengaruh Ukuran Jendela Ketetanggaan (Window) Terhadap Hasil Redukasi Noise pada Metode Median Filter dan Gaussian Filter
https://ejournal.sidyanusa.org/index.php/jkdn/article/view/601
<p><strong><em>P</em></strong><em>ada era sekarang, pengolahan citra merupakan bidang yang berkembangpesat dan banyak diterapkan pada berbagai ilmu pengetahuan. Pengolahan citra didefinisikan sebagai suatu proses pengolahan citra atau gambaran. untuk menghasilkan citra yang lebih tinggi kualitasnya, dalam arti lebih jelas menampilkan informasi yang diharapkan. Gambar yang kita miliki terkadang mempunyai kualitas yang kurang baik atau memiliki gangguan, sepertigangguan berupa distorsi cahaya, noise atau derau, maupun gangguan lainnya yang menyebabkan objek dalam citra menjadi kurang jelas atau pun kabur. Gangguan yang sering terjadi atau mucul berupa noise atau derau, jenis Noise yang paling sering merusak citra adalah salt and pepper (noise impluse). Untuk mengatasi hal seperti ini, maka dilakukan proses filtering dengan menggunakan metode median filter 3x3, 5x5, 7x7 dan metode gaussian filter dengan standar deviasi 1, 1,0, dan 0,5. Secara teoritis mengenai metode yang digunakan yakni menginput citra atau gambar setelah mengkonversi RGB ke Grayscale, menambahkan noise ke citra grayscale, menyimpan citra dengan noise dilanjutkan dengan proses noise filtering dengan menggunakan median dan gaussian filter. Hasil dari pengujian median filter dan gaussian filter dengan menggunakan parameter MSE dan PSNR bahwa rata-rata nilai MSE dan PSNR yang memiliki nilai tertinggi maka citra hasil dapat dikatakan bagus dan mirip dengan citra aslinya. Dari 5 gambar uji yang digunakan dalam penelitian ini, dapat disimpulkan bahwa dalam kasus ini metode median filter lebih baik dari pada gaussian filter dalam perbaikan kualitas gambar atau citra dengan jenis noise salt and pepper.</em></p>Maria Grasela Tatuin, Yoseph P.K Kelen, Seprianus Septian Manek
Hak Cipta (c) 2024 Maria Grasela Tatuin, Yoseph P.K Kelen, Seprianus Septian Manek
https://creativecommons.org/licenses/by-nc-sa/4.0
https://ejournal.sidyanusa.org/index.php/jkdn/article/view/601Jum, 31 Mei 2024 00:00:00 +0700Rancang Bangun Mesin Roasted Biji Kopi Timor Portabel Berbasis Internet Of Things (IoT) dengan Mikrokontroler ESP32
https://ejournal.sidyanusa.org/index.php/jkdn/article/view/606
<p><strong>S</strong>ejak tahun 1980, ide pengembangan tanaman kopi di Timor khususnya di Eban, muncul karena kondisi suhu yang mendukung pertumbuhan tanaman kopi di daerah ini, terutama di desa Suanae. Perkembangan meningkat sehingga popularitas kopi di Timor semakin tinggi. Namun, untuk dapat di nikmati, kopi harus melewati suatu prosees penting yaitu proses penyangraian. Proses penyangraian kopi yang masih di gunakan saat ini masih menggunakan alat serta cara manual. bahan baku dan penikmat kopi di Timor sangat banyak namun ketersediaan mesin sangrai portable yang dilengkapi dengan teknologi berbasis Internet of Things (IoT) masih belum ada. Sehingga untuk mengkatkan efisiensi dan kontrol dalam proses penyangraian, teknologi berbasis IoT dapat di manfaatkan sebagai solusi. Dimana sistem yang di bangun berjalan semiotomatis dan telah terkoneksi dengan internet menggunakan mikrokontoler ESP32 sehingga suhu dan waktu pada proses penyangraian dapat di monitoring dan di seting memalui Smartphone menggunakan aplikasi Blynk. Dalam mesin Roastet Portable ini menggukanan sensor Thermocouple Max6675 sebagai pengukur suhu pada tabung sangrai dan Push Button untuk memngatur waktu penyangraian serta mikrokontroler ESP32 sebagai pusat kendali utama dan pemroses data. Hasil dari sistem yang di buat ini adalah sistem mampu mengirim dan menampilkan data, serta mengontrol peroses penyangraian biji kopi dengan baik.</p>Alfonsus Jefri Oematan, Yoseph P.K. Kelen, Budiman Baso, Willy Sucipto
Hak Cipta (c) 2024 Alfonsus Jefri Oematan, Yoseph P.K. Kelen, Budiman Baso, Willy Sucipto
https://creativecommons.org/licenses/by-nc-sa/4.0
https://ejournal.sidyanusa.org/index.php/jkdn/article/view/606Jum, 31 Mei 2024 00:00:00 +0700Teknik Penilaian Kinerja Karyawan dengan Metode Behaviorally Anchor Rating Scale (BARS) pada PT Indomarco Prismatama
https://ejournal.sidyanusa.org/index.php/jkdn/article/view/621
<p><strong>S</strong>angat penting bagi setiap perusahaan atau organisasi untuk melakukan penilaian kinerja. Hal ini sangat berkaitan dengan keputusan yang akan dibuat oleh perusahaan. Setiap perusahaan biasanya menggunakan metode yang berbeda-beda untuk menilai kinerja setiap karyawan. Dengan menggunakan metode Behaviour Anchor Rating Scale (BARS), artikel ini ditulis untuk merancang sistem penilaian kinerja untuk setiap karyawan tetap di perusahaan ini. Tujuan dari artikel ini adalah untuk mengetahui penilaian kinerja karyawan retail yang akan digunakan dalam proses pengambilan keputusan. Perancangan sistem penilaian kinerjanya dimulai dengan menentukan standar untuk menilai kinerja karyawan, membuat skala yang harus digunakan, dan akhirnya menentukan skor akhir karyawan. Hasil penelitian menghasilkan pilihan A3 sebagai karyawan terbaik dengan nilai 4,05.</p>Nabil Haidar Suwanda, Dedi Rianto Rahadi
Hak Cipta (c) 2024 Nabil Haidar Suwanda, Dedi Rianto Rahadi
https://creativecommons.org/licenses/by-nc-sa/4.0
https://ejournal.sidyanusa.org/index.php/jkdn/article/view/621Jum, 31 Mei 2024 00:00:00 +0700Sistem Pendukung Keputusan Penerimaan Bantuan Sosial Perikanan untuk Nelayan menggunakan Metode Simple Additive Weighting (SAW)
https://ejournal.sidyanusa.org/index.php/jkdn/article/view/620
<p><strong><em>N</em></strong><em>elayan merupakan penduduk yang tinggal di pesisir pantai dan sumber kehidupan ekonominya bergantung secara langsung pada kegiatan mengolah sumber daya laut, komunitas nelayan atau kelompok dan orang yang mata pencarian hasil laut dan tinggal di desa, Pantai atau pesisir Aset nelayan bagi Indonesia juga salah satu factor yang penting serta menjadi ujung tombak dalam pengembangan di bidang kelautan dan perikanan Aktivitas nelayan yang berada di dalam laut, untuk menangkap ikan memilik resiko tinggi yang bahkan mengancam keselamatan jiwa. Proses pemberian bantuan sosial kepada nelayan di Kabupaten Belu masih dilakukan secara manual, menyebabkan penumpukan dokumen, keterlambatan, dan kesalahan dalam pengajuan bantuan. Untuk mengatasi masalah ini, penelitian ini mengembangkan sistem pendukung keputusan (SPK) berbasis metode Simple Additive Weighting (SAW) yang dapat mengotomatisasi proses seleksi calon penerima bantuan. Metode SAW dipilih karena kemudahannya dalam implementasi, efisiensi perhitungan, serta transparansi dan fleksibilitas dalam menyesuaikan kriteria dan bobot. Hasil penelitian menunjukkan menunjukkan ranking 13 alternatif penerima bantuan sosial kepada nelayan berdasarkan dari 5 kriteria penilaian yang telah ditentukan oleh pengambil keputusan, sehingga dapat menghasilkan keputusan obyektif dengan mempertimbangkan setiap nilai alternatif pada setiap kriteria sehingga dapat menunjangkan penerima bantuan yang paling sesuai.</em></p>Lusi Asameta, Yoseph P.K Kelen, Siprianus S Manek
Hak Cipta (c) 2024 Lusi Asameta, Yoseph P.K Kelen, Siprianus S Manek
https://creativecommons.org/licenses/by-nc-sa/4.0
https://ejournal.sidyanusa.org/index.php/jkdn/article/view/620Jum, 31 Mei 2024 00:00:00 +0700