Kurniawan Eka Permana
Program Studi Teknik Informatika, Fakultas Teknik, Universitas Trunojoyo Madura

Published : 4 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search

REKAYASA KOMPONEN WEB SERVICE GENERAL LEDGER BERBASIS MICROSOFT .NET Lili, Suhadi; Purwananto, Yudhi; Permana, Kurniawan E.
JUTI: Jurnal Ilmiah Teknologi Informasi Vol 3, No 1 Januari 2004
Publisher : Department of Informatics, Institut Teknologi Sepuluh Nopember

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (498.474 KB) | DOI: 10.12962/j24068535.v3i1.a132

Abstract

Kebutuhan akan akuntansi menjadi suatu kebutuhan yang begitu mendasar bagi perusahaan baik yang skala kecil, menengah sampai yang besar. Tak pernah terlepas sedikitpun kegiatan ekonomi di suatu perusahaan dari akuntansi dan bagian-bagian yang ada di dalamnya. Salah satu bagian dari akuntansi itu adalah General Ledger atau Buku Besar. General Ledger atau Buku Besar menjadi inti dan pokok dari akuntansi. Pada penelitian ini dikembangkan sebuah komponen yang dapat digunakan untuk membangun web service General Ledger, dimana fungsinya adalah untuk melakukan proses penjurnalan sehingga dapat secara otomatis menghasilkan laporan-laporan keuangan. Tahapan untuk membuatnya adalah dengan waterfall development model dimulai dari pencarian masalah, membuat model class, pengaturan layer hingga aplikasi dapat diimplementasikan. Dalam ujicoba yang dilakukan, komponen telah dapat berfungsi dengan baik pada saat diimplementasikan, dengan melakukan pengisian data master, pengisian jurnal dan pembuatan laporan-laporan akuntansi. Kata kunci : Komponen, Web Service, General Ledger, Akuntansi, Microsoft .NET
PENGENALAN POLA SENYUM MENGGUNAKAN SELF ORGANIZING MAPS (SOM) BERBASIS EKSTRAKSI FITUR TWO-DIMENSIONAL PRINCIPAL COMPONENT ANALYSIS (2DPCA) Rima Tri Wahyuningrum; Bahrur Rosyid; Kurniawan Eka Permana
Seminar Nasional Aplikasi Teknologi Informasi (SNATI) 2012
Publisher : Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pengenalan pola senyum merupakan bagian dari pattern recognition dan telah banyak dikembangkan. Penelitian ini bertujuan melakukan pengenalan pola senyum menjadi lima macam klasifikasi yaitu: senyum manis, senyum mulut tertutup, senyum mulut terbuka, senyum mengejek, senyum yang dipaksakan. Dua hal yang menjadi masalah utama pada identifikasi pola senyum adalah proses ekstraksi fitur dari sampel pola senyum yang ada dan juga teknik klasifikasi yang digunakan untuk mengklasifikasikan pola senyum yang ingin dikenali berdasarkan fitur-fitur yang telah dipilih. Pada penelitian ini dilakukan proses ekstraksi fitur menggunakan algoritma Two-Dimensional Principal Component Analysis (2DPCA), sedangkan untuk proses klasifikasi menggunakan algoritma Self Organizing Maps (SOM). Berdasarkan hasil ujicoba menggunakan 250 data wajah tersenyum, rata-rata akurasi pengenalan pola senyum tertinggi yaitu sebesar 93.36% untuk 30 sampel masing-masing pola senyum.
Best Alpha for Forecasting Stock using Brown's Weighted Exponential Moving Average Muhammad Amfahtori Wijarnoko; Mochammad Kautsar Sophan; Kurniawan Eka Permana
SISTEMASI Vol 11, No 3 (2022): Sistemasi: Jurnal Sistem Informasi
Publisher : Program Studi Sistem Informasi Fakultas Teknik dan Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32520/stmsi.v11i3.1588

Abstract

Stocks are a very profitable type of investment, one of the most profitable stock sectors is mining. PT. Aneka Tambang Tbk (ANTM) is the largest mining company in Indonesia engaged in metals and minerals. The problem that occurs in stock investment is the fluctuation of stock prices. Stock price fluctuations occur because of the process of buying and selling shares, rumors about the company, or certain policies made by the government that can affect the company. These rapid stock price fluctuations are very dangerous for investors because these fluctuations are not always directly proportional to the company's fundamental conditions. Therefore we need a system that can perform forecasting to monitor stock price fluctuations that occur. The author uses the Brown's Weighted Exponential Moving Average (B-WEMA) method for forecasting. The data used are 241 daily PT Aneka Tambang Tbk (ANTM) in the Covid-19 era, starting January 1, 2020 - December 31, 2020. The experiment was carried out into 3 scenarios, namely using 3 months, 6 months, and 12 months data. Alpha tested is 0.1 to 0.9 (1 digit behind the comma) while the number of moving averages is 3, 5, 10, 20, 50, 100, and 200 adjusted to the amount of data. From the experiment it was found that the best forecasting was obtained in scenario 2 with the best manual alpha value having a MAPE error value of 2.84% using an alpha of 0.9 and a moving average of 100.
DETEKSI WAJAH MANUSIA BERBASIS ONE STAGE DETECTOR MENGGUNAKAN METODE YOU ONLY LOOK ONCE (YOLO) Muhammad Yusqi Alfan Thoriq; Indah Agustien Siradjuddin; Kurniawan Eka Permana
Jurnal Teknoinfo Vol 17, No 1 (2023): Vol 17, No 1 (2023): JANUARI
Publisher : Universitas Teknokrat Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33365/jti.v17i1.1884

Abstract

Deteksi wajah bertujuan untuk memperoleh lokasi wajah pada suatu citra, sehingga dengan lokasi wajah ini dapat dimanfaatkan untuk beberapa aplikasi seperti pengenalan wajah pada suatu citra yang sudah terdeteksi, pencarian wajah tertentu dari suatu data video. Pendekatan one stage detector dengan algoritma You Only Look Once (YOLO) digunakan pada penelitian ini, dimana data citra dibagi menjadi grid dengan ukuran terentu. Setiap grid ini merupakan representasi lokasi kandidat wajah yang terdapat pada citra.  Untuk proses klasifikasi wajah dan non wajah serta perbaikan lokasi wajah di setiap grid ini menggunakan arsitektur Convolutional Neural Network (CNN), dimana pada penelitian ini menggunakan model yang sudah dilatih yaitu Visual Geometry Group-16 (VGG-16) pada lapisan konvolusi, sedangkan pada lapisan Fully Connected (FC) dilakukan proses pelatihan dengan data target yang sudah ditentukan. Ujicoba dilakukan pada WIDER Face dataset yang memiliki variasi jumlah wajah di dalam setiap citranya.  Hasil ujicoba yang telah dilakukan mendapatkan nilai akurasi Precision sebesar 0.253, nilai akurasi Recall sebesar 0.247 dan nilai akurasi F1-Score sebesar 0.25