Video dokumenter adalah sebuah video yang mendokumentasikan kejadian atau peristiwa sesuai dengan kenyataan yang telah terjadi sebelumnya. Mengingat di masa lalu, perempuan lebih banyak terkekang dalam peran sebagai pendamping suami dan pengasuh anak. Fakta masih adanya ketimpangan gender ini berbeda dengan yang terjadi di FKTI dimana perbedaan gender tidak membuat para wanita menjadi tidak memiliki peranan dalam perkembangan FKTI maka dari itu video dokumenter ini dapat menjadi sebuah media penyampaian berupa tampilan visual guna mengenalkan kepada calon mahasiswa/i baru khususnya wanita. Video dokumenter ini diharapkan agar menjadi kisah inspiratif bagi masyarakat, bahwa perempuan juga mampu bersaing dalam bidang Teknologi Informasi dan Komunikasi (TIK). Video ini nantinya menampilkan kegiatan wanita di bidang informatika dalam sudut pandang wanita yang berkompeten. Dalam membuat sebuah video documenter, terlebih dahulu mempersiapkan setiap detail tahapan yang akan dibuat dimulai dari tahap Pra Produksi, Tahap Produksi, dan tahap Pasca Produksi. Dan hasil dari pembuatan video dokumenter ini nantinya akan diserahkan kepada Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Mulawarman untuk digunakan sebagai media sosialisasi ke publik khususnya wanita agar dapat bergabung di FKTI Universitas Mulawarman.

No abstract

No abstract

No abstract

No abstract

No abstract

Samarinda sarong is one of the cultural treasures in the form of cloth from Samarinda, East Kalimantan. It has a characteristic in the form of a square motif with a unique color combination. However, several people do not know the difference between a Samarinda sarong and a non-Samarinda sarong because the Samarinda sarongs may have a similar motif or color to a non-Samarinda sarong. This study aims to develop a Samarinda sarong detection method to distinguish between the sarong of Samarinda and non-Samarinda. The detection of the Samarinda sarong was carried out based on two features: color and texture. The feature extraction of color was applied using color moments and Gray Level Co-Occurrence Matrix (GLCM) for texture. The classification was implemented using the Naive Bayes method. The dataset used consists of 250 sarong images (150 Samarinda sarong images and 100 Non-Samarinda sarong images) divided into training and test data. It was divided using percentage split and cross-validation. The test results show the implementation of the color moments, GLCM, and Naive Bayes methods using a percentage split (70%) produce the best accuracy of 0.987 compared to using cross-validation (K=10) with an accuracy of 0.984. The difference may occur because the number of training and testing data used on percentage split and cross-validation is different. Moreover, the sarong images used on training and test data were chosen randomly.   

Bahan bakar merupakan salah satu kebutuhan yang saat ini tidak bisa dilepaskan dari masyarakat. Bahan bakar cair terutama bensin atau premium, pertalite, pertamax, dan solar merupakan bahan bakar yang digunakan pada alat transportasi. Semakin banyak alat transportasi yang dimiliki masyarakat dapat memungkinkan tidak tersedianya stok bahan bakar di salah satu SPBU (Stasiun Pengisian Bahan Bakar Umum) tertentu. Dengan tidak tersedianya stok persediaan bahan bakar di SPBU, hal ini dapat menimbulkan beberapa masalah, seperti antrian yang panjang pada salah satu SPBU, serta kurangnya kebutuhan bahan bakar pada masyarakat. Salah satu metode untuk memecahkan masalah tersebut adalah menggunakan metode Fuzzy Tsukamoto. Fuzzy Tsukamoto merupakan salah satu metode yang termasuk ke dalam sistem inferensi fuzzy. Metode ini dapat menentukan jumlah produksi, sehingga jumlah produksi sebuah barang dapat diprediksi. Hasil penelitian menunjukkan bahwa metode Tsukamoto mampu memprediksi jumlah penerimaan stok bahan bakar yang seharusnya diterima oleh SPBU pada periode berikutnya. Dimana, hasil pengujian ketepatan prediksi diukur dengan menggunakan metode MAPE (Mean Absolute Percentage Error) dengan nilai persentase error yang didapatkan adalah sebesar 16 %, sehingga kinerja sistem dalam memprediksi stok bahan bakar dapat dikatakan bagus.