Pada industri jasa pelayanan peti kemas, Terminal Nilam merupakan pelanggan dari PT. BIMA, yang secara khusus bergerak dibidang jasa perbaikan dan perawatan alat berat. Terminal ini menjadi sentral tempat untuk melakukan aktifitas bongkar muat peti kemas domestik yang memiliki empat buah container crane untuk melayani dua kapal. Proses perawatan alat berat seperti container crane yang selama ini beroperasi, agaknya kurang memperhatikan data pengelompokkan atau klasifikasi jenis perawatan yang dibutuhkan oleh alat berat tersebut. Di kemudian hari, alat berat dapat menunjukkan kinerja yang tidak maksimal bahkan dapat berujung pada kecelakaan kerja. Selain itu, kelalaian perawatan container crane juga dapat menyebabkan pembengkakan biaya perawatan lanjut. Target produksi bongkar muat dapat berkurang dan juga keterlambatan jadwal kapal sandar sangat mungkin terjadi. Metode pembelajaran menggunakan mesin atau biasa disebut dengan Machine Learning (ML), dengan mudah dapat melenyapkan kemungkinan-kemungkinan tersebut. ML dalam penelitian ini, kami rancang agar bekerja dengan mengidentifikasi lalu mengelompokkan jenis perawatan container crane yang sesuai, yaitu ringan atau berat. Metode ML yang pilih untuk digunakan dalam penelitian ini yaitu Random Forest, Support Vector Machine, k-Nearest Neighbor, Naïve Bayes, Logistic Regression, J48, dan Decision Tree. Penelitian ini menunjukkan keberhasilan ML model tree dalam melakukan pembelajaran jenis data perawatan container crane (numerik dan kategoris), dengan J48 menunjukkan performa terbaik dengan nilai akurasi dan nilai ROC-AUC mencapai 99,1%. Pertimbangan klasifikasi kami lakukan dengan mengacu kepada tanggal terakhir perawatan, hour meter, breakdown, shutdown, dan sparepart.
Dalam perkembangan teknologi transaksi online hingga fasilitas e-commerce, sistem point-of-sale (POS) menjadi sangat populer karena menyediakan cara transaksi yang cepat dan nyaman untuk bisnis. Sistem ini mampu mengakomodasi tugas-tugas vital seperti transaksi online, keamanan, integrasi dengan perpajakan, hingga laporan manajemen. Oleh karena itu, menjadi penting dalam memastikan kualitas perangkat lunak dan pemanfaatan fungsi bisnis yang efektif. Di antara beberapa fungsi dan atribut kualitas perangkat lunak, sifat kegunaan perangkat lunak POS sangatlah krusial, karena antarmuka pengguna secara langsung sangat terkait dengan perilaku kasir, kepuasan pelanggan, dan keuntungan pasar. Namun, pelaksanaan evaluasi kegunaan sistem transaksi yang menggunakan teknologi POS tidak mudah karena secara umum ditampilkan banyak konfigurasi, dan antarmuka yang kompleks. Banyak model kualitas yang tersedia belum cukup untuk mengevaluasi kegunaan sistem POS yang hanya mencakup sebagian tampilan fungsinya.Dalam penelitian ini, kami melakukan investigasi sepuluh model kualitas dari metode System Usability Scale (SUS) dan mengekstrak faktor terkait kegunaan dari masing-masing model dan mengimplementasikannya berbasis desain yang berfokus pada manusia atau Human Centered Design (HCD). Evaluasi dari penggunaan aplikasi POS yang dibuat menghasilkan nilai rata-rata skor SUS sebesar 78,2 yang menunjukkan tingkat penerimaan masuk kategori Baik (Good).
This research was aimed to enhance the cryptospatial with geospatial blockchain based on a point in polygon test. Ripple Protocol Consensus Algorithm (RPCA) was used for developing a blockchain. The steps taken include: (1) Data from the surveyors were entered using application connected to the transaction set; (2) The transaction set sent data to the transaction proposal; (3) The transaction proposal will distribute to every connected validating of nodes for executing the smart contract with the point in a polygon test method; (4) If the process succeeded with the maximum fault tolerance of 20%, then the node records a new chain to the ledger. This method is faster than Practical Byzantine Fault Tolerance (PBFT) blockchain for approximately 26% to add a new chain in the ledger and for 52% to decrypt the blockchain with a mobile device. The result of this process is a cryptospatial coordinate for the cultural heritage tourism.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.