<p>The accuracy of the type or dosage of drugs by doctors is important. The types and doses of medicines given by the doctors should match the illness suffered by the patient as well as consider the patient's health condition. In hypertension disease, the error rate of drug dosage by medical personnel is quite high, reaching 34%. Meanwhile, the administration of the type and dosage of drugs appropriate to the patient's condition required the knowledge of high medical personnel and experienced medical personnel. In this research, we developed the model of drug suitability evaluation with hypertension patient's health condition using Profile Matching method. The proposed model evaluates the patient's health condition based on the parameters provided by the expert and produces recommendations on the type of drug. To optimize the Profile Matching method, in this research we applied interpolation weighting method which calculates the proximity level of the patient profile with drug profile more accurately. Based on the experiment, the proposed model has an accuracy value of 87%, precision 87.11% and recall of 85.44%. It proves that the proposed method can provide recommendations on the right type of hypertension medication. Also, the interpolation weighting method is proven to increase the accuracy. </p>

Karyawan terbaik adalah tenaga kerja perusahaan yang memiliki kinerja terbaik diantara karyawan-karyawan lainnya. Salah satu upaya untuk meningkatkan kinerja karyawan dalam bekerja adalah dengan mengadakan kegiatan pemilihan karyawan terbaik. Masalah yang dihadapi PT. XYZ pada saat sebelum diadakannya penelitian ini adalah penilaian karyawan dilakukan dengan cara manual, yang tentu saja setiap penilai memiliki cara penilaian tersendiri dalam memilih karyawan terbaik. Hal ini menyebabkan proses pengambilan keputusan membutuhkan waktu yang lama dan hasilnya pun cenderung subjektif. Untuk menghilangkan masalah tersebut, diperlukan suatu sistem terkomputerisasi yang membantu pengambil keputusan dalam memilih karyawan terbaik, yaitu sistem pendukung keputusan (SPK) pemilihan karyawan terbaik pada PT. XYZ yang dibuat dengan menggunakan metode Profile Matching dan Interpolasi. Metode Profile Matching digunakan untuk pengambilan keputusan penilai, sedangkan metode Interpolasi digunakan untuk proses pembobotan tiap nilai, sehingga hasilnya akan menjadi objektif. Kriteria yang digunakan adalah Kualitas Kerja, Kuantitas Kerja, Disiplin, Inisiatif, Motivasi, Tanggung Jawab, Kerjasama, Adaptasi, Pemahaman Tugas, Pemecahan Masalah, Kepemimpinan, dan Pengambilan Keputusan. Setelah perhitungan nilai dilakukan dengan metode Profile Matching dan pembobotan dilakukan dengan metode Interpolasi, maka karyawan kode A099 (Dadap Hardiansyah) berhak menerima penghargaan karyawan terbaik dengan nilai tertinggi 3.875. Dengan demikian, SPK dengan menggunakan metode Profile Matching dan Interpolasi mampu merekomendasikan pemilihan karyawan terbaik dengan hasil perhitungan yang lebih cepat dan objektif, sehingga dapat digunakan sebagai pendukung keputusan pada PT. XYZ.

No abstract

Asisten LAB ICT merupakan mahasiswa Fakultas Teknologi Informasi dan Fakultas Ekonomi dan Bisnis yang aktif. Asisten Laboratorium mempunyai tugas mendampingi dosen pada saat dosen mengajar praktikum di LAB ICT, dan harus memahami materi praktikum dosen yang sedang mengajar, dan harus mampu memperbaiki komputer yang bermasalah. Asisten bukan jabatan permanen di LAB ICT. Asisten Lab bukan merupakan jabatan yang permanen, sehingga setiap tahun ajaran baru dibuka pendaftaran calon asisten. Banyak mahasiswa yang mendaftar menjadi calon asisten tetapi jumlah calon asisten yang diterima terbatas. Untuk menjadi asisten Lab ada beberapa kriteria yang dijadikan sebagai penilaian, yaitu nilai hardware, nilai psikotes, nilai kompetensi, nilai wawancara, nilai project1, nilai project2 dan nilai absensi. Untuk menentukan asisten yang diterima berdasarkan beberapa kriteria diatas belum ada metode tertentu dalam mengambil keputusan. Untuk membantu dalam mengambil keputusan maka dibuat sistem pendukung keputusan untuk penentuan penerimaan Asisten Lab. Metode yang digunakan digunakan dalam sistem pendukung keputusan adalah Multi Factor Evaluation Process (MFEP). Prototype yang dibuat menggunakan bahasa pemrograman PHP.

Bahasa isyarat adalah bahasa yang mengutamakan gerakan tubuh dan mimik muka sebagai simbol untuk saling berkomunikasi. Kelompok penyandang tunarungu dan tunawicara merupakan pengguna utama dari bahasa isyarat. Salah satu jenis bahasa isyarat yang ada di Indonesia adalah SIBI (Sistem Isyarat Bahasa Indonesia). SIBI (Sistem Isyarat Bahasa Indonesia) merupakan bentuk bahasa lisan yang diubah ke dalam bahasa isyarat. Bahasa isyarat tidak hanya digunakan sebagai alat komunikasi dan interaksi antar penyandang tunarungu dan tunawicara, tetapi juga dengan orang normal. Namun, hingga saat ini masih terdapat kesenjangan komunikasi antara penyandang tunarungu dan tunawicara dengan orang normal. Maka dibuat sebuah rancangan sistem yang dapat mendeteksi simbol bahasa isyarat SIBI (Sistem Isyarat Bahasa Indonesia). Sistem ini dibuat dengan menggunakan algoritma Random Forest Classifier dengan bantuan MediaPipe Holistic dan OpenCV serta dibuat dengan menggunakan bahasa pemrograman Python. Pada penelitian ini dibuat dataset yang dibatasi dengan 10 (sepuluh) class simbol yang mewakili kata dalam SIBI (Sistem Isyarat Bahasa Indonesia) dengan total 8734 baris data yang kemudian dilakukan preprocessing dengan membagi dataset menjadi 70% data latih dan 30% data uji. Pada penelitian ini, berisi tahapan-tahapan seperti membuat deteksi, membuat dataset, melatih model model klasifikasi, dan pengujian. Pengujian dilakukan dengan perhitungan akurasi menggunakan Confusion Matrix kemudian didapat tingkat Accuracy 98,6%, Precision 98,6%, dan Recall 98,66%. Dengan dibuatnya sistem deteksi SIBI (Sistem Isyarat Bahasa Indonesia) diharapkan dapat mengurangi kesenjangan antara penyandang tunarungu dan tunawicara dengan orang normal dalam berkomunikasi. Berkontribusi dalam pengetahuan mengenai deteksi simbol pada SIBI (Sistem Isyarat Bahasa Indonesia) menggunakan algoritma Random Forest Classifier serta MediaPipe Holistic dan OpenCV. Serta melestarikan dan mempopulerkan SIBI (Sistem Isyarat Bahasa Indonesia) sebagai bahasa isyarat yang ada di Indonesia.