https://journal.politeknikbosowa.ac.id/JMAPLE/issue/feed 2025-08-31T14:24:16+08:00 Muhammad Nur muhammadnur@politeknikbosowa.ac.id Open Journal Systems <p align="justify">Mechatronics Journal in Professional and Entrepreneur (MAPLE) merupakan jurnal yang dikelola oleh Program Studi Teknik Mekatronika, Politeknik Bosowa. MAPLE merupakan wadah bagi para peneliti untuk mempublikasikan berbagai hasil penelitian di bidang Mekatronika, Otomasi, dan Robotika Industri berdasarkan penerapan ilmu dasar, ide-ide inovatif dan aplikasi di lapangan.</p><p>Topik artikel yang diterbitkan dalam MAPLE meliputi:</p><ul><li>Robotics and Automation</li><li>Artificial Intelligence and Computational Intelligence</li><li>Intelligent Control</li><li>Instrumentation and System Integration</li><li>Signal and Image Processing</li><li>Modelling and Simulation</li><li>dan lain-lain.</li></ul> https://journal.politeknikbosowa.ac.id/JMAPLE/article/view/747 2025-06-17T11:27:58+08:00 Muh Rasdi rasdyardia@gmail.com

Penyakit akut merupakan kondisi medis yang muncul secara tiba-tiba dan memerlukan penanganan cepat untuk mencegah komplikasi serius. Prediksi penyakit akut yang akurat menjadi tantangan dalam dunia medis, terutama dengan meningkatnya jumlah data pasien yang perlu dianalisis secara efisien. Penelitian ini bertujuan untuk mengevaluasi pengaruh berbagai jenis base estimator pada algoritma Adaptive Boost dalam meningkatkan akurasi prediksi penyakit akut. Metode yang digunakan dalam penelitian ini adalah Adaptive Boost dengan tiga jenis base estimator, yaitu Decision Tree, Support Vector Classifier (SVC), dan Logistic Regression. Data yang digunakan berasal dari rekam medis pasien di Rumah Sakit Umum Daerah Mamuju, dengan jumlah sampel sebanyak 1004 data pasien. Data mengalami proses preprocessing, termasuk cleaning, transformation, dan feature selection. Model yang dibangun kemudian dievaluasi menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model Logistic Regression sebagai base estimator menghasilkan akurasi tertinggi sebesar 93%, diikuti oleh Decision Tree dan SVC, masing-masing dengan akurasi 89%. Model Logistic Regression juga memiliki keseimbangan terbaik antara precision dan recall, terutama pada kelas penyakit mayoritas seperti Gastroenteritis, ISPA, dan ISK. Namun, model masih perlu ditingkatkan untuk menangani kelas dengan jumlah sampel kecil, seperti DBD dan Thypoid. Dari hasil penelitian ini, dapat disimpulkan bahwa pemilihan base estimator berpengaruh terhadap performa Adaptive Boost dalam memprediksi penyakit akut. Untuk penelitian selanjutnya, disarankan untuk menggunakan dataset yang lebih beragam serta mengeksplorasi metode machine learning lainnya, seperti Random Forest dan Deep Learning, guna meningkatkan akurasi prediksi.

2025-10-19T00:00:00+08:00 Hak Cipta (c) 2025 Muh Rasdi https://journal.politeknikbosowa.ac.id/JMAPLE/article/view/753 2025-06-26T10:10:08+08:00 Ferdy Hasan 105841107220@student.unismuh.ac.id

Penelitian ini bertujuan untuk mengimplementasikan algoritma Bellman-Ford dalam menentukan rute terpendek bagi ambulans di Kelurahan Masale, Kota Makassar. Algoritma Bellman-Ford adalah algoritma yang digunakan untuk menemukan jalur terpendek dari satu titik sumber ke semua titik lainnya yang ada dalam sebuah graf. Algoritma Bellman-Ford dipilih karena kemampuannya menangani graf berbobot dan menemukan jalur optimal berdasarkan bobot tertentu, seperti jarak tempuh. Dengan setiap simpul merepresentasikan titik dalam jalur transportasi ambulans. Terdapat sebanyak 78 titik yang ada dalam graf jaringan jalan. Data yang didapat berupa data wilayah geografis yang ada di Kelurahan Masale. Pengujian dilakukan dengan membandingkan hasil algoritma Bellman-Ford dengan rute yang direkomendasikan oleh Google Maps. Hasil penelitian menunjukkan bahwa algoritma Bellman-Ford mampu menemukan rute yang lebih pendek dalam sebagian besar scenario jarak tempuh ambulans. Dengan penerapan algoritma Bellman-Ford, penelitian ini memberikan solusi dalam optimasi jalur rute terpendek ambulans.

2025-10-19T00:00:00+08:00 Hak Cipta (c) 2025 Ferdy Hasan https://journal.politeknikbosowa.ac.id/JMAPLE/article/view/729 2025-06-04T11:17:14+08:00 Muhammad Yusuf Basyar myusuf1215@gmail.com MUHYIDDIN A. M. HAYAT muhyyiddinamhayyat@unismuh.ac.id FAHRIM IRHAMNA RAHMAN fachrim141020@unismuh.ac.id

Prediksi penjualan obat yang akurat diperlukan untuk meningkatkan efisiensi persediaan dan kualitas pelayanan kesehatan, terutama di PT Kimia Farma Apotek (KFA) yang melayani pasien BPJS Kesehatan. Permintaan obat yang fluktuatif dan pola penjualan yang kompleks menjadi tantangan dalam perencanaan persediaan. Penelitian ini bertujuan untuk memprediksi penjualan obat secara akurat dengan menerapkan teknik data mining menggunakan model Long Short-Term Memory (LSTM). Data dikumpulkan dari transaksi di PT Kimia Farma Apotek (KFA) dan diproses melalui pra-pemrosesan yang mencakup pembersihan data, transformasi menjadi time series, serta pembagian data menjadi 80% data latih dan 20% data uji. Model LSTM dilatih selama 50 epoch menggunakan fungsi aktivasi ReLU dan Softmax pada lapisan output untuk menghasilkan probabilitas prediksi. Hasil penelitian menunjukkan bahwa model LSTM memiliki Mean Squared Error (MSE) sebesar 0.0021 dan akurasi prediksi mencapai 99.79%, menunjukkan kemampuan model dalam menghasilkan prediksi yang mendekati nilai aktual. Namun, R² Score sebesar -0.14 menunjukkan keterbatasan dalam menangkap variasi data yang kompleks. Penelitian ini menunjukkan bahwa model LSTM memiliki potensi besar untuk diterapkan dalam prediksi penjualan obat dan membantu pengambilan keputusan strategis dalam manajemen persediaan. Selain itu, pendekatan ini berkontribusi positif dalam meningkatkan efisiensi perencanaan persediaan obat di PT Kimia Farma Apotek

2025-08-31T00:00:00+08:00 Hak Cipta (c) 2025 Muhammad Yusuf Basyar, MUHYIDDIN A. M. HAYAT, FAHRIM IRHAMNA RAHMAN