Sistem Pendukung Keputusan Pendataan Warga Penerima Bantuan Raskin dengan Menerapkan Metode Weight Aggregated Sum Product Assesment (WASPAS)

2026-07-13T14:04:46+00:00

Raskin (rice for the poor) is a rice program for the poor. The Raskin program is one of the government's efforts to reduce the burden of expenditure on poor families. However, in practice, decision-making for determining the criteria for rice recipients usually does not refer to the criteria of poor families, resulting in misdirected rice distribution. To address this issue, a decision support system will be developed to assist in the targeted distribution of Raskin using the Weighted Aggregated Sum Product Assessment (WASPAS) method. This research was conducted by finding the weight value for each attribute, then a ranking process was carried out to determine the best alternative. The criteria used were: Type of Employment, Income, House Condition, Family Size, Age. The results of the study recommend that alternative 4, with the highest score of 0.676, be selected to receive Raskin assistance

Model Hybrid CNN Mengintegrasikan NasNetMobile dan MobileNet untuk Meningkatkan Akurasi Klasifikasi White Blood Cell

2026-07-13T14:04:46+00:00

Sel darah putih merupakan komponen vital dalam sistem kekebalan tubuh pada manusia yang berperan penting dalam melindungi tubuh dari serangan mikroorganisme penyebab penyakit. Variabilitas hasil dalam klasifikasi sel darah putih yang disebabkan oleh keterbatasan metode identifikasi manual masih menjadi isu kritis bagi akurasi system diagnostic berbasis citra. Dalam studi ini difokuskan untuk mengatasi permasalahan tersebut dengan merancang model jarignan saraf konvolusional (CNN) hybrid baru yang dinamakan SAN-Net, yang mengintegrasikan keunggulan arsitektur NASNetMobile dan MobileNet guna meningkatkan akurasi dalam klasifikasi jenis sel darah putih (basophil, erythroblast, monocyte, myeloblast, dan seg neutrophil). Model yang diusulkan dilatih menggunakan dataset citra sel darah putih yang dikumpulkan dari Kaggle kemudian dibandingakan dengan arsitektur standar yakni NASNetMobile. Hasil Pengujian menunjukkan bahwa model SAN-Net memberikan performa terbaik, dengan capaian akurasi, presisi, recall, dan Skor F1 sebesar 99,80%, serta secara signifikasi melampaui kinerja model pembanding. Temuan ini mengindikasikan bahwa potensi arsitektur deep learning modern dalam menghadirkan sistem klasifikasi sel darah putih otomatis dengan konsisten dan akurat, sehingga dapat meningkatkan efisiensi proses diagnosis.

Journal of Computing and Informatics Research

Sistem Pendukung Keputusan Pendataan Warga Penerima Bantuan Raskin dengan Menerapkan Metode Weight Aggregated Sum Product Assesment (WASPAS)

Model Hybrid CNN Mengintegrasikan NasNetMobile dan MobileNet untuk Meningkatkan Akurasi Klasifikasi White Blood Cell