Hasil Pencarian  ::  Simpan CSV :: Kembali

"Industri farmasi memiliki berbagai macam data seperti corrective and preventive action (CAPA), continuous improvement (CONIM), dan energi yang dihasilkan dalam jumlah besar dari setiap departemen. Data yang diperoleh akan diproses dan dibutuhkan oleh departemen terkait untuk mengambil keputusan serta mendapatkan informasi misalnya melihat aktual dan target yang harus tercapai. Penulisan tugas khusus ini dilakukan untuk mempermudah pengambilan keputusan oleh user melalui visualisasi data menggunakan dashboard google data studio di PT Finusolprima Farma Internasional. Penulisan tugas khusus praktek kerja dilakukan dengan membuat dashboard google data studio di departemen Manufacturing System and Technology Development (MSTD) PT Finusolprima Farma Internasional. Pada pengerjaannya, sumber data akan diambil melalui spreadsheet dan ditampilkan ke dalam bentuk grafik garis, batang, serta lingkaran yang disesuaikan dengan kebutuhan agar informasi dapat disampaikan dengan jelas secara visual.......The pharmaceutical industry has a variety of data such as Corrective and Preventive Action (CAPA), Continuous Improvement (CONIM), and the energy produced in large quantities of each department. The data obtained will be processed and needed by the relevant departments to make decisions and get information such as seeing the actual and targets that must be achieved. Writing this special task is carried out to facilitate decision making by the user through data visualization using the Google Data Studio Dashboard at PT Finusolprima Farma International. Writing special work practices is done by creating a Google Data Studio dashboard at the Department of Manufacturing System and Technology Development (MSTD) of PT Finusolprima Farma Internasional. In the process, the data source will be taken from spreadsheet and displayed in the form of line graphs, rods, and circles that are tailored to the needs so that information can be conveyed clearly visually."

"Penyakit tidak menular (PTM) merupakan penyakit yang memiliki klaim pembiayaan tertinggi dari Badan Penyelenggara Jaminan Sosial Kesehatan (BPJS Kesehatan) pada tahun 2016. Direktorat Pencegahan dan Penyakit Tidak Menular (Dit. PPTM) mempunyai program untuk pemberdayaan masyakat atau Unit Kesehatan Berbasis Masyarakat (UKBM) yang bernama Posbindu PTM. Posbindu PTM merupakan kegiatan berbasis masyarakat dalam upaya menjaga kesehatan dari PTM. Dalam pelaksanaanya Posbindu PTM mencatat data faktor risiko PTM yang melalui wawancara seperti merokok, konsumsi buah dan sayur, konsumsi alkohol, dan aktivitas fisik, pemeriksaan gula darah, tekanan darah, indeks masa tubuh (IMT), dan beberapa pemeriksaan penunjang lain. Pemeriksaan tersebut dicatat dalam sistem informasi surveilans Posbindu PTM. Saat ini belum ada visualisasi data untuk sistem tersebut. Tujuan dari penelitian ini adalah untuk memvisualisasikan data faktor risiko PTM dari sistem tersebut. Penelitian ini mengambil data faktor risiko PTM di Provinsi Jawa Timur pada tahun 2016. Hasil penelitian ini adalah adanya visualisasi data faktor risiko PTM yang dapat membantu melihat data menjadi informasi berbasis wilayah. ......Non-communicable disease (PTM) is a disease that has the highest financing claim from the Badan Penyelenggara Jaminan Sosial Kesehatan (BPJS Kesehatan) in 2016. The Directorate of Prevention and Non-Communicable Diseases (Dit. PPTM) has a program for community empowerment or Community Based Health Unit (UKBM ) named Posbindu PTM. Posbindu PTM is a community-based activity in an effort to maintain the health of PTM. In the implementation of Posbindu PTM recorded data on PTM risk factors through interviews such as smoking, fruit and vegetable consumption, alcohol consumption, and physical activity, examination of blood sugar, blood pressure, body mass index (BMI), and several other investigations. The examination was recorded in the Posbindu PTM surveillance information system. At present there is no data visualization for the system. The purpose of this study is to visualize PTM risk factor data from the system. This study took the PTM risk factor data in East Java Province in 2016. The results of this study were the visualization of PTM risk factor data that could help see data into region-based information."

"Mahasiswa drop out memiliki dampak negatif untuk mahasiswa serta perguruan tinggi. Mahasiswa dikatakan drop out apabila mahasiswa tersebut belumdapat menyelesaikan masa studinya dalam rentang waktu yang telah ditentukan. Data mengenai status penyelesaian serta data akademis mahasiswa terekappada Pangkalan Data Pendidikan Tinggi (PDDikti). Berdasarkan data tersebut, mahasiswa drop out pada tahun 2019 mencapai 602.208 mahasiswa atau 7% dari total mahasiswa. Penelitian menggunakan data PDDikti untuk memprediksi drop out telah dilakukan untuk mahasiswa yang telah mencapai tujuh tahun masastudi. Namun, belum terdapat sistem berbasis web yang dapat memprediksi mahasiswa drop out menggunakan data semester yang lebih sedikit dan visualisasi yang menggambarkan mahasiswa drop out berdasarkan data yang diperoleh dari PDDikti melalui API tertentu. Penelitian ini membandingkan empatmodel pembelajaran mesin untuk memprediksi drop out dimana model CatBoost dengan teknik undersampling edited nearest neighbors merupakan classifierterbaik untuk memprediksi drop out dengan f1-score sebesar 64.23%. Selain itu, penelitian ini berhasil mengimplementasi sistem berbasis web yang dapat digunakan untuk melakukan visualisasi data berdasarkan API yang digunakan untuk memperoleh data dari PDDikti dan juga prediksi mahasiswa yang berpotensi drop out berdasarkan data dari PDDikti. Visualisasi mahasiswa drop out berhasil divisualisasi dengan menggunakan diagram sankey, diagram geo, dan diagram bar. Perolehan data dapat dilakukan menggunakan query data dengan API yang dibuat menggunakan Express.js dan Flask.......Dropped out student giving negative impact to the student itself and also university. A student is said to have dropped out if they can’t complete their studies within the specified timeframe. Data regarding completion status as well as student academic data are recorded in Higher Education Database (PDDikti). Based on these data, the drop out students in 2019 reached 602,208 students or 7% of the total student. Research using PDDikti data to predict drop out has been conducted for students who have reached seven years of study. However, there is no web-based system that could predict drop out student using data with fewer semesters and visualizations portraying dropout students based on PDDikti data through particular API. This study compares four machine learning models to predict drop outs where CatBoost model with undersampling edited nearest neighbors technique is the best classifier to predict drop outs with an f1-score of 64.23%. Other than that, this study succeeded to implement web-based system that could visualize PDDikti data through API and to predict potential students dropping out based on PDDikti data. The visualization of drop out students was successfully visualized using Sankey diagrams, geo diagrams, and bar charts. Data retrieval can be done using dataqueries with APIs created using Express.js and Flask."