Examinando por Autor "Llontop Soplapuco, Manuel Alejandro"

Mostrando 1 - 2 de 2

Data warehouse para medir la satisfacción académica en universidades por medio de indicadores. Una revisión sistemática de la literatura
(Universidad Católica Santo Toribio de Mogrovejo, 2023) Llontop Soplapuco, Manuel Alejandro; Llontop Soplapuco, Manuel Alejandro; Reyes Burgos, Karla Cecilia
El Data warehouse, una herramienta clave en la inteligencia de negocios, almacena información crucial de una organización, como las universidades, y esto se debe a que lo utilizan para obtener, ya sea una acreditación o mejorar la calidad académica. Este trabajo se enfocó en elaborar una revisión sistemática de la literatura centrada en la obtención de indicadores para poder medir la satisfacción académica a través de un data warehouse, para ello se revisaron artículos y tesis en español de los últimos seis años, utilizando dos bases de datos y un sistema de varias revistas; los cuales nos permitieron obtener resultados, sobresaliendo las metodologías en inteligencia de negocios, herramientas para elaborar un data warehouse y cuadros de mando que se encargan de medir la satisfacción académica en universidades. Se busca que el estudio elaborado sirva como base en investigaciones posteriores incrementando así el interés y motivar a otros investigadores al hecho de profundizar más en este tema.
Sistema predictivo para la detección y control de la plaga de la araña roja del tomate en Lambayeque
(Universidad Católica Santo Toribio de Mogrovejo, 2024) Llontop Soplapuco, Manuel Alejandro; Llontop Soplapuco, Manuel Alejandro; Reyes Burgos, Karla Cecilia
Este presente estudio aborda un problema crítico en la agricultura peruana, centrándose en la detección y control de la plaga de la araña roja en los cultivos de tomate en Lambayeque. Los objetivos incluyeron la aplicación de métricas de calidad de datos para seleccionar y preprocesar imágenes de tomates y la implementación de modelos de deep learning para la detección y clasificación de la plaga. La metodología combinó eXtreme Programming (XP) y CRISP-DM, lo que permitió un enfoque ágil y de alta calidad para el desarrollo del sistema web y la creación de modelos de deep learning. Los resultados fueron altamente alentadores: obtuvimos un dataset de imágenes de hojas de tomate de alta calidad, con una tasa de aprobación superior al 95%, sentando una base sólida para el sistema. Los modelos de deep learning alcanzaron una precisión excepcional en la detección y clasificación de la plaga. La funcionalidad del sistema cumplió con las normas ISO 25010, respaldada por el alto grado de satisfacción de 18 pequeños agricultores encuestados. La validación por comité también fue exitosa, con tres expertos calificando el sistema como "nivel bueno". En resumen, esta investigación presenta un sistema predictivo eficaz para la detección y control de la plaga de la araña roja en los cultivos de tomate en Lambayeque, respaldado por resultados sólidos en la selección de imágenes, la implementación de modelos de deep learning y la funcionalidad del sistema. Este enfoque tiene el potencial de marcar una diferencia significativa en la gestión agrícola y la sostenibilidad en la región.