Article Per Year (5 Year)
p-Index From 2021 - 2026
0
P-Index
This Author published in this journals
All Journal PIKSEL : Penelitian Ilmu Komputer Sistem Embedded and Logic
Rahmadya Trias Handayanto
Teknik Komputer Universitas Islam 45
Computer Science & IT Decision Sciences, Operations Research & Management

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Penganalisa Jaringan Hotspot Berbasis Support Vector Machine Rahmadya Trias Handayanto
PIKSEL : Penelitian Ilmu Komputer Sistem Embedded and Logic Vol. 1 No. 1 (2013): Januari 2013
Publisher : LPPM Universitas Islam 45 Bekasi

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

ABSTRAK Penelitian ini membahas penganalisa jaringan menggunakan Support Vector Machine (SVM) setelah pada penelitian sebelumnya menggunakan Jaringan Syaraf Tiruan (JST). Ada banyak aplikasi yang tersedia di pasaran saat ini untuk memberikan grafik jaringan area hotspot kita. Grafik ini akan dianalisis oleh administrator jaringan. Karena area hotspot sering berjalan 24 jam, administrator mengalami kesulitan untuk memonitor lalu lintas setiap saat. Oleh karena itu kami merancang sistem otomatis untuk membantu administrator jaringan dalam memantau jaringan. Sistem ini akan menggantikan keterampilan manusia dalam menafsirkan grafik dengan SVM. Untuk meminimalkan jumlah vektor masukan kita menggunakan nilai rata-rata dari sumbu, sehingga misalnya mikro-komputer notebook, laptop, PDA, dan gadget lainnya dapat menangani sistem ini. Hasil pengujian menunjukkan sistem ini dapat mengklasifikasikan antara normal, lalu lintas tinggi dan un-normal grafik jaringan secara berkala. Kata Kunci: Penganalisa Jaringan, Support Vector Machine, Hotspot ABSTRACT We present a Support Vector Machine-based network analyzer system for hotspot area as the extension of previous research that using Neural Networks (NNs). There are many applications that available in the market today for providing us the network graph of our hotspot areas. These graphs will be analyzed by a network administrator. Because a hotspot area often runs 24 hours, an administrator has a difficulty to monitor the traffic all the time. Therefore we proposed the automatic system to help a network administrator in monitoring the network. This system will replace human skill in interpreting the graph with a Support Vector Machine System. To minimize the number of input vector we use mean value of axis, so the micro-computer e.g. notebook, laptop, PDA, and other gadgets can handle this system. Testing result showed this system could classify between normal, high and un-normal traffic of network graph periodically.h Keywords: Network Analyzer, Support Vector Machine, Hotspot
EVALUASI DAN OPTIMASI LOKASI PENDIRIAN SENTRA PENGISIAN BAHAN BAKAR UTAMA (SPBU) DI KABUPATEN BEKASI MENGGUNAKAN METODE ALGORITMA GENETIK Rahmadya Trias Handayanto; Anita Setyowati Srie Gunarti; Retno Nugroho Whidhiasih
PIKSEL : Penelitian Ilmu Komputer Sistem Embedded and Logic Vol. 1 No. 2 (2013): September 2013
Publisher : LPPM Universitas Islam 45 Bekasi

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

ABSTRACTGas Stations are important objects for transportation. Therefore, the location must be optimum regardingto economic, environment, and safety aspects. Genetic Algorithms are used to help calculating for optimumlocation of gas stations. For easiness we integrated Geographic Information Systems (GIS) with geneticalgorithms for Bekasi District. According to GIS rule, we use two kinds of data: vector data and rasterdata. Road of map and location of object that must far away from gas station as vector data and map asraster data. Conversion from local coordinate to global coordinate is used in order to be integrated withgoogle map application. Testing result showed that optimum gas station location are far enough from vitallocations that must far away from gas stations. Keywords: Geographic Information System, Genetic Algorithms, Optimization ABSTRAKSentra Pengisian Bahan Bakar Utama (SPBU) merupakan sarana vital rakyat agar sistem transportasiberjalan dengan baik. Oleh karena itu letaknya harus memenuhi syarat optimum yang selain memiliki aspekekonomis, juga harus tidak menyalahi aspek lingkungan, keamanan dan keselamatan warga yang berada disekitar SPBU. Algoritma genetik digunakan untuk membantu sistem penentuan lokasi yang optimum.Untuk meningkatkan kemudahan pengguna, sistem ini diintegrasikan dengan Sistem Informasi Geografis(SIG) khusus kabupaten Bekasi. Sesuai aturan SIG dimana data terdiri dari data vektor dan data raster makasebagai data vektor kami menggunakan data fungsi jalan dan lokasi koordinat dimana lokasi tersebut harussejauh mungkin dari SPBU. Untuk data raster kami menggunakan peta yang berupa citra. Konversikoordinat lokal menjadi koordinat lintang dan bujur perlu dilakukan agar dapat dikombinasikan denganaplikasi google map sehingga dapat langsung terkoneksi ke sistem SIG tersebut. Hasil pengujianmenghasilkan lokasi optimal SPBU yang secara matematis terbukti terjauh dari lokasi-lokasi yangberbahaya dan kurang optimal untuk berdekatan dengan SPBU. Kata Kunci: Sistem Informasi Geografis, Algoritma Genetik, Optimasi
KLASIFIKASI DINAMIS DENGAN MODIFIKASI ALGORITMA FUZZY C-MEANS (FCM) Herlawati Herlawati; Rahmadya Trias Handayanto
PIKSEL : Penelitian Ilmu Komputer Sistem Embedded and Logic Vol. 1 No. 2 (2013): September 2013
Publisher : LPPM Universitas Islam 45 Bekasi

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

ABSTRACTAside forecasting, classification is an important process in the data mining field. Nowdays, theclassification usually use soft computing algorithms, such as Fuzzy Inference System (FIS), NeuralNetworks (NNs), and Genetic Algorithms (GAs). Different from K-Means, the fuzzy-based classification issometimes is said soft clustering. Some dynamic method has been research using K-Means for obtaining theoptimal number of cluster. This paper try to implement this method for FCM algoritms because thisalgorithms run better than K-Means. Similar to Dynamic Clustering using K-Means, for FCM everyelements of cluster are counted the distance from the center. Key Workds : Fuzzy C-Means Clustering (FCM), Cluster Quality, Dynamic Classification ABSTRAKSelain peramalan, klasifikasi merupakan salah satu proses penting dalam bidang data mining. Saat iniklasifikasi banyak dilakukan dengan algoritma-algoritma yang berbasis soft computing seperti fuzzy,jaringan syaraf tiruan (JST) ataupun algoritma genetik. Berbeda dengan K-Means, klasifikasi berbasis fuzzyyang sering disebut fuzzy C-Means (FCM) merupakan klasifikasi halus (soft clustering). Beberapa metodedinamis dengan memodifikasi algoritma K-Means telah banyak dilakukan dan terbukti memiliki hasil yangoptimal. Tulisan ini bermaksud menerapkan metode dinamis itu pada algoritma FCM mengingat FCMmemiliki keunggulan tertentu dibanding K-Means. Seperti pada K-Means, klasifikasi dinamis pada FCMmenunjukkan perbaikan pada nilai intra dan inter dimana nilai-nilai tersebut menunjukkan kedekatan antarelemen tiap kluster dan seberapa jauh jarak pisah antar pusat-pusat kluster. Kata Kunci : Fuzzy C-Means Clustering (FCM), Kualitas Kluster, Klasifikasi Dinamis
Co-Authors Anita Setyowati Srie Gunarti Herlawati Herlawati Retno Nugroho Whidhiasih