Claim Missing Document
Check
Articles

Found 5 Documents
Search

PENGKLASIFIKASIAN BUNGA DENGAN MENGGUNAKAN METODE ISOMAP DAN NAIVE BAYES CLASSIFIER Kosasih, Rifki; Fahrurozi, Achmad
Jurnal Ilmiah Informatika Komputer Vol 22, No 3 (2017)
Publisher : Universitas Gunadarma

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

Abstract

Pada setiap tumbuhan berbunga terdapat bunga yang berfungsi sebagai alat reproduksi seksual. Bunga-bunga tersebut beraneka ragam jenisnya sehingga untuk membedakan bunga-bunga tersebut dibutuhkan pengklasifikasian. Pengklasifikasian biasanya dilakukan dengan menggunakan anatomi pada susunan bunga seperti mahkota. Pada penelitian ini dilakukan pengklasifikasian bunga dengan metode baru menggunakan metode Isomap dan Naive Bayes Classifier yang diaplikasikan pada citra bunga. Dalam penelitian ini digunakan citra-citra yang terdiri dari 4 jenis bunga yaitu mawar, melati, sakura dan edelwais. Tahapan pertama dalam penelitian ini adalah melakukan pengenalan pola citra menggunakan isomap. Isomap dapat memisahkan jenis-jenis bunga tersebut yang dapat dilihat dari berkumpulnya citra-citra yang sejenis di satu tempat.Tahapan selanjutnya adalah melakukan pengklasifikasian dengan Naive bayes Classifier. Hasil klasifikasi dengan menggunakan 2 fitur maupun 3 fitur dari citra pada himpunan training adalah sama dan cukup baik, yaitu memiliki tingkat akurasi sebesar 80%. Kata Kunci: Fitur, Klasifikasi Bunga, Metode Isomap, Naïve-Bayes Classifier.
PERBANDINGAN ALGORITMA KLASIFIKASI DALAM PENGKLASIFIKASIAN DATA PENYAKIT JANTUNG KORONER Wibisono, Ardea Bagas; Fahrurozi, Achmad
Jurnal Ilmiah Teknologi dan Rekayasa Vol 24, No 3 (2019)
Publisher : Universitas Gunadarma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35760/tr.2019.v24i3.2393

Abstract

Penyakit Jantung Koroner (PJK) menjadi penyebab kematian tertinggi pada semua umur setelah stroke. Hal ini mendorong banyak penelitian terhadap penyakit jantung koroner, salah satunya menggunakan metode berbasis komputer. Pengolahan data dalam jumlah besar dapat dilakukan dengan klasifikasi menggunakan algoritma tertentu sehingga hasilnya cepat dan akurat. Metode klasifikasi yang umum digunakan antara lain Naïve Bayes, K-Nearest Neighbor, Decision Tree dan Random Forest. Metode  Naïve Bayes menggunakan probabilitas disetiap data, metode K-Nearest Neighbor menggunakan perhitungan jarak, metode Decision Tree menggunakan pohon keputusan, sedangkan metode Random Forest menggunakan beberapa pohon keputusan yang disatukan. Penelitian ini bertujuan untuk membandingkan keempat algoritma tersebut dalam mengklasifikasikan data penyakit jantung koroner. Perbandingan algoritma akan dilihat berdasarkan performance measure yang terdiri dari tingkatan akurasi, recall disetiap kelas, dan presisi disetiap kelas. Pada setiap algoritma diuji menggunakan cross validation. Berdasarkan hasil perbandingan terhadap 300 dataset penyakit jantung koroner, algoritma Random Forest lebih baik dan optimal dibanding dengan Algoritma Naïve Bayes, K-Nearest Neighbor, dan Decision Tree untuk mengklasifikasikan penyakit jantung koroner. Hasil klasifikasi dengan algoritma Random Forest memiliki rerata tingkat akurasi sebesar 85,668 % dengan recall kelas ’1’ adalah 89 %, recall kelas ’0’ adalah 83,6%, presisi kelas ’1’ adalah 85%, dan presisi kelas ’0’ adalah 85,8%.
IMPLEMENTASI ALGORITMA KLASIFIKASI SUPPORT VECTOR MACHINE UNTUK ANALISA SENTIMEN PENGGUNA TWITTER TERHADAP KEBIJAKAN PSBB Zuriel, Heart Parasian PR; Fahrurozi, Achmad
Jurnal Ilmiah Informatika Komputer Vol 26, No 2 (2021)
Publisher : Universitas Gunadarma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35760/ik.2021.v26i2.4289

Abstract

Pada saat ini penggunaan Twitter semakin luas. Pengguna twitter dapat dengan bebas untuk berpendapat dan membagikan sudut pandang mereka mengenai isu tren dunia. Hal ini membuat konten twitter menjadi beragam dan menarik untuk dianalisa, termasuk dengan tren kebijakan pemerintah yang ramai diperbincangkan di Indonesia. Munculnya pandemi Covid-19 ini membuat pemerintah mengeluarkan kebijakan yang bertujuan untuk menekan laju pertambahan orang yang terinfeksi virus. Kebijakan ini diberi nama Pembatasan Sosial Berskala Besar atau yang dikenal PSBB. Kebijakan ini pun hangat diperbincangkan di berbagai sosial media, tak terkecuali Twitter. Analisa sentimen dilakukan dengan menggunakan Support Vector Machine (SVM) sebagai algoritma klasifikasi pada data tweet yang berjumlah 22.335 data. Pelabelan data dalam penelitian ini dilakukan menggunakan metode Lexicon Based.  Pada penelitian ini terdapat 4 model SVM yang dibangun menggunakan 4 fungsi kernel yaitu kernel Linear, RBF, Polynomial dan Sigmoid. Hasil klasifikasi dari masing-masing model diukur performanya menggunakan k-fold cross validation. Berdasarkan perhitungan, diperoleh bahwa performa model klasifikasi SVM dengan kernel RBF merupakan yang terbaik dibanding kernel lainnya dalam kasus penelitian analisa sentimen ini. Nilai accuracy, precision, recall, dan f1-score-nya yang diperoleh model klasifikasi dengan kernel RBF secara berturut-turut adalah 95.94%, 94.41 %, 97.8%, dan 96.08%. Model klasifikasi dengan kernel RBF ini memberikan mengklasifikasikan 11.764 (52.7%) data tweet ke dalam kelas positif dan 10.571 (47.3%) data tweet ke dalam kelas negative. Hasil tersebut memberikan kesimpulan bahwa pengguna twitter cenderung bersentimen positif terhadap kebijakan PSBB.
Prediksi Nilai Tukar US Dollar dan Ringgit Malaysia Terhadap Rupiah Menggunakan Metode Long Short Term Memory Pangesti, Batari Wahyu; Fahrurozi, Achmad
Jurnal Komputer dan Teknologi Vol 2 No 2 (2023): JUKOMTEK JULI 2023
Publisher : Yayasan Pendidikan Cahaya Budaya Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58290/jukomtek.v2i1.82

Abstract

Riset ini bertujuan untuk membangun model serta mengukur kemampuan model dalam memperhitungkan data time series kurs US Dollar serta Ringgit Malaysia menggunakan metode Long Short Term Memory (LSTM) memastikan banyaknya epochs yang diperlukan untuk menghasilkan nilai Root Mean Square Error (RMSE) serta Mean Absolute Percentage Error (MAPE) terbaik. Dataset diunduh dari website Yahoo Finance dengan rentang periode 1 Januari 2007 hingga 31 Desember 2019. Riset ini memprakirakan data nilai tukar US Dollar rentang waktu 9 Agustus 2017 hingga 31 Desember 2019 dan juga kurs Ringgit Malaysia untuk rentang waktu 22 Mei 2017 hingga 31 Desember 2019. Mengulangi proses LSTM untuk jumlah epochs yang berbeda, diperoleh bahwa jumlah epochs cukup mempengaruhi kepada nilai RMSE serta MAPE, dengan epochs terbaik yaitu 60 epochs untuk kurs US Dollar serta 80 epochs untuk Ringgit Malaysia. Dengan memakai model dengan 70 neuron di tiap unitnya, didapat hasil perkiraan untuk data kurs US Dollar dengan nilai RMSE terbaik sebesar 69.0328 dan MAPE 0,34%. Sedangkan itu data kurs Ringgit Malaysia nilai RMSE terbaik sebesar 24.9369 dan MAPE 0,51%.
Classification of six banana ripeness levels based on statistical features on machine learning approach Kosasih, Rifki; Sudaryanto, Sudaryanto; Fahrurozi, Achmad
International Journal of Advances in Applied Sciences Vol 12, No 4: December 2023
Publisher : Institute of Advanced Engineering and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.11591/ijaas.v12.i4.pp317-326

Abstract

Banana plants are often cultivated because they have many benefits. In producing, we need to maintain the quality of bananas by looking at banana ripeness levels before being distributed to markets. The level of banana ripeness is related to marketing reach. If the marketing reach is far, bananas should be harvested when the ripeness level of bananas is still relatively low. A system that can classify the degree of ripeness of bananas can help overcome this problem. In this study, our dataset includes 6 ripeness levels of bananas, more than in previous related studies. Furthermore, we use the statistical features extraction method to find the parameters that affect the level of banana ripeness, considering the texture and color of the banana peel which determines the level of ripeness visually. The extraction used is features extraction based on a histogram, then we employ four features, i.e., mean, skewness, energy descriptor, and smoothness, generated from the image dataset. In the next stage, we perform classification based on the features that have been obtained. In this study, we use Naive Bayes classifier and support vector machine (SVM) algorithms. Based on the result of this research, the best performance is the Naive Bayes classifier, with an accuracy is 86.67%, a weighted average precision of 83.55%, and a weighted average recall of 86.67%.