Garuda - Garba Rujukan Digital

CLUSTERING TRAFO DISTRIBUSI MENGGUNAKAN ALGORITMA SELF-ORGANIZING MAP Khotimah, Tutik; Syukur, Abdul; Soeleman, M. Arief
Simetris: Jurnal Teknik Mesin, Elektro dan Ilmu Komputer Vol 8, No 1 (2017): JURNAL SIMETRIS VOLUME 8 NO 1 TAHUN 2017
Publisher : Universitas Muria Kudus

Salah satu cara untuk mengetahui beban sebuah trafo distribusi PLN masih memenuhi batas normal atau overload adalah dengan melakukan pengukuran beban trafo tersebut. Pada PLN Area Pelayanan Jaringan Kudus, pengukuran beban dilakukan baik pada siang hari mau pun pada malam hari. Hasil pengukuran tersebut memiliki kemungkinan berbeda. Hal ini disebabkan pada siang hari penggunaan beban cenderung kecil, sedangkan pada malam hari pemakaian beban lebih besar. Hal ini menyebabkan sulitnya menentukan beban trafo tersebut masih normal atau overload. Untuk memetakan beban trafo distribusi secara cepat dan akurat, diperlukan teknik data mining yaitu clustering. Penelitian ini dilakukan dengan menerapkan algoritma Self Organizing Map (SOM). Dengan SOM dihasilkan nilai akurasi sebesar 93% terhadap hasil pengukuran beban trafo distribusi pada siang hari dan sebesar 84% terhadap hasil pengukuran beban trafo distribusi pada malam hari. Sedangkan error yang dihasilkan dari pemetaan dengan SOM sebesar 7% terhadap hasil pengukuran beban trafo distribusi pada siang hari dan sebesar 16% terhadap hasil pengukuran beban trafo distribusi pada malam hari.

Enhancing Machine Learning Accuracy in Detecting Preventable Diseases using Backward Elimination Method Dliyauddin, Muhammad; Shidik, Guruh Fajar; Affandy, Affandy; Soeleman, M. Arief
JURNAL MEDIA INFORMATIKA BUDIDARMA Vol 8, No 1 (2024): Januari 2024
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/mib.v8i1.7073

In the current landscape of abundant high-dimensional datasets, addressing classification challenges is pivotal. While prior studies have effectively utilized Backward Elimination (BE) for disease detection, there is a notable absence of research demonstrating the method's significance through comprehensive comparisons across diverse databases. The study aims to extend its contribution by applying BE across multiple machine learning algorithms (MLAs)Nave Bayes (NB), k-Nearest Neighbors (KNN), and Support Vector Machine (SVM)on datasets associated with preventable diseases (i.e. heart failure (HF), breast cancer (BC), and diabetes). This study aims to elucidate and recommend significant differences observed in the application of BE across diverse datasets and machine learning (ML) methods. This study conducted testing on four distinct datasetsraisin, HF, BC, and early-stage diabetes risk prediction datasets. Each dataset underwent evaluation with three MLAs: NB, KNN, and SVM. The application of BE successfully eliminated non-significant attributes, retaining only influential ones in the model. In addition, t-test results revealed a significant impact on accuracy across all datasets (p-value < 0.05). In specific algorithmic evaluations, SVM exhibited the highest accuracy for the raisin dataset at 87.22%. Additionally, KNN attained the utmost accuracy in the heart failure dataset with an accuracy of 86.31%. In the breast cancer dataset, KNN again excelled, achieving an accuracy of 83.56%. For the diabetes dataset, KNN proved the most accurate, reaching 96.15%. These results underscore the efficacy of BE in enhancing the execution of MLAs for disease detection.

Pelatihan Pembuatan Konten Multimedia untuk Terapan materi Video Pembelajaran di SMPN 2 Kledung Kabupaten Temanggung -, Muslih; Pramudya, Elkaf Rahmawan; Senoprabowo, Abi; Soeleman, M. Arief; Asfawi, Supriyono
ABDIMASKU : JURNAL PENGABDIAN MASYARAKAT Vol 7, No 2 (2024): MEI 2024
Publisher : LPPM UNIVERSITAS DIAN NUSWANTORO

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62411/ja.v7i2.2203

Sekolah merupakan sebuah institusi yang bertanggungjawab untuk menyelenggarakan pendidikan dan salah satu hal yang menunjang dalam menyelenggarakan pendidikan adalah adanya media pembelajaran yang baik dan bervariatif. Salah satu sekolah yang ada di kabupaten Temanggung yaitu SMPN 2 Kledung. SMPN 2 Kledung menjadi salah satu lembaga pendidikan yang mengalami cukup kesulitan dalam mengembangkan media pembelajaran yang berkualitas khususnya video pembelajaran. Kegiatan pembelajaran SMPN 2 Kledung masih dilaksanakan secara konvensional. Kendala ketersediaan peralatan dan media pembelajaran yang berbasis TIK menjadi tantangan utama. Video pembelajaran yang digunakan di SMPN 2 Kledung didapatkan para guru dari youtube dan media sosial. Kendala yang dihadapi oleh para guru adalah karena video yang diambil dan bukan membuat sendiri, maka materi yang diberikan tidak semuanya sesuai dengan yang diinginkan oleh pengajar. Selain itu, kebanyakan materi tersedia dalam bahasa inggris yang akan sulit dipahami oleh peserta didik. Padahal video pembelajaran yang ada sangat menarik karena mengabungkan antara tampilan pembicara dan juga materi yang disampaikan. Target luaran kegiatan ini adalah Meningkatnya pemahaman peserta tentang membuat konsep video pembelajaran yang diterapkan dalam pembuatan naskah. Meningkatnya ketrampilan peserta tentang cara mengambil video pembelajaran yang baik dan menarik. Meningkatnya ketrampilan peserta tentang editing video, serta distribusi video yang sesuai untuk peserta didik. Rencana kegiatan yang akan dilakukan dengan cara memberikan materi dan praktik tentang membuat konsep video dan pembuatan naskah, memberikan materi dan praktik tentang teknik mengambil video, dan memberikan materi dan praktik tentang editing video dan menyiapkan video yang siap didistribusikan.

Improving Random Forest Performance for Sentiment Analysis on Unbalanced Data Using SMOTE and BoW Integration: PLN Mobile Application Case Study Rahmatullah, Muhammad Rifqi Fadhlan; Andono, Pulung Nurtantio; Affandy; Soeleman, M. Arief
Scientific Journal of Informatics Vol. 12 No. 1: February 2025
Publisher : Universitas Negeri Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15294/sji.v12i1.19295

Purpose: This research aims to improve the accuracy of sentiment analysis on PLN Mobile app reviews by overcoming the challenge of data imbalance. This goal is important to provide a better understanding of user opinions and support PT PLN (Persero) in improving mobile application services. Methods: This research uses the Random Forest algorithm combined with Synthetic Minority Over-sampling Technique (SMOTE) to handle imbalanced data. Data is collected through web scraping reviews from the Google Play Store, followed by preprocessing processes such as data cleaning, stopword removal, tokenization, and stemming. Feature extraction is performed using the Bag of Words (BoW) method, and the data is tested with four sharing schemes. Result: The results showed that the 90%-10% sharing scheme gave the best performance with an accuracy of 81% and an average precision and recall of 0.79. This finding confirms that the larger the proportion of training data, the better the model performs sentiment classification. Novelty: This research's novelty lies in combining SMOTE with BoW and Random Forest to overcome data imbalance. This approach is a significant reference for future sentiment analysis research. It provides practical insights that PT PLN (Persero) can use to improve the quality of its application services.

CLUSTERING TRAFO DISTRIBUSI MENGGUNAKAN ALGORITMA SELF-ORGANIZING MAP Khotimah, Tutik; Syukur, Abdul; Soeleman, M. Arief
Simetris: Jurnal Teknik Mesin, Elektro dan Ilmu Komputer Vol 8, No 1 (2017): JURNAL SIMETRIS VOLUME 8 NO 1 TAHUN 2017
Publisher : Fakultas Teknik Universitas Muria Kudus

Salah satu cara untuk mengetahui beban sebuah trafo distribusi PLN masih memenuhi batas normal atau overload adalah dengan melakukan pengukuran beban trafo tersebut. Pada PLN Area Pelayanan Jaringan Kudus, pengukuran beban dilakukan baik pada siang hari mau pun pada malam hari. Hasil pengukuran tersebut memiliki kemungkinan berbeda. Hal ini disebabkan pada siang hari penggunaan beban cenderung kecil, sedangkan pada malam hari pemakaian beban lebih besar. Hal ini menyebabkan sulitnya menentukan beban trafo tersebut masih normal atau overload. Untuk memetakan beban trafo distribusi secara cepat dan akurat, diperlukan teknik data mining yaitu clustering. Penelitian ini dilakukan dengan menerapkan algoritma Self Organizing Map (SOM). Dengan SOM dihasilkan nilai akurasi sebesar 93% terhadap hasil pengukuran beban trafo distribusi pada siang hari dan sebesar 84% terhadap hasil pengukuran beban trafo distribusi pada malam hari. Sedangkan error yang dihasilkan dari pemetaan dengan SOM sebesar 7% terhadap hasil pengukuran beban trafo distribusi pada siang hari dan sebesar 16% terhadap hasil pengukuran beban trafo distribusi pada malam hari.

Enhancing Monkeypox Skin Lesion Classification With Resnet50v2: The Impact Of Pre-Trained Models From Medical And General Domains Azhar, Saifulloh; Syukur, Abdul; Soeleman, M. Arief; Affandy, Affandy; Marjuni, Aris
Jurnal Teknik Informatika (Jutif) Vol. 6 No. 3 (2025): JUTIF Volume 6, Number 3, Juni 2025
Publisher : Informatika, Universitas Jenderal Soedirman

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52436/1.jutif.2025.6.3.4486

The monkeypox outbreak has emerged as a pressing global health concern, as evidenced by the rising number of cases reported in various countries. This rare zoonotic disease, caused by the Monkeypox virus (MPXV) of the Poxviridae family, is commonly found in Africa. However, since 2022, cases have also spread to various countries, including Indonesia. The dermatological symptoms exhibited by affected individuals vary, with the potential for further transmission through contamination. Early and accurate detection of monkey pox disease is therefore essential for effective treatment. The present study aims to improve the classification of Monkey Pox using the modified Resnet50V2 model, trained using pre-training datasets namely ImageNet and HAM10000, where batch size and learning rate parameters were adjusted. The study achieved high accuracy in distinguishing monkeypox cases, with 98.43% accuracy for Resnet50V2 with pretrained ImageNet and 70.57% accuracy for Resnet50V2 with pretrained HAM10000. Future research will focus on refining these models, exploring hybrid approaches incorporating convolutional neural networks, this advancement contributes to the development of automated early diagnosis tools for monkeypox skin conditions, especially in resource-limited clinical settings where access to dermatology experts is limited.

Peningkatan Akurasi Klasifikasi Awan Cumulonimbus Dari Satelit Himawari-8 Saat Cuaca Ekstrem Dengan Menggunakan Metode Grayscale Thermal Image Dan Neural Network Backpropagation Triyotomo, Triyotomo; Wulandari, Sari Ayu; Soeleman, M. Arief; Zami , Farrikh Al
Jurnal Locus Penelitian dan Pengabdian Vol. 4 No. 10 (2025): JURNAL LOCUS: Penelitian dan Pengabdian
Publisher : Riviera Publishing

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58344/locus.v4i10.4915

Cumulonimbus is the only type of cloud that can produce hail, lightning, and thunder. This type of cloud can cause extreme weather that causes damage to public infrastructure and can also cost lives. This research aims to improve Cumulonimbus cloud detection on the Himawari-8 satellite using a combination of the Grayscale Thermal Image method and the method of Artificial Neural Network Backpropagation. The data was taken during the transition season, which is a potential time the onset of extreme weather caused by Cumulonimbus clouds is quite large, and the consequences incurred can cause very significant losses. To detect Cumulonimbus, The Himawari-8 Satellite Image is pre-processed so that an image is obtained gray thermal, then the image is converted into digital data in the form of numbers and from the characterization of the results using histograms. The last process is classified using Artificial Neural Network Propagation. All processes in this study use Matlab to obtain the best classification accuracy. The expected result is an increase in the value of accuracy when using the method of grayscale thermal image compared without using this method. Each accuracy value training data, validating data, and testing data obtained increased from 96.6%, 84.46%, and 80.02 to 100%, 88.9%, and 91.7%.

Peningkatan Performa Ensemble Learning pada Segmentasi Semantik Gambar dengan Teknik Oversampling untuk Class Imbalance Nugroho, Arie; Soeleman, M. Arief; Pramunendar, Ricardus Anggi; Affandy, Affandy; Nurhindarto, Aris
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 4: Agustus 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2024106831

Perkembangan teknologi dan gaya hidup manusia yang semakin tinggi menghasilkan data-data yang berlimpah. Data-data tersebut dapat berbentuk data yang terstruktur dan tidak terstruktur. Data gambar termasuk dalam data yang tidak terstruktur. Aktifitas dan objek yang terekam dalam suatu gambar beraneka ragam. Secara normal, mata manusia dapat dengan mudah membedakan antara foreground dan background dari suatu gambar, tetapi komputer membutuhkan pembelajaran dalam membedakan keduanya. Segmentasi gambar adalah salah satu bidang dalam computer vision yang membahas bagaimana cara komputer mempelajari dan mengenali segmen dari suatu gambar sesuai label yang ditentukan. Dalam kenyataannya banyak data yang mempunyai class atau label yang tidak seimbang, tentunya akan mempengaruhi tingkat akurasi dari suatu prediksi. Dalam riset ini membahas bagaimana meningkatkan akurasi segmentasi semantik gambar pada metode ensemble learning untuk menangani masalah data yang tidak seimbang dalam segmentasi gambar. Teknik yang digunakan adalah sintetis oversampling sehingga menghasilkan data yang seimbang dan akurasi yang tinggi. Metode ensemble learning yang digunakan adalah Random Forest dan Light Gradien Boosting Machine (LGBM). Dengan menggunakan dataset Penn-Fudan Database for Pedestrian yang mengandung imbalanced class. Penggunaan teknik sintetis oversampling dapat memperbaikki tingkat akurasi pada class minoritas. Pada algoritma random forest mengalami peningkatan akurasi sebesar 37 % sedangkan pada algoritma LGBM meningkat sebesar 41 %. AbstractThe development of technology and the increasingly high lifestyle of humans produce abundant data. These data can be in the form of structured and unstructured data. Image data is included in unstructured data. The activities and objects recorded in a picture are varied. Normally, the human eye can easily distinguish between the foreground and background of an image, but computers need learning to distinguish between the two. Image segmentation is one of the fields in computer vision that discusses how computers learn and recognize segments of an image according to specified labels. In reality, a lot of data has unbalanced classes or labels, of course, it will affect the accuracy of a prediction. This research discusses how to improve the accuracy of image semantic segmentation in the ensemble learning method to deal with the problem of unbalanced data in image segmentation. The technique used is synthetic oversampling so as to produce balanced data and high accuracy. The ensemble learning methods used are Random Forest and Light Gradient Boosting Machine (LGBM). By using the Penn-Fudan Database for Pedestrian dataset which contains a imbalanced class. The use of synthetic oversampling techniques can improve the level of accuracy in minority classes. The random forest algorithm experienced an increase in accuracy by 37% while the LGBM algorithm increased by 41%.

Perbandingan Efisiensi dan Akurasi Model Jaringan Saraf Konvolusional untuk Deteksi Objek pada Lingkungan dengan Gangguan Visual Widhiariandoko, Adhitya; Syukur, Abdul; Soeleman, M. Arief
Jurnal Informatika UPGRIS Vol 11, No 2 (2025): DESEMBER 2025
Publisher : Universitas PGRI Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26877/jiu.v11i2.25645

Model deteksi objek berbasis Jaringan Saraf Konvolusional (JSK) seringkali mengalami penurunan performa signifikan pada kondisi visual dunia nyata yang mengandung gangguan. Penelitian ini bertujuan untuk menganalisis dan membandingkan efisiensi dan akurasi dari tiga arsitektur JSK yang berbeda—Faster R-CNN (dua tahap), SSD (satu tahap klasik), dan YOLOv8s (satu tahap modern)—terhadap gangguan visual. Model-model tersebut dilatih dari awal (from scratch) pada subset dataset COCO dan diuji pada empat skenario: citra bersih, gangguan Gaussian, motion blur, dan kombinasi keduanya. Evaluasi performa menggunakan metrik mean Average Precision (mAP) untuk akurasi dan Frames Per Second (FPS) untuk efisiensi. Hasil eksperimen menunjukkan bahwa YOLOv8s tidak hanya menjadi model tercepat (476.19 FPS), tetapi juga mencapai akurasi tertinggi pada kondisi bersih (mAP 0.2870) dan menunjukkan ketahanan (robustness) terbaik terhadap semua jenis gangguan yang diuji. Sebaliknya, Faster R-CNN terbukti menjadi yang paling rentan, dengan penurunan akurasi mencapai lebih dari 97% pada kondisi gangguan Gaussian. Kesimpulannya, arsitektur modern YOLOv8s menawarkan keseimbangan terbaik antara efisiensi, akurasi, dan ketahanan, menjadikannya pilihan yang superior untuk aplikasi di lingkungan yang tidak dapat diprediksi.

Suicidal Ideation Detection in Social Media using Optimized CNN-BiLSTM Architecture Putri Novitasari, Hestiana; Soeleman, M. Arief; Rosita Sari, Sifa Ayu; Maida, Mamay
Journal of Applied Informatics and Computing Vol. 10 No. 1 (2026): February 2026
Publisher : Politeknik Negeri Batam

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30871/jaic.v10i1.11926

This research aims to develop an optimized hybrid deep learning model for detecting suicidal ideation from social media text. The growing volume of online discussions, particularly on platforms such as Reddit, provides valuable signals for early identification of individuals at risk; however, the linguistic characteristics of user-generated content are highly diverse and often noisy. To address this challenge, this study proposes an Optimized CNN-BiLSTM architecture enhanced with a dropout rate of 0.6 and a strategic training approach utilizing Early Stopping (patience=3) and a Learning Rate Scheduler (ReduceLROnPlateau) to prevent local minima and ensure convergence stability. The dataset used consists of 232,074 text entries with a balanced class distribution (50% suicide, 50% non-suicide) to ensure the validity of evaluation metrics and eliminate majority class bias. Experimental results demonstrate that the optimized model achieves an accuracy of 94.96%, precision of 95.70%, recall of 94.15%, and an F1-score of 94.92%, indicating a significant improvement over the baseline CNN-BiLSTM and single BiLSTM models. Furthermore, interpretability analysis via keyword visualization (Word Cloud) validates that the model effectively captures semantically relevant emotional expressions of despair. These findings suggest that the optimized hybrid architecture provides a robust and operationally viable approach for supporting real-time early-warning systems on social media platforms to facilitate timely mental health interventions.

Title

Found 13 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 13 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 13 Documents
Search