Article Per Year (5 Year)
p-Index From 2021 - 2026
5.089
P-Index
This Author published in this journals
All Journal International Journal of Electrical and Computer Engineering Tekno : Jurnal Teknologi Elektro dan Kejuruan Jurnal Ilmiah Teknik Elektro Komputer dan Informatika (JITEKI) Jurnal Pekommas Register: Jurnal Ilmiah Teknologi Sistem Informasi Jurnal Pengabdian Kepada Masyarakat (Indonesian Journal of Community Engagement) JOIV : International Journal on Informatics Visualization Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Knowledge Engineering and Data Science Kinetik: Game Technology, Information System, Computer Network, Computing, Electronics, and Control Pendas : Jurnah Ilmiah Pendidikan Dasar at-tamkin: Jurnal Pengabdian kepada Masyarakat Mobile and Forensics TRIDARMA: Pengabdian Kepada Masyarakat (PkM) Belantika Pendidikan Indonesian Journal of Data and Science International Journal of Engineering, Science and Information Technology Jurnal Inovasi Teknologi dan Edukasi Teknik Bulletin of Social Informatics Theory and Application Jurnal Informatika: Jurnal Pengembangan IT
Harits Ar Rosyid
Universitas Negeri Malang
Agriculture, Biological Sciences & Forestry Arts Humanities Astronomy Automotive Engineering Biochemistry, Genetics & Molecular Biology Chemical Engineering, Chemistry & Bioengineering Chemistry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Education Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Library & Information Science Materials Science & Nanotechnology Mathematics Mechanical Engineering Neuroscience Physics Social Sciences Transportation Other

Published : 51 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search
Journal : Mobile and Forensics

 1 
Pelabelan Kelas Kata Bahasa Jawa Menggunakan Hidden Markov Model Mursyit, Mohammad; Wibawa, Aji Prasetya; Zaeni, Ilham Ari Elbaith; Rosyid, Harits Ar
Mobile and Forensics Vol 2, No 2 (2020)
Publisher : Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12928/mf.v2i2.2450

Abstract

Part of Speech Tagging atau POS Tagging adalah proses memberikan label pada setiap kata dalam sebuah kalimat secara otomatis. Penelitian ini menggunakan algoritma Hidden Markov Model (HMM) untuk proses POS Tagging. Perlakuan untuk unknown words menggunakan Most Probable POS-Tag. Dataset yang digunakan berupa 10 cerita pendek berbahasa Jawa terdiri dari 10.180 kata yang telah diberikan tagsetBahasa Jawa. Pada penelitian ini proses POS Tagging menggunakan dua skenario. Skenario pertama yaitu menggunakan algoritma Hidden Markov Model (HMM) tanpa menggunakan perlakuan untuk unknown words. Skenario yang kedua menggunakan HMM dan Most Probable POS-Tag untuk perlakuan unknown words. Hasil menunjukan skenario pertama menghasilkan akurasi sebesar 45.5% dan skenario kedua menghasilkan akurasi sebesar 70.78%. Most Probable POS-Tag dapat meningkatkan akurasi pada POS Tagging tetapi tidak selalu menunjukan hasil yang benar dalam pemberian label. Most Probable POS-Tag dapat menghilangkan probabilitas bernilai Nol dari POS Tagging Hidden Markov Model. Hasil penelitian ini menunjukan bahwa POS Tagging dengan menggunakan Hidden Markov Model dipengaruhi oleh perlakuan terhadap unknown words, perbendaharaan kata dan hubungan label kata pada dataset.  Part of Speech Tagging or POS Tagging is the process of automatically giving labels to each word in a sentence. This study uses the Hidden Markov Model (HMM) algorithm for the POS Tagging process. Treatment for unknown words uses the Most Probable POS-Tag. The dataset used is in the form of 10 short stories in Javanese consisting of 10,180 words which have been given the Javanese tagset. In this study, the POS Tagging process uses two scenarios. The first scenario is using the Hidden Markov Model (HMM) algorithm without using treatment for unknown words. The second scenario uses HMM and Most Probable POS-Tag for treatment of unknown words. The results show that the first scenario produces an accuracy of 45.5% and the second scenario produces an accuracy of 70.78%. Most Probable POS-Tag can improve accuracy in POS Tagging but does not always produce correct labels. Most Probable POS-Tag can remove zero-value probability from POS Tagging Hidden Markov Model. The results of this study indicate that POS Tagging using the Hidden Markov Model is influenced by the treatment of unknown words, vocabulary and word label relationships in the dataset.
Single Exponential Smoothing-Multilayer Perceptron Untuk Peramalan Pengunjung Unik Jurnal Elektronik Ferdinand, Miftakhul Anggita Bima; Wibawa, Aji Prasetya; Zaeni, Ilham Ari Elbaith; Rosyid, Harits Ar
Mobile and Forensics Vol 2, No 2 (2020)
Publisher : Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12928/mf.v2i2.2034

Abstract

Jumlah kunjungan rerata pengunjung unik per hari pada jurnal elektronik menunjukkan bahwa hasil terbitan karya ilmiah website tersebut menarik. Sehingga jumlah pengunjung unik dijadikan indikator penting dalam mengukur keberhasilan sebuah jurnal elektronik untuk memenuhi perluasan, penyebaran dan percepatan sistem akreditasi jurnal. Pengunjung Unik merupakan jumlah pengunjung per Internet Address (IP) yang mengakses sebuah jurnal elektronik dalam kurun waktu tertentu. Terdapat beberapa metode yang biasa digunakan untuk peramalan, diantaranya adalah Multilayer Perceptron (MLP).  Kualitas data berpengaruh besar dalam membangun model MLP yang baik, karena sukses tidaknya permodelan pada MLP sangat dipengaruhi oleh data input. Salah satu cara untuk meningkatkan kualitas data adalah dengan melakukan smoothing pada data tersebut. Pada penelitian ini digunkan metode peramalan Multilayer Perceptron berdasarkan penelitian sebelumnya dengan kombinasi data training dan testing 80%-20% dengan asitektur 2-1-1 dan learning rate 0,4. Selanjutnya untuk meningkatkan kualitas data dilakukan smoothing dengan menerapkan metode Single Exponential Smoothing. Dari penelitian yang dilakukan diperoleh hasil terbaik menggunakan alpha 0.9 dengan hasil akurasi MSE 94.02% dan RMSE 75.54% dengan lama waktu eksekusi 580,27 detik. The number of visits by the average unique visitor per day on electronic journals shows that the published scientific papers on the website are interesting. So that the number of unique visitors is used as an important indicator in measuring the success of an electronic journal to meet the expansion, dissemination and acceleration of the journal accreditation system. Unique Visitors is the number of visitors per Internet Address (IP) who access an electronic journal within a certain period of time. There are several methods commonly used for forecasting, including the Multilayer Perceptron (MLP). Data quality has a big influence in building a good MLP model, because the success or failure of modeling in MLP is greatly influenced by the input data. One way to improve data quality is by smoothing the data. In this study, the Multilayer Perceptron forecasting method was used based on previous research with a combination of training data and testing 80% -20% with a 2-1-1 architecture and a learning rate of 0.4. Furthermore, to improve data quality, smoothing is done by applying the Single Exponential Smoothing method. From the research conducted, the best results were obtained using alpha 0.9 with MSE accuracy of 94.02% and RMSE 75.54% with a long execution time of 580.27 seconds.
Single Exponential Smoothing-Multilayer Perceptron Untuk Peramalan Pengunjung Unik Jurnal Elektronik Ferdinand, Miftakhul Anggita Bima; Wibawa, Aji Prasetya; Zaeni, Ilham Ari Elbaith; Rosyid, Harits Ar
Mobile and Forensics Vol. 2 No. 2 (2020)
Publisher : Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12928/mf.v2i2.2034

Abstract

Jumlah kunjungan rerata pengunjung unik per hari pada jurnal elektronik menunjukkan bahwa hasil terbitan karya ilmiah website tersebut menarik. Sehingga jumlah pengunjung unik dijadikan indikator penting dalam mengukur keberhasilan sebuah jurnal elektronik untuk memenuhi perluasan, penyebaran dan percepatan sistem akreditasi jurnal. Pengunjung Unik merupakan jumlah pengunjung per Internet Address (IP) yang mengakses sebuah jurnal elektronik dalam kurun waktu tertentu. Terdapat beberapa metode yang biasa digunakan untuk peramalan, diantaranya adalah Multilayer Perceptron (MLP). Kualitas data berpengaruh besar dalam membangun model MLP yang baik, karena sukses tidaknya permodelan pada MLP sangat dipengaruhi oleh data input. Salah satu cara untuk meningkatkan kualitas data adalah dengan melakukan smoothing pada data tersebut. Pada penelitian ini digunkan metode peramalan Multilayer Perceptron berdasarkan penelitian sebelumnya dengan kombinasi data training dan testing 80%-20% dengan asitektur 2-1-1 dan learning rate 0,4. Selanjutnya untuk meningkatkan kualitas data dilakukan smoothing dengan menerapkan metode Single Exponential Smoothing. Dari penelitian yang dilakukan diperoleh hasil terbaik menggunakan alpha 0.9 dengan hasil akurasi MSE 94.02% dan RMSE 75.54% dengan lama waktu eksekusi 580,27 detik. The number of visits by the average unique visitor per day on electronic journals shows that the published scientific papers on the website are interesting. So that the number of unique visitors is used as an important indicator in measuring the success of an electronic journal to meet the expansion, dissemination and acceleration of the journal accreditation system. Unique Visitors is the number of visitors per Internet Address (IP) who access an electronic journal within a certain period of time. There are several methods commonly used for forecasting, including the Multilayer Perceptron (MLP). Data quality has a big influence in building a good MLP model, because the success or failure of modeling in MLP is greatly influenced by the input data. One way to improve data quality is by smoothing the data. In this study, the Multilayer Perceptron forecasting method was used based on previous research with a combination of training data and testing 80% -20% with a 2-1-1 architecture and a learning rate of 0.4. Furthermore, to improve data quality, smoothing is done by applying the Single Exponential Smoothing method. From the research conducted, the best results were obtained using alpha 0.9 with MSE accuracy of 94.02% and RMSE 75.54% with a long execution time of 580.27 seconds.
Pelabelan Kelas Kata Bahasa Jawa Menggunakan Hidden Markov Model Mursyit, Mohammad; Wibawa, Aji Prasetya; Zaeni, Ilham Ari Elbaith; Rosyid, Harits Ar
Mobile and Forensics Vol. 2 No. 2 (2020)
Publisher : Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12928/mf.v2i2.2450

Abstract

Part of Speech Tagging atau POS Tagging adalah proses memberikan label pada setiap kata dalam sebuah kalimat secara otomatis. Penelitian ini menggunakan algoritma Hidden Markov Model (HMM) untuk proses POS Tagging. Perlakuan untuk unknown words menggunakan Most Probable POS-Tag. Dataset yang digunakan berupa 10 cerita pendek berbahasa Jawa terdiri dari 10.180 kata yang telah diberikan tagset Bahasa Jawa. Pada penelitian ini proses POS Tagging menggunakan dua skenario. Skenario pertama yaitu menggunakan algoritma Hidden Markov Model (HMM) tanpa menggunakan perlakuan untuk unknown words. Skenario yang kedua menggunakan HMM dan Most Probable POS-Tag untuk perlakuan unknown words. Hasil menunjukan skenario pertama menghasilkan akurasi sebesar 45.5% dan skenario kedua menghasilkan akurasi sebesar 70.78%. Most Probable POS-Tag dapat meningkatkan akurasi pada POS Tagging tetapi tidak selalu menunjukan hasil yang benar dalam pemberian label. Most Probable POS-Tag dapat menghilangkan probabilitas bernilai Nol dari POS Tagging Hidden Markov Model. Hasil penelitian ini menunjukan bahwa POS Tagging dengan menggunakan Hidden Markov Model dipengaruhi oleh perlakuan terhadap unknown words, perbendaharaan kata dan hubungan label kata pada dataset. Part of Speech Tagging or POS Tagging is the process of automatically giving labels to each word in a sentence. This study uses the Hidden Markov Model (HMM) algorithm for the POS Tagging process. Treatment for unknown words uses the Most Probable POS-Tag. The dataset used is in the form of 10 short stories in Javanese consisting of 10,180 words which have been given the Javanese tagset. In this study, the POS Tagging process uses two scenarios. The first scenario is using the Hidden Markov Model (HMM) algorithm without using treatment for unknown words. The second scenario uses HMM and Most Probable POS-Tag for treatment of unknown words. The results show that the first scenario produces an accuracy of 45.5% and the second scenario produces an accuracy of 70.78%. Most Probable POS-Tag can improve accuracy in POS Tagging but does not always produce correct labels. Most Probable POS-Tag can remove zero-value probability from POS Tagging Hidden Markov Model. The results of this study indicate that POS Tagging using the Hidden Markov Model is influenced by the treatment of unknown words, vocabulary and word label relationships in the dataset.
Co-Authors Abdullah, Dzulkifli Achmad Iffad Adhilaga, Hanif Aditya Galih Sulaksono, Aditya Galih Agung Bella Putra Utama Agusta Rakhmat Taufani Ahmad Adi Prasetyo Ahmad Munjin Nasih Ahmad Nurdiansyah, Ahmad Aji Prasetya Wibawa Akmal Vrisna Alzuhdi Ali M. Mohammad Salah Alqahtani, Mohammed S. Amalia Amalia Anie Yulistyorini Anik Nur Handayani Ardi Anugerah Wicaksana Aripriharta - Asa Luki Setiawan Asfani, Khoirudin Ashar, Muhammad Aulia Yahya Harindra Putra Aya Sofia Mufti Azhar Ahmad Smaragdina Azizah, Desi Fatkhi Brillianta Zayyan Muhammad Danang Rahmat Bachtiar Denny Kurniawan Diederik Rousseau Dyah Lestari Edwin Meinardi Trianto Elfonda Daffa Risqullah Elmiyadi Novia Farma Esther Irawati Setiawan Fajariani, Erna Fatma Yuniardini Fauzi, Rochmad Febrianto Alqodri Felix Andika Dwiyanto Ferdinand, Miftakhul Anggita Bima Gunawan Gunawan Gunawan Hakkun Elmunsyah Hariyono Hariyono Hartarto Junaedi Hendrawan Armanto Herman Thuan To Saurik Heru Wahyu Herwanto Imanuel Hitipeuw Jevri Tri Ardiansah Joumil Aidil Saifuddin Khoiruddin Asfanie Khurin Nabila Kumalasari, Ira Kusuma Refa Haratama Liang, Yeoh Wen Lucyta Qutsyaning Rosydah M Baharuddin Yusuf Mohammad Musthofa Al Ansyorie Mohammad Yasser Chuttur Mokhtar , Norrima Binti Muchamad Andis Setiawan Muhammad Akbar Muhammad Iqbal Akbar Muhammad Naufal Farras Muladi Mursyit, Mohammad Mutyara Whening Aniendya Nastiti Susetyo Fanany Putri Novian Dwi syahrizal Hilmi Nur A’yuni Ramadhani Nur Hidayatullah Nur Sa’ida Kismurdiani Praja, Rafli Indar Prasetyo, Ahmad Adi Prawidya, Della Murbarani Rahadyan Fannani Arif Rochmawati, Rochmawati Sari, Tenty Luay Setumin , Samsul Shah Nazir Siti Sendari Suparman Syaad Patmanthara Teguh Andriyanto, Teguh Theodora Monica Timothy John Pattiasina Tinesa Fara Prihandini Utomo Pujianto Wahyu Irianto Wako Uriu Wiryawan, Muhammad Zaki Yudhistira, Moch Rajendra Yusmanto, Yunan Zaeni, Ilham Ari Elbaith