Articles
<![CDATA[PENGKOMBINASIAN POHON KEPUTUSAN DATA PENCILAN KELAS DAN POHON KEPUTUSAN DATA NORMAL UNTUK PENINGKATAN AKURASI PREDIKSI CACAT PERANGKAT LUNAK ]]>
<![CDATA[Pujianto, Utomo]]>;
<![CDATA[Siahaan, Daniel Oranova]]>
<![CDATA[ JUTI: Jurnal Ilmiah Teknologi Informasi Vol 10, No 1, Januari 2012 ]]>
Publisher : <![CDATA[Department of Informatics, Institut Teknologi Sepuluh Nopember ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (322.235 KB)
|
DOI: 10.12962/j24068535.v10i1.a23
<![CDATA[Keberadaan pencilan dalam set data prediksi cacat perangkat lunak memunculkan dua pilihan penanganan, yaitu apakah tetap digunakan dengan mengabaikan keberadaannya sebagai pencilan, ataukah dihapuskan dari set data uji coba. Pengabaian keberadaan pencilan dalam set data uji menghasilkan akurasi hasil prediksi yang secara signifikan lebih rendah dibandingkan dengan jika pencilan tersebut dihapuskan dari set data uji coba. Dalam paper ini diusulkan utilisasi pencilan kelas dalam set data prediksi cacat perang kat lunak untuk meningkatkan kinerja sistem prediksi cacat perangkat lunak. Metode yang diusulkan terdiri dari proses prediksi pencilan kontekstual dari set data uji, menggunakan model prediksi berbasis pohon keputusan tunggal. Selanjutnya dilakukan dengan proses prediksi label kelas cacat perangkat lunak menggunakan dua buah model prediksi berbasis pohon keputusan tunggal, yang masing-masing berfungsi untuk melakukan prediksi cacat perangkat lunak terhadap subset data normal dan subset data pencilan. Hasil pengujian terhadap lima set data NASA dari repository PROMISE menunjukkan bahwa metode yang diusulkan memiliki kinerja akurasi yang lebih baik dibandingkan penggunaan algoritma J48 yang mengabaikan keberadaan pencilan, maupun yang menghapuskan pencilan dari set data sampel pengujian.]]>
<![CDATA[MODEL ANALISIS PENGAMBILAN KEPUTUSAN PEMINATAN DI SMA MENGGUNAKAN METODE SAW ]]>
<![CDATA[Wibawa, Aji Prasetya]]>;
<![CDATA[Pujianto, Utomo]]>
<![CDATA[ Prosiding SAKTI (Seminar Ilmu Komputer dan Teknologi Informasi) Vol 1, No 1 (2016): Vol 1, No 1 (2016): Prosiding Seminar Nasional Ilmu Komputer dan Teknologi Infor ]]>
Publisher : <![CDATA[Mulawarman University ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (73.549 KB)
<![CDATA[Banyak faktor yang menjadi pertimbangan ketika guru menentukan kelompok peminatan yang sesuai untuk siswanya. Menentukan suatu kelompok peminatan untuk siswa dengan jumlah yang banyak akan menimbulkan kesulitan bagi guru tersebut. Untuk itu, perlu adanya suatu mekanisme yang dapat membantu guru untuk menentukan kelompok peminatan yang terbaik untuk siswanya berdasarkan nilai dari setiap faktor yang berpengaruh. Sistem yang dapat memenuhi kebutuhan tersebut adalah Sistem Pendukung Keputusan (SPK). SPK menggunakan suatu metode tertentu untuk memilih keputusan yang terbaik. Salah satu metode yang umum digunakan adalah Simple Additive Weighting (SAW). Beberapa hal yang dibutuhkan metode SAW adalah alternatif, bobot, dan kriteria. Alternatif pada permasalahan ini adalah Matematika dan Ilmu Pengetahuan Alam (MIPA), Ilmu Pengetahuan Sosial (IPS) dan Bahasa dan Budaya. Bobot didapatkan dari pengambil keputusan. Kriteria yang didapatkan adalah nilai rata-rata rapor Sekolah Menengah Pertama (SMP), nilai ujian nasional SMP, minat siswa, hasil psikotes, nilai ujian sekolah SMP, nilai tes peminatan, rekomendasi guru bimbingan konseling SMP dan rekomendasi orang tua. Berdasarkan permasalahan tersebut artikel ini akan memberi gambaran bagaimanan implementasi metode SAW pada permasalahan peminatan siswa SMA.]]>
<![CDATA[Perbandingan Kinerja Hasil Seleksi Fitur pada Prediksi Kinerja Akademik Siswa Berbasis Pohon Keputusan ]]>
<![CDATA[Asmoro, Achmad Shoddiq Bayu]]>;
<![CDATA[Irianto, Wahyu Sakti Gunawan]]>;
<![CDATA[Pujianto, Utomo]]>
<![CDATA[ JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 4, No 2 (2018): Volume 4 No 2 ]]>
Publisher : <![CDATA[Program Studi Informatika ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (22.76 KB)
|
DOI: 10.26418/jp.v4i2.29294
<![CDATA[Sistem manajemen E-learning merupakan bentuk kemajuan teknologi dalam bidang pendidikan dan telah banyak menghasilkan kumpulan data-data pendidikan yang salah satunya adalah data aktivitas pembelajaran siswa dalam sistem manajemen E-learning. Banyaknya data pendidikan yang belum tereksplorasi dengan baik dapat di manfaatkan dengan menggunakan teknik data mining. Pada penelitian ini akan dilakukan perbandingan 3 model data berbeda yaitu data awal tanpa preprocessing dan data yang di preprocessing menggunakan seleksi fitur correlation-based feature selection dan Information Gain. Data yang digunakan adalah data aktivitas pembelajaran siswa dalam sistem manajemen E-learning. Selanjutnya proses pengujian data dengan menggunakan 10 folds cross validation dengan metode C4.5 dan evaluasi data menggunakan confusion matrix. Hasil dari pengujian data menggunakan algoritma C4.5 yang dikombinasikan dengan seleksi fitur correlation-based feature selection menghasilkan nilai akurasi yang lebih tinggi dengan nilai akurasi sebesar 76.92%. Sementara itu hasil dari pengujian data awal tanpa selesksi fitur dan data yang di seleksi fitur menggunakan information gain memiliki nilai akrasi yang sama dengan nilai akurasi sebesar 76.19%. Hal ini dikarenakan data yang diproses menggunakan algoritma C4.5 tanpa preprocessing dan data yang telah di preprocessing menggunakan information gain sama-sama menghitung nilai gain untuk membuat model pohon keputusan, dan menghasilkan model pohon keputusan yang sama. Sehingga hasil dari proses pengujian data memiliki nilai akurasi yang sama.]]>
<![CDATA[PERBANDINGAN METODE NAÏVE BAYES DAN C4.5 UNTUK MEMPREDIKSI MORTALITAS PADA PETERNAKAN AYAM BROILER ]]>
<![CDATA[Baihaqi, Dimas Imam]]>;
<![CDATA[Handayani, Anik Nur]]>;
<![CDATA[Pujianto, Utomo]]>
<![CDATA[ Simetris: Jurnal Teknik Mesin, Elektro dan Ilmu Komputer Vol 10, No 1 (2019): JURNAL SIMETRIS VOLUME 10 NO 1 TAHUN 2019 ]]>
Publisher : <![CDATA[Universitas Muria Kudus ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (185.135 KB)
|
DOI: 10.24176/simet.v10i1.2846
<![CDATA[Ayam broiler adalah jenis ternak yang paling cepat untuk dipanen. Namun dalam berternak ayam broiler pasti banyak masalah yang dihadapi contohnya adalah tingkat kematian. Untuk menekan kerugian, para peternak sebaiknya memperhatikan faktor-faktor apa saja yang menyebabkan kematian ayam tersebut. Beberapa penelitian yang meneliti tentang ayam broiler menggunakan metode percobaan dan RAL. Namun masih belum ada yang meneliti mortalitas ayam broiler menggunkan komputasi. Untuk mengetahui metode mana yang lebih baik untuk memprediksi mortalitas pada peternakan ayam broiler dilakukan penelitian perbandingan metode Naïve Bayes dan C4.5. Hasil dari perbandingan akan dievaluasi menggunakan confution matrix. Hasil dari pengujian data menggunakan confution matrix menghasilkan nilai akurasi dari metode C4.5 lebih besar dari pada metode Naïve Bayes. Nilai akurasi dari metode C4.5 adalah 93% dan nilai akurasi dari metode Naïve Bayes adalah 88.66%.]]>
<![CDATA[Classification of Lexile Level Reading Load Using the K-Means Clustering and Random Forest Method ]]>
<![CDATA[Rosyid, Harits Ar]]>;
<![CDATA[Pujianto, Utomo]]>;
<![CDATA[Yudhistira, Moch Rajendra]]>
<![CDATA[ Kinetik: Game Technology, Information System, Computer Network, Computing, Electronics, and Control Vol. 5, No. 2, May 2020 ]]>
Publisher : <![CDATA[Universitas Muhammadiyah Malang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.22219/kinetik.v5i2.897
<![CDATA[There are various ways to improve the quality of someone's education, one of them is reading. By reading, insight and knowledge of various kinds of things can increase. But, the ability and someone's understanding of reading is different. This can be a problem for readers if the reading material exceeds his comprehension ability. Therefore, it is necessary to determine the load of reading material using Lexile Levels. Lexile Levels are a value that gives a size the complexity of reading material and someone's reading ability. Thus, the reading material will be classified based a value on the Lexile Levels. Lexile Levels will cluster the reading material into 2 clusters which is easy, and difficult. The clustering process will use the k-means method. After the clustering process, reading material will be classified using the reading load Random Forest method. The k-means method was chosen because of the method has a simple computing process and fast also. Random Forest algorithm is a method that can build decision tree and it’s able to build several decision trees then choose the best tree. The results of this experiment indicate that the experiment scenario uses 2 cluster and SMOTE and GIFS preprocessing are carried out shows good results with an accuracy of 76.03%, precision of 81.85% and recall of 76.05%.]]>
<![CDATA[Sistem Ulangan Harian Dengan Penentuan Tingkat Kesulitan Soal Menggunakan Algoritma Naive Bayes Classifier ]]>
<![CDATA[Bahalwan, Lugas Anegah]]>;
<![CDATA[Wibawa, Aji Prasetya]]>;
<![CDATA[Pujianto, Utomo]]>
<![CDATA[ Prosiding SAKTI (Seminar Ilmu Komputer dan Teknologi Informasi) Vol 4, No 2 (2019): Prosiding Seminar Nasional Ilmu Komputer dan Teknologi Informasi (SAKTI) ]]>
Publisher : <![CDATA[Mulawarman University ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Dalam pelaksanaan ulangan harian, guru memiliki beberapa kendala yang dapat mengarahkan pada kemungkinan gagalnya evaluasi pendidikan dengan baik. Beberapa kendala Ulangan Harian yang dialami guru adalah beban kerja guru yang cukup banyak, selain dari tugas mengajar dan mendidik juga terdapat tugas kedinasan yang diberikan pada guru tertentu dengan tugas yang berbeda-beda. Dalam penelitian ini. Sistem Ulangan Harian dikembangkan untuk mengatasi masalah yang muncul dengan penentuan tingkat kesulitan soal menggunakan metode klasifikasi Naïve Bayes Classifier. Perhitungan kinerja algoritma menggunakan metode konfusi matrik dengan hasil Akurasi sebesar 89.99%, Precission sebesar 89.3%, dan Recall sebesar 89.3%. Penelitian ini akan menguji perilaku pengguna Sistem Ulangan Harian berdasarkan faktor-faktor yang memengaruhi mereka dengan pendekatan Technology Acceptance Model (TAM). Berdasarkan hasil analisis diketahui bahwa ada pengaruh pengaruh Perceived Ease of Use (PEOU) terhadap Perceived Usefulness (PU) sebesar 90.6%, sedangkan pengaruh Perceived Ease of Use (PEOU) dan Perceived Usefulness (PU) terhadap Attitude Toward Using (ATU) adalah 74,3%. Diketahui juga bahwa pengaruh Perceived Usefulness (PU) dan Attitude Toward Using (ATU) terhadap Behavioural Intention to Use (ITU) adalah 79,7%. Pengaruh Behavioural Intention to Use (ITU) terhadap Actual System Use (ASU) sebesar 79,3%. Dari hasil penelitian, Sistem Ulangan Harian dengan klasifikasi tingkat kesulitan soal menggunakan algoritma Naïve Bayes Classifier bisa diimplementasikan secara efektif.]]>
<![CDATA[Rekomendasi Pemetaan Keahlian Siswa Terhadap Spesifikasi Lowongan Kerja pada Sistem Bursa Kerja Khusus (BKK) Menggunakan Metode Simple Additive Weighting (SAW) Di SMK ]]>
<![CDATA[Nanda Riski Septania]]>;
<![CDATA[Hakkun Elmunsyah]]>;
<![CDATA[Utomo Pujianto]]>
<![CDATA[ Edcomtech Vol 4, No 2 (2019) ]]>
Publisher : <![CDATA[Universitas Negeri Malang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (715.484 KB)
|
DOI: 10.17977/um039v4i22019p120
<![CDATA[Abstrak: Penelitian ini bertujuan untuk menghasilkan rekomendasi berupa daftar lowongan kerja sesuai dengan keahlian siswa. Model yang digunakan dalam penelitian dan pengembangan rekomendasi pemetaan keahlian siswa adalah waterfall. Teknik pengujian yang digunakan adalah pengujian secara black box, yakni digunakan untuk menguji dari fungsionalitas sistem. Produk divalidasi oleh dua orang ahli, yaitu ahli I dan ahli II. Hasil validasi yang dilakukan oleh ahli I dan ahli II masing-masing memperoleh presentase kelayakan 100%. Kemudian dari hasil uji coba produk diperoleh presentase kelayakan 97%. Hasil tersebut menunjukkan bahwa tingkat kelayakan produk sudah valid karena melebihi batas minimal 76% untuk kriteria valid, sehingga produk dapat dikatakan layak dan dapat digunakan.Abstract: This study aims to produce recommendations in the form of a list of job vacancies in accordance with the expertise of students. The model used in research and development of student expertise mapping recommendations is the waterfall. The testing technique used is black box testing, which is used to test the system's functionality. The product was validated by two experts, namely Expert I and Expert II. The results of the validation carried out by expert I and expert II each received a 100% eligibility percentage. Then from the product trial results obtained a percentage of eligibility 97%. These results indicate that the level of product eligibility is valid because it exceeds the minimum limit of 76% for valid criteria, so the product can be said to be feasible and can be used.]]>
<![CDATA[Journal Unique Visitors Forecasting Based on Multivariate Attributes Using CNN ]]>
<![CDATA[Aderyan Reynaldi Fahrezza Dewandra]]>;
<![CDATA[Aji Prasetya Wibawa]]>;
<![CDATA[Utomo Pujianto]]>;
<![CDATA[Agung Bella Putra Utama]]>;
<![CDATA[Andrew Nafalski]]>
<![CDATA[ International Journal of Artificial Intelligence Research Vol 6, No 2 (2022): Desember 2022 ]]>
Publisher : <![CDATA[International Journal of Artificial Intelligence Research ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (379.839 KB)
|
DOI: 10.29099/ijair.v6i1.274
<![CDATA[Forecasting is needed in various problems, one of which is forecasting electronic journals unique visitors. Although forecasting cannot produce very accurate predictions, using the proper method can reduce forecasting errors. In this research, forecasting is done using the Deep Learning method, which is often used to process two-dimensional data, namely convolutional neural network (CNN). One-dimensional CNN comes with 1D feature extraction suitable for forecasting 1D time-series problems. This study aims to determine the best architecture and increase the number of hidden layers and neurons on CNN forecasting results. In various architectural scenarios, CNN performance was measured using the root mean squared error (RMSE). Based on the study results, the best results were obtained with an RMSE value of 2.314 using an architecture of 2 hidden layers and 64 neurons in Model 1. Meanwhile, the significant effect of increasing the number of hidden layers on the RMSE value was only found in Model 1 using 64 or 256 neurons.]]>
<![CDATA[Sistem informasi pemantauan aktivitas atlet renang untuk meningkatan prestasi atlet renang ]]>
<![CDATA[Dewinta Nilan Sari]]>;
<![CDATA[Muhamad Jauharul Fuady]]>;
<![CDATA[Utomo Pujianto]]>
<![CDATA[ TEKNO: Jurnal Teknologi Elektro dan Kejuruan Vol 28, No 1 (2018) ]]>
Publisher : <![CDATA[Universitas Negeri Malang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (296.647 KB)
|
DOI: 10.17977/um034v28i1p17-24
<![CDATA[Terdapat banyak faktor yang menunjang prestasi atlet renang. Salah satu faktor yang menunjang dalam peningkatan prestasi atlet merupakan penyimpanan data hasil latihan yang dilakukan oleh pelatih maupun atlet renang. Data hasil latihan ini berupa hasil latihan fisik dan latihan renang/hasil perlombaan. Data hasil latihan ini digunakan oleh pelatih untuk mengetahui kemajuan prestasi berenang atlet untuk memecahkan rekor kecepatan berenang atlet. Oleh sebab itu, diperlukan sistem informasi pemantauan atlet yang bertujuan untuk memudahkan atlet dan pelatih dalam penyimpanan data hasil latihan sekaligus pemantauan aktivitas latihan fisik atlet. Sistem informasi berbentuk web yang dapat diakses pada http://tnw-sc.com. Proses pembuatan sistem informasi ini menggunakan model pengembangan prototype. Proses pengerjaan dilakukan dengan dua siklus. Penerapan dilakukan selama dua bulan di Tirta Nirwana Swimming Club. ]]>
<![CDATA[Perbandingan kinerja metode C4.5 dan Naive Bayes dalam klasifikasi artikel jurnal PGSD berdasarkan mata pelajaran ]]>
<![CDATA[Utomo Pujianto]]>;
<![CDATA[Putri yuni Ristanti]]>
<![CDATA[ TEKNO: Jurnal Teknologi Elektro dan Kejuruan Vol 29, No 1 (2019) ]]>
Publisher : <![CDATA[Universitas Negeri Malang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (573.647 KB)
|
DOI: 10.17977/um034v29i1p50-67
<![CDATA[Pendidikan mempunyai standar sebagai acuan dalam proses pembelajaran. Dalam hal ini Pemerintah telah mengatur standar pendidikan di Indonesia, mengacu pada Peraturan Pemerintah Republik Indonesia Nomor 19 Tahun 2005 Pasal 6 ayat (1) yaitu kurikulum untuk jenis pendidikan umum, kejuruan, dan khusus pada jenjang pendidikan dasar dan menengah. Sesuai dengan Peraturan Pemerintah tersebut, ditetapkannya Peraturan Menteri Pendidikan Nasional Republik Indonesia Nomor 23 Tahun 2006 pasal 1 ayat (2), tentang Standar Kompetensi Lulusan yang diantaranya memuat SK-KMP (Standar Kompetensi Kelompok Mata Pelajaran). Standar inilah yang dijadikan sebuah rujukan untuk tenaga pendidik, dan bakal tenaga pendidik khususnya mahasiswa bidang pendidikan untuk membuat sebuah media pembelajaran, jurnal sebagai bahan ajaran yang pokok. Tujuan penelitian ini untuk mengklasifikasikan minat mahasiswa PGSD terhadap tema mata pelajaran menurut SK-KMP menggunakan metode Naive Bayes dan Decision tree J48. Hasil penelitian tersebut dapat dijadikan sebagai referensi untuk pengambilan tema pada mata pelajaran di tahun mendatang untuk lebih bervariasi, tidak hanya membahas tentang salah satu mata pelajaran tersebut. Kinerja dari kedua metode tersebut akan dibandingkan, sehingga dapat diketahui kinerja metode mana yang lebih baik dalam melakukan klasifikasi dokumen. Pengujian performa algoritma klasifikasi yang digunakan adalah teknik K-fold Cross Validation. Berdasarkan pengujian performa penerapan algoritma Naïve Bayes dan Decision Tree J48 menggunakan teknik K-Fold Cross Validation terhadap 200 judul dan abstrak artikel jurnal, didapatkan algoritma Naive Bayes, tingkat akurasi sebesar 84%. Sementara itu, untuk hasil yang diperoleh dengan algoritma Decision Tree J48, tingkat akurasi sebesar 86%.]]>
