Article Per Year (5 Year)
p-Index From 2021 - 2026
2.488
P-Index
This Author published in this journals
All Journal Telematika Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Creative Information Technology Journal INTECOMS: Journal of Information Technology and Computer Science METHODIKA: Jurnal Teknik Informatika dan Sistem Informasi JURIKOM (Jurnal Riset Komputer) Journal on Education CCIT (Creative Communication and Innovative Technology) Journal Jurnal Tecnoscienza JTIULM (Jurnal Teknologi Informasi Universitas Lambung Mangkurat) Infotek : Jurnal Informatika dan Teknologi Infokes : Jurnal Ilmiah Rekam Medis dan Informasi Kesehatan EXPLORE Indonesian Journal Computer Science (ijcs) SmartComp Explore Jurnal Pengabdian Masyarakat (JURDIMAS)
Anggit Dwi Hartanto
Universitas AMIKOM Yogyakarta
Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Health Professions Languange, Linguistic, Communication & Media Mathematics Medicine & Pharmacology Nursing Public Health Social Sciences Veterinary Other

Published : 22 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 22 Documents
Search

 1   2   3 
Klasifikasi Neive Bayes Berbasis Particle Swarm Optimization Untuk Prediksi Penerima Bantuan Iuran Bpjs Kesehatan Fajar Surya Putro; Ema Utami; Anggit Dwi Hartanto
Indonesian Journal Computer Science Vol. 1 No. 1 (2022): April 2022
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (380.922 KB) | DOI: 10.31294/ijcs.v1i1.1154

Abstract

Pada masa pandemi sangat berdampak besar pada kehidupan ekonomi masyarakat utamanya golongan rumah tangga kelas menengah ke  bawah. Bantuan yang sangat dibutuhkan masyakat khususnya untuk mengatasi masalah kemiskinan dan kesehatan.   Penerima Bantuan Iuran BPJS (PBI) merupakan salah satu usaha pemerintah untuk membantu meringankan masyarakat miskin yang mengalami kesulitan untuk membayar biaya iuran bulanan BPJS Kesehatan. Data penerima bansos BPJS (PBI) diambil dari Data Terpadu Kesejahteraan Sosial (DTKS) Kementerian Sosial. Hasil klasifikasi yang didapat 95% Penerima PBI BPJS DTKS  diprediksi Tidak  tidak layak menerima. Sedangkan 5 % diprediksi layak menerima. Dari hasil analisis optimasi algoritma Naïve Bayes dengan particle swarm optimization   (PSO) dapat disimpulkan bahwa nilai akurasi yang didapat model algoritma Naïve Bayes berbasis PSO adalah 99,98%. Lebih baik jika dibandingkan dengan hanya model algoritma Naïve Bayes  menghasilkan nilai akurasi sebesar 99,95%. Selisih antara kedua model tersebut sebesar 0,03%. Sedangkan untuk nilai precision yang didapat model algoritma Naïve Bayes berbasis PSO menunjukkan maximal value yaitu 100%. Lebih baik jika dibandingkan dengan hanya model algoritma Naïve Bayes  menghasilkan nilai Precision sebesar 99.96%. Untuk nilai Recall model algoritma Naïve Bayes berbasis PSO menunjukkan nilai 99,59 %. Lebih baik jika dibandingkan dengan hanya model algoritma Naïve Bayes  menghasilkan nilai Precision sebesar 98,84%.
Penerapan Random Forest dan Adaboost untuk Klasifikasi Serangan DDoS Ahmad Fauzi; Ema Utami; Anggit Dwi Hartanto
Journal on Education Vol 5 No 3 (2023): Journal on Education: Volume 5 Nomor 3 Tahun 2023
Publisher : Departement of Mathematics Education

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/joe.v5i3.1582

Abstract

Among the different types of attacks in the field of Information Technology, DDOS attacks are one of the biggest threats to internet sites and pose a devastating risk to the security of computer systems, mainly due to their potential impact. Hence why research in this area is growing rapidly, with researchers focusing on new ways to address intrusion detection and prevention. Machine learning and Artificial Intelligence are some of the latest additions to the list of technologies studied to perform intrusion detection classification. This study explores the behavior and application of DDoS datasets for machine learning in the context of intrusion detection. The flow in this study, first is to collect raw DDoS datasets from reputable sources. After the data is obtained, the final data set is created for modeling. Data management involves data cleansing, data type transformation and data exchange on data collection. The selection process is accompanied by a model. Two separate algorithms, random and adaboost, are used to train a model with a dataset. The model is validated and retrained with a k-fold cross. The model was eventually evaluated using invisible data. The result is determined by various output sizes. In the experiment, DDoS datasets were used: CICDDoS_2019 The intrusion detection performance of this dataset was analyzed using two machine learning models. The dataset is divided in an 80:20 ratio for model training, validation and testing. Machine learning models are selected systematically and carefully to ensure that experiments are conducted in the right way. The results were analyzed using a set of performance metrics, including accuracy, precision, recall, f-measure, and compute time
DDoS Penerapan Random Forest dan Adaboost untuk Klasifikasi Serangan DDoS Ahmad Fauzi; Ema Utami; Anggit Dwi Hartanto
Journal on Education Vol 5 No 3 (2023): Journal on Education: Volume 5 Nomor 3 Tahun 2023
Publisher : Departement of Mathematics Education

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/joe.v5i3.1920

Abstract

Di antara berbagai jenis serangan di bidang Teknologi Informasi, serangan DDOS adalah salah satu ancamanterbesar bagi situs internet dan menimbulkan risiko yang menghancurkan keamanan sistem komputer, terutamakarena potensi dampaknya. Oleh karena itu mengapa penelitian di bidang ini berkembang pesat, dengan parapeneliti yang berfokus pada cara-cara baru untuk mengatasi deteksi dan pencegahan intrusi. Machine learningdan Artificial Intelligent adalah beberapa tambahan terbaru dalam daftar teknologi yang diteliti untukmelakukan klasifikasi deteksi intrusi. Studi ini mengeksplorasi perilaku dan penerapan dataset DDoS untukpembelajaran mesin dalam konteks deteksi intrusi. Alur dalam penelitian ini, pertama adalah mengumpulkandataset DDoS mentah dari sumber yang memiliki reputasi baik. Setelah data diperoleh, kumpulan data akhirdibuat untuk pemodelan. Manajemen data melibatkan pembersihan data, transformasi tipe data dan pertukarandata pada pengumpulan data. Proses seleksi disertai dengan model. Dua algoritma terpisah, random danadaboost, digunakan untuk melatih model dengan dataset. Model divalidasi dan dilatih ulang dengan k-foldcross. Model tersebut akhirnya dievaluasi menggunakan data yang tidak terlihat. Hasilnya ditentukan olehberbagai ukuran keluaran. Dalam percobaan, dataset DDoS digunakan: CICDDoS_2019 Performa deteksiintrusi set data ini dianalisis menggunakan dua model pembelajaran mesin. Dataset dibagi dalam rasio 80:20untuk pelatihan model, validasi dan pengujian. Model pembelajaran mesin dipilih secara sistematis dan hatihatiuntuk memastikan bahwa eksperimen dilakukan dengan cara yang tepat. Hasilnya dianalisis menggunakansekumpulan metrik performa, termasuk akurasi, presisi, recall, f-measure, dan waktu komputasi.
Pengurangan Dimensi dengan Metode Linear Discriminant Analist (LDA) Winarnie Winarnie; Kusrini Kusrini; Anggit Dwi Hartanto
Infotek: Jurnal Informatika dan Teknologi Vol. 6 No. 2 (2023): Infotek : Jurnal Informatika dan Teknologi
Publisher : Fakultas Teknik Universitas Hamzanwadi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29408/jit.v6i2.10069

Abstract

The purpose of this study is to reduce the dimensions of the dataset that affect the prediction of breast cancer. The data used in research is very much data or is called high-dimensional data. The use of classification algorithms has weaknesses when used on high-dimensional data, so an appropriate method is needed to reduce the dimensions or variables used. There are several methods that can be used to reduce dimensions. In this study using the method of linear discriminant analysis (LDA). LDA is a supervised machine learning algorithm that is used to classify data into several classes, using a linear technique to determine the best set of linear variables to unify class data. LDA is used to reduce the dataset variables used by retaining information that is important for the classification process. The method used in this research is using LDA in data processing and then using a logistic regression model for the classification process. The conclusion obtained in this study is that LDA can overcome the problem of multiclass classification. The results obtained were 16 wrong cases out of a total of 455 cases so that the results obtained were 0.035% misclassification.
Comparison of Naive Bayes and PSO-Based Naive Bayes Algorithms for Prediction of Covid-19 Patient Recovery Data in Indonesia Alvina Felicia Watratan; Ema Utami; Anggit Dwi Hartanto
Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol 7 No 4 (2023): August 2023
Publisher : Ikatan Ahli Informatika Indonesia (IAII)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29207/resti.v7i4.4893

Abstract

A brand new disease known as COVID 19 was identified in 2019 but has yet to infect humans (World Health Organization, 2019). This group of viruses can infect mammals, including humans and birds, and cause sickness. People commonly contract coronaviruses from the flu and other minor respiratory diseases, but they can also spread serious diseases such as SARS, MERS, and the deadly COVID-19. Therefore, to avoid further casualties, this number must be decreased. It is crucial to understand the variables that can truly reduce the danger of death and gauge the propensity for recovery in Covid-19 patients. Several techniques in data mining can be used to forecast patient recovery rates depending on various characteristics. The criteria of this study included gender, age, province, and status. The Naive Bayes (NB) and Pso-based Naive Bayes algorithms are compared in this study using patient data sets to determine whether the strategy is more accurate. The findings of this study reveal that the NB method has a 94.07% accuracy rate, a precision value of 14%, a recall value of 1% and an AUC value of 0.613, according to the study data. The accuracy rate of the Naive Bayes based on PSO is 95.56%, the precision is 25%, the recall is 1%, and the AUC is 0.540.
IMPLEMENTASI ALGORITMA K-NEAREST NEIGHBOR PADA APLIKASI DETEKSI RESIKO TINGGI PADA KEHAMILAN Triana Triana; Ema Utami; Anggit Dwi Hartanto
Jurnal Infokes Vol 13 No 2 (2023): Jurnal Ilmiah Rekam Medis dan Informatika Kesehatan
Publisher : Universitas Duta Bangsa Surakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47701/infokes.v13i2.3049

Abstract

Pengetahuan tentang deteksi resiko tinggi pada kehamilan di Desa Bolopret Klaten Dalam hal ini, penggunaan teknologi dan algoritma dapat menjadi solusi yang efektif untuk mendeteksi resiko tinggi pada kehamilan. Salah satu algoritma yang telah terbukti berhasil dalam klasifikasi dan prediksi adalah algoritma K-Nearest Neighbor. Penelitian ini bertujuan untuk mengetahui impelemtasi algoritma K-Nearest Neighbor pada aplikasi deteksi resiko tinggi pada kehamilan di Desa Bolopleret Klaten. Populasi penelitian adalah ibu hamil di Puskesmas Desa Bolopleret Klaten, teknik pengambilan sampel yang di tuangkan dalam bentuk angka atau biasanya di sebut dengan SKOR sejumlah 3 responden, (1) Kehamilan resiko rendah (2) Kehamilan resiko tinggi (3) Kehamilan resiko sangat tinggi Metode pengumpulan data menggunakan data primer. Analisa data univariat menggunakan distribusi frekuensi. Ibu hamil yang diambil 45 data sample yang akan dicari nilai nearest neighbor dengan data uji baru. Hasil pengujian terhadap keakurasian nilai K yang digunakan dalam penelitian ini, dengan menggunakan nilai K = 5 mendapatkan hasil tertinggi yaitu 93 %. Dalam mencarian nilai K tidak disarankan untuk menggunakan nilai K dengan angka genab, karena jika menggunakan angka genab ditakutkan akan didapatkan hasil yang double. Jadi tidak bisa menghitung hasil akhir dengan menggunakan mayoritas sederhana, atau membandingkan hasil prediksi terbaik berdasarkan pengurutan hasil terkecil jarak Euclidean. Ada hubungan antara karakteristik resiko kehamilan rendah dan tinggi pada ibu hamil dengan perilaku pencegahan sejak dini dari umur kehamilan resiko rendah.
Analisis Perbandingan Metode Tf-Idf dan Word2vec pada Klasifikasi Teks Sentimen Masyarakat Terhadap Produk Lokal di Indonesia Ivan Rifky Hendrawan; Ema Utami; Anggit Dwi Hartanto
Smart Comp :Jurnalnya Orang Pintar Komputer Vol 11, No 3 (2022): Smart Comp: Jurnalnya Orang Pintar Komputer
Publisher : Politeknik Harapan Bersama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30591/smartcomp.v11i3.3902

Abstract

Secara umum, proses menghasilkan setiap ulasan produk pada dasarnya terkait dengan tingkat rating, yang membuat pengguna memberikan komentar yang bias.Analisis sentimen dapat diterapkan pada ulasan produk Marketplace sehingga dapat digunakan sebagai saran perbaikan produk untuk penjual dan pesaing sehingga dapat mengetahui produk apa yang disenangi dan dibutuhkan oleh masyarakat.Penelitian ini  menggunakan algoritma XGBoost dengan menggunakan dataset bahasa Indonesia yang dikombinasikan dengan TF-IDF dan Word2vec dan akan dievaluasi kombinasi mana yang lebih baik dalam mengklasifikasikan data teks yang tidak seimbang.Berdasarkan penelitian yang telah dilakukan, dua vector space TF-IDF dan Word2vec menghasilkan nilai F1-Score yang berbeda pada algoritma klasifikasi XGBoost, kombinasi Word2vec+XGboost menghasilkan nilai F1-Score lebih tinggi 0.941% dibanding TF IDF+XGBoost 0.940%. Hal ini dikarenakan word2vec lebih baik karena memiliki keunggulan dapat melihat hubungan semantik antar kata.Kata kunci: word2vec, tfidf, sentimen analisis, XGBoost,
Ontological Mapping Cobit 2019 Pada Penilaian Kesehatan Bank Di Indonesia Jangkung Tri Nygroho; Alva Hendi Muhammad; Anggit Dwi Hartanto
INTECOMS: Journal of Information Technology and Computer Science Vol 6 No 2 (2023): INTECOMS: Journal of Information Technology and Computer Science
Publisher : Institut Penelitian Matematika, Komputer, Keperawatan, Pendidikan dan Ekonomi (IPM2KPE)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31539/intecoms.v6i2.7936

Abstract

Penelitian ini bertujuan untuk melakukan pemetaan COBIT 2019 dengan Kebijakan Penilaian Tingkat Kesehatan Bank di Indonesia menggunakan teknik ontological mapping. Dengan mengadopsi bahasa ArchiMate, penelitian ini menganalisis dan menggambarkan hubungan antara konsep-konsep dalam COBIT 2019 dan faktor-faktor penilaian tingkat kesehatan bank. Metode analisis yang digunakan mencakup identifikasi tujuan dalam domain COBIT, pemetaan faktor penilaian TKB, dan pembuatan model COBIT 2019 dengan faktor penilaian TKB. Hasil penelitian menunjukkan bahwa beberapa domain COBIT 2019 memiliki relasi yang dengan faktor-faktor penilaian TKB, termasuk profil risiko, GCG, earning, dan capital. Kesimpulan dari penelitian ini memperkuat pemahaman mengenai keterkaitan antara kerangka kerja tata kelola TI (COBIT 2019) dan praktik penilaian tingkat kesehatan bank di Indonesia.
CONTENT BASED IMAGE RETREIVAL MENGGUNAKAN TAMURA TEXTURE FITUR PADA KAIN SONGKET KHAS LOMBOK Wenti Ayu Wahyuni; Ema Utami; Anggit Dwi Hartanto
Explore Vol 11 No 2 (2021): Juli 2021
Publisher : Universitas Teknologi Mataram

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35200/ex.v11i2.49

Abstract

Information Retrieval adalah bidang ilmu yang berhubungan dengan representasi, penyimpanan, dan akses ke item informasi. Pada dunia nyata, implementasi dari information retrieval dapat ditemukan pada mesin pencarian. Proses pencarian biasanya banyak menggunakan query berupa teks, Namun Banyak kelemahan yang ditemukan pada pencarian menggunakan teks. Content based image retrieval (CBIR) merupakan proses untuk melakukan pencarian citra digital. Prinsip dasar dari teknik CBIR adalah penggunaan algoritma analisa gambar untuk mengekstrak angka secara otomatis pada atribut gambar disuatu waktu pada database gambar. Tujuan penelitian ini yaitu membangun sistem CBIR dalam pencarian kain songket lombok dengan menggunakan metode ekstraksi fitur tamura dalam ekstraksi fitur citra gambar. Data yang digunakan berjumlah kurang lebih 450 kain songket. Aplikasi yang digunakan pada penelitian ini adalah aplikasi dari LIRE. Database yang digunakan berasal dari data yang dikumpulkan langsung. Penerapan metode tamura menunjukkan hasil yang relevan karena dapat menemukan 9 gambar yang relevan dari 12 gambar.Untuk hasil pencarian kain songket keker mendapatkan hasil 75%. Untuk keseluruhan pencarian didapatkan hasil sebesar 85.6%.
PENGENALAN EKSPRESI WAJAH MENGGUNAKAN DEEP CONVOLUTIONAL NEURAL NETWORK Biva Candra Lutfi Adiatma; Ema Utami; Anggit Dwi Hartanto
Explore Vol 11 No 2 (2021): Juli 2021
Publisher : Universitas Teknologi Mataram

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35200/ex.v11i2.61

Abstract

Pengenalan ekspresi wajah menjadi salah satu bidang penelitian aktif dalam beberapa tahun terakhir. Pendekatan yang ada saat ini sebagian besar menggunakan metode tradisional seperti SIFT, HOG, LBP, yang diikuti oleh klasifikasi yang dilatih dari data gambar atau video. Sebagian besar mendapatkan hasil yang cukup baik ketika menggunakan data citra yang terkontrol , tetapi tidak bekerja dengan baik pada kumpulan data yang lebih sulit dimana terdapat banyak bagian wajah dengan banyak variasi gambar. Banyak penelitian yang telah mengusulkan kerangka kerja untuk pengenalan ekspresi wajah menggunakan metode deep learning. Meskipun kinerjanya lebih baik, masih banyak ruang untuk perbaikan. Dalam penelitian ini kami mengusulkan pendekatan menggunakan metode deep learning berbasis Deep Convolutional Neural Network (DCNN) dengan variasi parameter yang berbeda. Hasil yang didapatkan setelah 5 kali percobaan training pada dataset FER2013 dengan 4 optimizer berbeda yaitu optimizer Nadam mendapatkan hasil yang sama baiknya dengan Adam dengan akurasi 83%, kemudian diikuti Adamax dengan nilai akurasi 82%, dan optimizer terkahir dengan akurasi 74% adalah SGD. Hasil prediksi terbaik diperoleh ketika menggunakan optimizer Nadam dengan akurasi 83%.
Co-Authors Ahmad Fauzi Akhmad Efendi Al Abdul Rohim Alva Hendi Muhammad Alvina Felicia Watratan Anik Sri Widowati Biva Candra Lutfi Adiatma Bobby Candera Lim Candra Adipradana Deas Pradana Edy Hardianto Rifeni Ema Utami Eny Nurnilawati Fajar Surya Putro Fakhrur Wiradhika Halim Bayuaji Sumarna Hanafi Hanafi Hartatik Hery Priandoko Idris Idris Ivan Rifky Hendrawan Jangkung Tri Nygroho Kusrini Kusrini Muhammad Ilham Fadila Muhammad Ridlo Arifandi Mulia Sulistiyono Omar Muhammad Altoumi Alsyaibani Pamela Hapsari Putri Rumini Rumini Taufiq Nashrullah Triana Triana Wahyu Hidayat wahyuni, wenti ayu Winarnie