Article Per Year (5 Year)
p-Index From 2020 - 2025
0.444
P-Index
This Author published in this journals
All Journal IJCCS (Indonesian Journal of Computing and Cybernetics Systems) Seminar Nasional Aplikasi Teknologi Informasi (SNATI) Seminar Nasional Informatika (SEMNASIF) JRST (Jurnal Riset Sains dan Teknologi) Contemporary Mathematics and Applications (ConMathA)
Edi Winarko
Unknown Affiliation
Chemical Engineering, Chemistry & Bioengineering Chemistry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Engineering Materials Science & Nanotechnology Mathematics

Published : 17 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 17 Documents
Search

 1   2 
Aplikasi Algoritma CBA untuk Klasifikasi Resiko Pemberian Kredit (Studi kasus: PT. Telkom CDC Sub Area Kupang) Robynson Amseke; Edi Winarko
IJCCS (Indonesian Journal of Computing and Cybernetics Systems) Vol 8, No 2 (2014): July
Publisher : IndoCEISS in colaboration with Universitas Gadjah Mada, Indonesia.

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22146/ijccs.6540

Abstract

AbstrakSalah satu penyebab kredit bermasalahberasal dari pihak internal, yaitu kurang telitinya timdalam melakukan survei dan analisis, atau bisa juga karena penilaian dan analisis yang bersifat subjektif.Penyebab ini dapat diatasi dengan sistem komputer, yaitu aplikasi komputer yang menggunakan teknik data mining.Teknik data mining digunakan dalam penelitian ini untuk klasifikasi resiko pemberian kredit dengan menerapkan algoritma Classification Based On Association (CBA). Algoritma ini merupakan salah satu algoritma klasifikasi dalam data mining yang mengintegrasikan teknik asosiasi dan klasifikasi. Data kredit awal yang telah di-preprocessing, diproses menggunakan algoritma CBA untuk membangun model, lalu model tersebut digunakan untuk mengklasifikasi data pelaku usaha baru yang mengajukan kredit ke dalam kelas lancar atau macet.Teknik Pengujian akurasi model diukur menggunakan 10-fold cross validation. Hasil pengujian menunjukkan bahwa rata-rata nilai akurasi menggunakan algoritma CBA (57,86%), sedikit lebih tinggi dibandingkan rata-rata nilai akurasi menggunakan algoritma Naive Bayes dan SVM dari perangkat lunak Rapid Miner 5.3 (56,35% dan 55,03%). Kata kunci—classification based on association, CBA, data mining, klasifikasi, resiko pemberian kredit  AbstractOne of the causes of non-performing loans come from the internal, that is caused by a lack of rigorous team in conducting the survey and analysis, or it could be due to subjective evaluation and analysis. The cause of this can be solved by a computer system, the computer application that uses data mining techniques. Data mining technique, was usedin this study toclassifycreditriskby applyingalgorithmsClassificationBasedonAssociation(CBA). This algorithm is an algorithm classification of data mining which integratingassociationandclassificationtechniques. Preprocessed initial-credit data, will be processed using theCBAalgorithmto create a model of which is toclassifythe newloandata into swift class or bad one. Testing techniques the accuracy of the model was measured by 10-fold cross validation. The resultshowsthatthe accuracy averagevalue using theCBAalgorithm(57,86%), was slightly higher than those using thealgorithmsofSVM andNaiveBayes from RapidMiner5.3software(56,35% and55,03%, respectively). Keywords—classification based on association, CBA, data mining, classification, credit risk 
Algoritma CPAR untuk Analisa Data Kecelakaan (Studi pada Kepolisian Daerah Sulawesi Tenggara) Natalis Ransi; Edi Winarko
IJCCS (Indonesian Journal of Computing and Cybernetics Systems) Vol 8, No 2 (2014): July
Publisher : IndoCEISS in colaboration with Universitas Gadjah Mada, Indonesia.

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22146/ijccs.6547

Abstract

AbstrakKecelakaan lalu lintas (laka lantas) di Sulawesi Tenggara perlu mendapatkan penanganan yang efektif karena menyebabkan korban meninggal dunia yang terus meningkat setiap tahunnya. Salah satu langkah penanganan adalah analisis karakteristik laka lantas yang berhubungan dengan korban meninggal dunia. Analisis karakteristik laka lantas dapat dilakukan dengan pendekatan faktor penyebab kecelakaan, jenis kecelakaan, dan waktu kejadian.Penelitian ini mengaplikasikan algoritma Classification based on Predictive Association Rules (CPAR) pada data mining untuk analisa karakteristik laka lantas. Algoritma CPAR menghasilkan Class Association Rules (CARs), selanjutnya CARs digunakan untuk mendeskripsikan karakteristik laka lantas yang berhubungan dengan korban meninggal dunia.Hasil penelitian diperoleh bahwa faktor yang menyebabkan korban meninggal dunia pada kasus laka lantas adalah faktor manusia (berkendara dibawah pengaruh alkohol dan berkendara melebihi batas kecepatan) dan faktor lingkungan fisik (prasarana jalan yang rusak dan jalan dengan tikungan tajam). Jenis kecelakaan (tunggal dan depan-depan), waktu kejadian (tanggal 8-14, hari Senin dan Selasa, jam 13:00-18:59), jenis kendaraan (sepeda motor) dan merek kendaraan (Honda), berpotensi menimbulkan korban meninggal pada kasus laka lantas. Pengendara sepeda motor rentan menjadi korban pada kasus laka lantas. Pengujian akurasi menggunakan 10-fold cross validation Hasil pengujian menunjukkan bahwa rata-rata akurasi algoritma CPAR lebih tinggi yaitu 48,75% dibandingkan dengan algoritma PRM yaitu 41,13%. Kata kunci— data mining, algoritma CPAR, kecelakaan lalu lintas Abstract Traffic accident in Southeast Sulawesi needs to get treatment more effective. One of the handling is analysis of traffic accident characteristic and then it was related to the death. Analysis of trafiic accident characteristics can be done with the approach factors the cause of the accident, the kind of an accident, and time genesis.This Research apply CPAR algorithm on the data mining to analyze the characteristics of traffic accident. CPAR Algorithm produce Class Association Rules (CARs) that used to describe traffic accident characteristics related to the death.Results of research, that the factors that caused the victim died in traffic accident is human factors (driving under the influence of alcohol and driving exceed the speed) and environmental factors physical (road infrastructure and damaged roads with elbow).  Types of accidents (in the singular and home-front), time genesis (on 8-14, reported Monday and Tuesday, hours 1:00 pm-6:59 pm), the type of vehicle (motorcycle), potentially causing the death toll in the case laka then. Motorcycle drivers are prone to fall victim in that case laka then. Testing accuracy using 10-fold cross validation test result show that on average these accuracy algorithm CPAR 48.75%, higher than the algorithm PRM 41.13%. Keywords— data mining, CPAR algorithm, traffic accident
Klasifikasi Data NAP (Nota Analisis Pembiayaan) untuk Prediksi Tingkat Keamanan Pemberian Kredit (Studi Kasus : Bank Syariah Mandiri Cabang Luwuk Sulawesi Tengah) Sumarni Adi; Edi Winarko
IJCCS (Indonesian Journal of Computing and Cybernetics Systems) Vol 9, No 1 (2015): January
Publisher : IndoCEISS in colaboration with Universitas Gadjah Mada, Indonesia.

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22146/ijccs.6635

Abstract

AbstrakSetiap bulannya bank syariah mandiri cabang luwuk menerima proposal kredit (NAP) dari nasabah dalam jumlah yang terus meningkat dan perlu respon yang cepat. Dengan demikian, perlu dikembangkan sistem untuk melakukan data mining dari tumpukan data tersebut yang akan digunakan untuk kepentingan tertentu, salah satunya adalah untuk menganalisis resiko pemberian kredit.Teknik data mining digunakan dalam penelitian ini untuk klasifikasi tingkat keamanan pemberian kredit dengan menerapakan algoritma Naïve Bayes Classificatio. Naive bayes classifier merupakan pendekatan yang mengacu pada teorema Bayes yang menkombinasikan pengetahuan sebelumnya dengan pengetahuan baru, sehingga merupakan salah satu algoritma klasifikasi yang sederhana namun memiliki akurasi tinggi. Sebelum dilakukan klasifikasi, data debitur melalui preprocessing. Kemudian dari preprocessing ini dilakukan klasifikasi dengan naive bayes classifier, sehingga menghasilkan model probabilitas klasifikasi untuk prediksi kelas pada debitur selanjutnya. Teknik pengujian akurasi model diukur menggunakan boostrap, dan menunjukkan bahwa nilai akurasi terkecil 80% dihasilkan pada sampel data 100, dan menghasilkan nilai akurasi terbesar 98,66% pada sampel data 463. Kata kunci— akurasi, naive bayes, data mining, klasifikasi, preprocessing, NAP AbstractEvery month the Mandiri Syariah Bank Branch Office of Luwuk receives a very large number of proposal credit. Thus, the system should be developed to perform data mining of the heap data to be used for specific purpose, one of which is for the risk analysis of credit allowance. Data mining techniques used in this study for classification level prediction of credit allowance by applying a naïve Bayes Classification algorithm . Naive bayes classifier is an approach that refers to the bayes theorem, is a combination of prior knowledge with new knowledge. So that is one of the classification algorithm is simple but has a high accuracy. Prior to classification, data of debitur has been through a preprocessing. Then the weight is to perform classification with naive bayes classifier. After the data is classified, so produce probabilitas of model classification for prediction class to next debitur.       Testing techniques the accuracy of the model was measured by bosstrap, and shows that the smallest value of accuracy is 80% produced in the 100 data sample, and the largest value of accuracy 98,66% on a data sample of 463. Keywords— accuracy, naive bayes, data mining, classification, preprocessing, NAP
Aplikasi Mobile untuk Analisis Sentimen pada Google Play Lutfi Budi Ilmawan; Edi Winarko
IJCCS (Indonesian Journal of Computing and Cybernetics Systems) Vol 9, No 1 (2015): January
Publisher : IndoCEISS in colaboration with Universitas Gadjah Mada, Indonesia.

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22146/ijccs.6640

Abstract

AbstrakGoogle dalam application store-nya, Google Play, saat ini telah menyediakan sekitar 1.200.000 aplikasi mobile. Dengan sejumlah aplikasi tersebut membuat pengguna memiliki banyak pilihan. Selain itu, pengembang aplikasi mengalami kesulitan dalam mencari tahu bagaimana meningkatkan kinerja aplikasinya. Dengan adanya permasalahan tersebut, maka dibutuhkan sebuah aplikasi analisis sentimen yang dapat mengolah sejumlah komentar untuk memperoleh informasi.Sistem yang dibangun memiliki tujuan untuk menentukan polaritas sentimen dari ulasan tekstual aplikasi pada Google Play yang dilakukan dari perangkat mobile. Perangkat mobile memiliki portabilitas yang tinggi dan sebagian dari perangkat tersebut memiliki resource yang terbatas. Hal tersebut diatasi dengan menggunakan arsitektur sistem berbasis client server, di mana server melakukan tugas-tugas yang berat sementara client-nya adalah perangkat mobile yang hanya mengerjakan tugas yang ringan. Dengan solusi tersebut maka Analisis sentimen dapat diaplikasikan pada mobile environment.Adapun metode klasifikasi yang digunakan adalah Naïve Bayes untuk aplikasi yang dikembangkan dan Support Vector Machine Linier sebagai pembanding. Nilai akurasi dari Naïve Bayes classifier dari aplikasi yang dibangun sebesar 83,87% lebih rendah jika dibandingkan dengan nilai akurasi dari SVM Linier classifier sebesar 89,49%. Adapun penggunaan semantic handling untuk mengatasi sinonim kata dapat mengurangi akurasi classifier. Kata kunci— analisis sentimen, google play, klasifikasi, naïve bayes, support vector machine AbstractGoogle's Google Play now providing approximately 1.200.000 mobile applications. With these number of applications, it makes the users have many options. In addition, application developers have difficulties in figuring out how to improve their application performance. Because of these problems, it is necessary to make a sentiment analysis applications that can process review comments to get valuable information.The purpose of this system is determining the polarity of sentiments from applications’s textual reviews on Google Play that can be performed on mobile devices. The mobile device has high portability and the majority of these devices have limited resource. That problem can be solved by using a client server based system architecture, where the server performs training and classification tasks while clients is a mobile device that perform some of sentiment analysis task. With this solution, the sentiment analysis can be applied to the mobile environment.The classification method that used are Naive Bayes for developed application and Linear Support Vector Machine that is used for comparing. Naïve Bayes classifier’s accuracy is 83.87%. The result is lower than the accuracy value of Linear SVM classifier that reach 89.49%. The use of semantic handling can reduce the accuracy of the classifier. Keywords—sentiment analysis, google play, classification, naïve bayes, support vector machine
Hybrid Recommendation System Memanfaatkan Penggalian Frequent Itemset dan Perbandingan Keyword Wayan Gede Suka Parwita; Edi Winarko
IJCCS (Indonesian Journal of Computing and Cybernetics Systems) Vol 9, No 2 (2015): July
Publisher : IndoCEISS in colaboration with Universitas Gadjah Mada, Indonesia.

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22146/ijccs.7545

Abstract

AbstrakRecommendation system sering dibangun dengan memanfaatkan data peringkat item dan data identitas pengguna. Data peringkat item merupakan data yang langka pada sistem yang baru dibangun. Sedangkan, pemberian data identitas pada recommendation system dapat menimbulkan kekhawatiran penyalahgunaan data identitas.Hybrid recommendation system memanfaatkan algoritma penggalian frequent itemset dan perbandingan keyword dapat memberikan daftar rekomendasi tanpa menggunakan data identitas pengguna dan data peringkat item. Penggalian frequent itemset dilakukan menggunakan algoritma FP-Growth. Sedangkan perbandingan keyword dilakukan dengan menghitung similaritas antara dokumen dengan pendekatan cosine similarity.Hybrid recommendation system memanfaatkan kombinasi penggalian frequent itemset dan perbandingan keyword dapat menghasilkan rekomendasi tanpa menggunakan identitas pengguna dan data peringkat dengan penggunaan ambang batas berupa minimum similarity, minimum support, dan jumlah rekomendasi. Nilai pengujian yaitu precision, recall, F-measure, dan MAP dipengaruhi oleh besarnya nilai ambang batas yang ditetapkan. Kata kunci— Hybrid recommendation system, frequent itemset, cosine similarity.  AbstractRecommendation system was commonly built by manipulating item is ranking data and user is identity data. Item ranking data were  rarely available on newly constructed system. Whereas, giving identity data to the recommendation system causes concerns about identity data misuse.Hybrid recommendation system used frequent itemset mining algorithm and keyword comparison, it can provide recommendations without identity data and item ranking data. Frequent itemset mining was done using FP-Gwowth algorithm and keyword comparison with calculating document similarity value using cosine similarity approach.Hybrid recommendation system with a combination of frequent itemset mining and keywords comparison can give recommendations without using user identity and rating data.  Hybrid recommendation system using 3 thresholds ie minimum similarity, minimum support, and number of recommendations. With the testing data used, precision, recall, F-measure, and MAP testing value are influenced by the threshold value. Keywords— Hybrid recommendation system, frequent itemset, cosine similarity. 
Metode Boost-K-means untuk Clustering Puskesmas berdasarkan Persentase Bayi yang Diimunisasi Ahmad Irfan Abdullah; Edi Winarko; Aina Musdholifah
JRST (Jurnal Riset Sains dan Teknologi) Volume 4 N0. 2 September 2020: JRST
Publisher : Universitas Muhammadiyah Purwokerto

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1261.459 KB) | DOI: 10.30595/jrst.v4i2.7546

Abstract

Dinas Kesehatan Kabupaten/Kota adalah satuan kerja pemerintahan daerah kabupaten/kota yang bertanggung jawab menyelenggarakan urusan pemerintahan dalam bidang kesehatan di kabupaten/kota. Pelayanan kesehatan adalah upaya yang diberikan oleh Puskesmas kepada masyarakat, mencakup perencanaan, pelaksanaan, evaluasi, pencatatan, pelaporan, dan dituangkan dalam suatu sistem. Pada penelitian ini, akan digunakan data persentase bayi yang diimunisasi yang merupakan salah satu layanan dari Puskesmas. Pelayanan imunisasi ini merupakan pelayanan imunisasi dasar meliputi BCG, DPT/HB1-3, polio 1-4 dan campak. Data persentase bayi yang diimunisasi belum memiliki pengelompokan sehingga pada penelitian ini akan diterapkan metode clustering untuk melakukan pengelompokan Puskesmas berdasarkan persentase bayi yang diimunisasi. Data persentase bayi dari masing-masing Puskesmas dijadikan data uji yang akan diterapkan pada proses multi-clustering dengan metode boost-clustering. Output dari penerapan metode ini akan dibandingkan dengan output metode clustering dasar k-means, hasil clustering akan diukur menggunakan metode silhouette index. Evaluasi menggunakan metode silhouette index dilakukan pada dataset puskesmas. Analisis dilakukan dengan melihat hasil evauasi dataset yang sudah diimplementasikan kedalam algoritma cluster dasar k-means dan algoritma multiclustering boost-k-means. Berdasarkan hasil evaluasi, diperoleh nilai silhouette index 0,798102756 untuk k-means dan 0,789901932 untuk boost-k-means, dengan ini algoritma yang diusulkan memiliki kualitas hasil clustering minimal sama atau lebih baik dari single clustering k-means dengan jumlah iterasi yang lebih sedikit
Classification of Review Text using Hybrid Convolutional Neural Network and Gated Recurrent Unit Methods Fiqih Fathor Rachim; Auli Damayanti; Edi Winarko
Contemporary Mathematics and Applications (ConMathA) Vol. 4 No. 2 (2022)
Publisher : Universitas Airlangga

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20473/conmatha.v4i2.38262

Abstract

Consumer reviews are opinions from buyers to sellers based on service satisfaction or product quality. The more consumer reviews cause the process of analyzing manually will be difficult. Therefore, an automated sentiment analysis system is needed. Each review will be grouped into a sentiment class which is divided into positive and negative classes. This study aims to classify review texts using the Convolutional Neural Network (CNN) and Gated Recurrent Unit (GRU) methods. The research stages in this study include collecting data on Tokopedia review texts, extracting hidden information from review texts using CNN, conducting learning on review texts using GRU. A total of 1000 review texts were divided into 80% training data and 20% test data. The review text is converted into matrix using One Hot Encoding algorithm and then extracted using CNN. The CNN process includes the convolution calculation, the calculation of the Rectified Linear Unit (ReLU) activation function, and the pooling stage. The extraction results in the CNN process are continued in the GRU process. The GRU process includes initializing parameters, GRU feed forward, Cross-Entropy Error calculation, GRU feedback, and updating weights and biases. The optimal weight is obtained when the error value in the training is less than the expected minimum error or the training iteration has reached the specified maximum iteration. Optimal weight is used for validation test on test data. The implementation of review text classification using the hybrid Convolutional Neural Network (CNN) and Gated Recurrent Unit (GRU) method was made using the python programming language. The accuracy of the validation test is 88.5%
Co-Authors Abdiansah, Abdiansah Agus Sasmito Ariwibowo Agustinus Jacobus Ahmad Irfan Abdullah Aina Musdholifah Auli Damayanti Badrus Zaman Edhy Sutanta (Jurusan Teknik Informatika IST AKPRIND Yogyakarta) Edy Irwansyah Fiqih Fathor Rachim Khabib Mustofa Lutfi Budi Ilmawan Mardi Siswo Utomo Natalis Ransi Retantyo Wardoyo Robynson Amseke Sandi Fajar Rodiyansyah Sulistyowati Sulistyowati Sumarni Adi Wayan Gede Suka Parwita