Garuda - Garba Rujukan Digital

Prediksi Tinggi Muka Air (TMA) Untuk Deteksi Dini Bencana Banjir Menggunakan SVR-TVIWPSO Arief Andy Soebroto; Imam Cholissodin; Randy Cahya Wihandika; Maria Tenika Frestantiya; Ziya El Arief
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 2 No 2: Oktober 2015
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Abstrak Banjir merupakan salah satu jenis bencana alam yang tidak dapat diprediksi kedatangannya, salah satu penyebabnya adalah adanya hujan yang terus – menerus(dari peristiwa alam). Faktor penyebab banjir dari segi meteorologi yaitu curah hujan yang tinggi dan air laut yang sedang pasang sehingga mengakibatkan tinggi permukaan air meningkat. Analisis terhadap data curah hujan serta tinggi permukaan air setiap periodenya dirasa masih belum dapat menyelesaikan permasalahan yang ada. Oleh karena itu, pada penelitian ini diusulkan teknik integrasi metode Time Variant Inertia Weight Particle Swarm Optimization(TVIWPSO) dan Support Vector Regression(SVR). Implementasi memadukan metode Regresi yaitu SVR untuk forecasting TMA, sedangkan TVIWPSO digunakan untuk mengoptimalisasi parameter – parameter yang digunakan di dalam SVR untuk memperoleh kinerja yang maksimal dan hasil yang akurat. Harapannya sistem ini akan dapat membantu mengatasi permasalahan untuk pendeteksian dini bencana banjir karena faktor cuaca yang tidak menentu. Hasil pengujian yang didapat dari 10 data bulanan yang berbeda menunjukkan bahwa didapatkan nilai error terkecil sebesar 0.00755 dengan menggunakan Mean Absolute Error untuk data Juni 2007 dengan menggunakan integrasi metode SVR-TVIWPSO. Kata Kunci : Support Vector Regression, Tinggi Muka Air, Time Variant Inertia Weight Particle Swarm Optimization. Abstract Flood is one type of natural disaster that can not be predicted its arrival, one reason is the rain that constantly occurs (from natural events). Factors that cause flooding in terms of meteorology are high rainfall and sea water was high, resulting in high water level increases. Analysis of rainfall data and water level in each period it is still not able to solve existing problems. Therefore, in this study the method proposed integration techniques Time Variant Inertia Weight Particle Swarm Optimization (TVIWPSO) and Support Vector Regression (SVR). Implementation combines regression method for forecasting TMA is SVR, while TVIWPSO used to optimize parameters that used in the SVR to obtain maximum performance and accurate results. Hope this system will be able to help solve the problems for the early detection of floods due to erratic weather. The result of forecasting experiment in water level forecasting from 10 monthly different data show that the smallest error rate is amount to 0.00755 using Mean Absolute Error for June 2007 with the integration method SVR-TVIWPSO. Keywords: Support Vector Regression, water level, Time Variant Inertia Weight Particle Swarm Optimization.

Implementasi Teknik Watershed Dan Morfologi Pada Citra Satelit Untuk Segmentasi Area Universitas Brawijaya Sutrisno .; Ahmad Afif Supianto; Imam Cholissodin
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 1 No 1: April 2014
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

AbstrakPenelitian di bidang segmentasi citra telah banyak dilakukan, terutama di bidang citra satelit. Proses segmentasi ini dilakukan untuk melakukan deteksi terhadap objek-objek yang terdapat di dalam citra. Pada penelitian ini, diimplementasikan sebuah metode segmentasi citra dengan menggunakan teknik watershed dan morfologi. Pertama, citra diubah ke dalam format citra grayscale.Kemudian, citra grayscale tersebut diolah dengan metode watershed untuk mendapatkan segmentasi awal. Selanjutnya, citra segmentasi tersebut diperbaiki menggunakan metode morfologi untuk mengurangi segmentasi berlebih yang dihasilkan oleh proses sebelumnya. Uji coba dilakukan terhadap 5dataset citra satelitarea Universitas Brawijaya dengan tingkat skala yang berbeda-beda. Skala yang digunakan dalam penelitian ini meliputi 20m, 50m, 100m, 200m, dan 500m. Uji coba menunjukkan bahwa metode yang diusulkan berhasil melakukan segmentasi citra dengan skala kurang dari 100 meter.Semakin rendah nilai skala yang digunakan sebagai uji coba, segmentasi yang dihasilkan semakin baik.Kata kunci: Watershed, Morfologi Citra, Citra SatelitAbstractResearch in the field of image segmentation has been widely applied , especially in the field of satellite imagery. The segmentation process is performed to detect the objects present in the image. In this study, implemented a method of image segmentation using watershed and morphological techniques. First, the image is converted into grayscale format. Then the grayscale image is processed by the watershed method to get initial segmentation. Furthermore, the improved image segmentation using morphological methods to reduce the excessive segmentation generated by the previous process. Tests performed on 5 satellite imagery dataset UB area with levels varying scales. The scale used in this study include the 20 meters , 50 meters, 100 meters, 200 meters, and 500 meters. The trials showed that the proposed method successfully to segment the image with the scale of less than 100 meters . The lower the scale value is used as a test , the better the resulting segmentation .Keywords: Watershed, Morphological Image, Satellite Imagery

Segmentasi Kendaraan Menggunakan Improve Blob Analysis (BA) Pada Video Lalu Lintas Sutrisno .; Imam Cholissodin; Rina Christanti; Candra Dewi; Nurul Hidayat
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 2 No 1: April 2015
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

AbstrakPenggunaan citra digital untuk keperluan penelitian sudah banyak dilakukan, salah satunya yaitu segmentasi. Segmentasi berfungsi untuk mendeteksi objek - objek yang terdapat pada citra, sehingga hasil segmentasi sangat penting untuk proses selanjutnya. Pada penelitian ini diusulkan teknik optimasi hasil background subtraction menggunakan kombinasi frame difference (FD) atau difference image dengan filter SDGD dan running average (RA) atau background updating dengan filter SDGD untuk diterapkan pada blob analysis. Alasan utama menggunakan penggabungan kedua metode tersebut adalah karena seringnya terdapat piksel objek yang tidak mampu dideteksi sehingga akan mengurangi tingkat optimasi pengenalan objek. Hasil pengujian akurasi dari 10 data uji yang masing – masing terdiri dari 30 frame menunjukkan bahwa aplikasi ini memiliki nilai akurasi tertinggi yakni 90% untuk pengujian threshold dan 100% untuk pengujian ukuran structure element. Sehingga dapat disimpulkan bahwa aplikasi ini mampu melakukan segmentasi kendaraan dengan baik.Kata kunci: filter SDGD, blob analysis, video lalu lintas, background subtraction.AbstractThe use of digital images for the purposes of research has been often applied, one of them is segmentation. Segmentation is used to detect objects contained in the image, so the segmentation result is very important for further processing. In this study, the results of the optimization technique proposed background subtraction using a combination of frame difference (FD) or a difference image with filter SDGD and running average (RA) or background updating with SDGD filter to be applied blob analysis. The main reason to use the merger of these two methods is that often there are pixels that are not able to detect objects that will reduce the level of optimization object recognition. The results of accuracy testing using 10 data testing for each data consisting of 30 frames shows that the system proposed in this paper has best accuracy of 90% for testing the threshold and 100% for testing the size of structure element. So it can be concluded that this system capable to segmentation the vehicle properly.Keywords: filter SDGD, blob analysis, traffic video, background subtraction

Integrasi Metode Fuzzy Additive SVM (FASVM) Menggunakan Model Warna YUV-CMY-HSV Untuk Klasifikasi Bibit Unggul Sapi Bali Melalui Citra Digital Imam Cholissodin; Arief Andy Soebroto; Nurul Hidayat
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 2 No 2: Oktober 2015
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

AbstrakBudidaya sapi sangat identik dengan pemilihan bibit unggul, namun permasalahan yang sering muncul adalah cara mengenali bibit unggul tersebut yang relatif tidak mudah, cenderung membutuhkan waktu cukup lama. Peternak masih sering mengamati warna kulit dengan mata secara langsung, yang cenderung kurang teliti. Sehingga dalam penelitian ini, diusulkan metode dengan menggunakan beberapa model warna yang nantinya sebagai rekomendasi untuk fitur yang optimal dalam sistem. Kemudian metode klasifikasi yang digunakan adalah Fuzzy Additive Support Vector Machine (FASVM). Data yang digunakan didapatkan dari Balai Pembibitan Ternak Unggul (BPTU) Sapi Bali. Dari hasil pengujian didapatkan model warna yang paling optimal dan rata-rata akurasi pada Sapi Betina dan Jantan dengan ukuran citra tertentu. Model warna tersebut sangat dipengaruhi oleh kondisi data citra dan juga banyaknya kelas data.Kata kunci: Sapi Bali, Model warna , Intersection kernel, Fuzzy additive SVM, Sequential training SVM AbstractCattle farming is identical with the selection of seeds, but the problems that often arises is how to recognize quality seeds are relatively easy, tend to take a long time. Breeders still often observe skin color with eyes directly, which tend to be less rigorous. Thus, in this study, the proposed method by using several color models that will be voted on features that are optimal in the system. Then the classification method used is Additive Fuzzy Support Vector Machine (FASVM). The data used was obtained from Livestock Breeding Center for Excellence (BPTU) Bali cattle. From the test results obtained the most optimal color models and average accuracy on Cow Females and Males with a particular image size. The color model is highly influenced by the condition of the image data and also the amount of class data. Keywords: Bali cattle, Color model , Intersection kernel, Fuzzy additive SVM, Sequential training SVM

Analisis Judul Majalah Kawanku Menggunakan Clustering K-Means Dengan Konsep Simulasi Big Data Pada Hadoop Multi Node Cluster Brillian Aristyo Rahardian; Diva Kurnianingtyas; Dyan Putri Mahardika; Tusty Nadia Maghfira; Imam Cholissodin
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 4 No 2: Juni 2017
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

AbstrakSaat ini pembaca e-magazine seperti majalah Kawanku semakin marak dan terus berkembang. Sehingga penggunaan data besar sangat dibutuhkan pada majalah Kawanku. Selain itu, dibutuhkan pengkategorian setiap bacaan ke dalam tujuh kategori judul pada majalah Kawanku. Sehingga dibutuhkan suatu pengolahan, pengelompokkan, dan pengkomunikasian antar data teks menggunakan text mining. Kombinasi text mining dengan Big Data dapat menjadi sebuah solusi yang menyediakan cara yang efisien dan reliabel untuk penyimpanan data dan infrastruktur yang efektif. Lalu pengkategorian teks dengan clustering K-Means dirasa cukup meskipun menggunakan data besar karena hasilnya memiliki keakuratan yang tinggi. Dari hasil pengujian yang dilakukan, disimpulkan bahwa perbedaan dari banyaknya data tidak mempengaruhi waktu eksekusi karena perbedaan jumlah data yang digunakan tidak terlalu besar.Kata kunci: text mining, k-means, hadoop, big data, clustering, multi node cluster AbstractNowadays e-magazine reader like Kawanku magazine are increasing more and more.. So the use of Big Data is needed in managing e-magazine data in server. In addition, it takes the categorization of each reading into 7 categories of Kawanku magazine. So it takes a processing, grouping, and communicating between the text data using text mining. The combination of text mining with Big Data can be a solution that provides an efficient and reliable way for data storage and effective infrastructure. Then the text categorization with K-Means clustering is enough although using Big Data as a result has a high accuracy. From the results of tests performed, it was concluded that the difference of the number of data does not affect the execution time due to differences in the amount of data used is not too big.Keywords: text mining, k-means, hadoop, big data, clustering, multi node cluster

Hybrid K-means Dan Particle Swarm Optimization Untuk Clustering Nasabah Kredit Yusuf Priyo Anggodo; Winda Cahyaningrum; Aprilia Nur Fauziyah; Irma Lailatul Khoiriyah; Oktavianis Kartikasari; Imam Cholissodin
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 4 No 2: Juni 2017
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

AbstrakKredit merupakan suatu pendapatan terbesar bagi bank. Akan tetapi, bank harus selektif dalam menentukan nasabah yang dapat menerima kredit. Permasalahan ini menjadi semakin komplek karena ketika bank salah memberikan kredit kepada nasabah dapat merugikan, selain itu banyaknya parameter penentu dalam penentuan nasabah yang kredit. Clustering merupakan salah satu cara untuk dapat menyelesaikan permasalahan ini. K-means merupakan metode yang simpel dan popular dalam menyelesaikan permasalahan clustering. Akan tetapi, K-means murni tidak dapat memberikan solusi optimum sehingga perlu dilakukan improve untuk mendapatkan solusi optimum. Salah satu metode optimasi yang dapat menyelesaikan permasalahan optimasi dengan baik adalah particle swarm optimization (PSO). PSO sangat membantu dalam proses clustering dengan melakukan optimasi pada titik pusat tiap cluster. Untuk meningkatkan hasil yang lebih baik pada PSO ada beberapa improve yang dilakukan. Pertama penggunaan time-variant inertia untuk membuat nilai w atau inertia dinamis ditiap iterasi. Kedua melakukan kontrol kecepatan partikel atau velocity clamping untuk mendapatkan posisi terbaik. Selain itu untuk mengatasi konvergensi dini dilakukan hybrid PSO dengan random injection. Hasil pengujian menunjukan hybrid PSO K-means memberikan hasil terbesar dibandingkan K-means dan PSO K-means, dimana silhouette dari K-means, PSO K-means, dan hybrid PSO K-means masing-masing 0.57343, 0.792045, 1.Kata kunci: Kredit, Clustering, PSO, K-means, Random InjectionAbstractCredit is the biggest revenue for the bank. However, banks have to be selective in deciding which clients can receive the credit. This issue is becoming increasingly complex because when the bank was wrong to give credit to customers can do harm, apart of that a large number of deciding parameter in determining customer credit. Clustering is one way to be able to resolve this issue. K-means is a simple and popular method for solving clustering. However, K-means pure can’t provide optimum solutions so that needs to be done to get the optimum solution to improve. One method of optimization that can solve the problems of optimization with particle swarm optimization is good (PSO). PSO is very helpful in the process of clustering to perform optimization on the central point of each cluster. To improve better results on PSO there are some that do improve. The first use of time-variant inertia to make the dynamic value of inertial w each iteration. Both control the speed of the particle velocity or clamping to get the best position. Besides to overcome premature convergence do hybrid PSO with random injection. The results of this research provide the optimum results for solving clustering of customer credits. The test results showed the hybrid PSO K-means provide the greatest results than K-means and PSO K-means, where the silhouette of the K-means, PSO K-means, and hybrid PSO K-means respectively 0.57343, 0.792045, 1.Keywords: Credit, Clustering, PSO, K-means, Random Injection

Title

Found 6 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 6 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 6 Documents
Search