Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal Seminar Nasional Informatika (SEMNASIF) SinarFe7 The Indonesian Journal of Computer Science
Firman Arifin
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Engineering

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
PENCARIAN KEYWORD PAPER MENGGUNAKAN ALGORITMA BAYESIAN Firman Arifin; Moch Hariadi; Achmad Basuki
Seminar Nasional Informatika (SEMNASIF) Vol 1, No 1 (2009): Computatinal
Publisher : Jurusan Teknik Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penggunaan Keyword dalam sebuah informasi sangat diperlukan, karena hal tersebut memudahkan para pembaca untuk mengetahui langsung point-point tertentu yang terdapat pada isi informasi. Karena point-point itu dapat menjelaskan sebagian besar isi informasi dan menyampaikan info kepada pembaca sehingga pembaca tahu apa hal-hal yang bisa ia ambil dari informasi. Pada paper ini menjelaskan bahwa keyword untuk paper atau makalah digunakan untuk mempermudah pembaca mencari point-point penting pada paper atau makalah. Software aplikasi yang kami gunakan adalah Apache (sebagai Web Server), PHP (Pemrograman berbasis Web) dan Mysql (aplikasi Database). Untuk algoritma pemrosesan kami gunakan Bayesian Classifier sebagai machine learning untuk mefilter dan menghasilkan keyword yang sesuai. Program aplikasi pencarian keyword makalah ini akan ditampilkan pada Web, sehingga pengakses mudah untuk menggunakannya
Rancang Bangun Alat Pengukur Kadar Glukosa Darah Secara Non-Invasive Menggunakan Sensor Oxymetri Rista Dwi Novian Adiningsih; Kemalasari; Firman Arifin; Budi Nur Aiman
SinarFe7 Vol. 2 No. 1 (2019): Sinarfe7-2 2019
Publisher : FORTEI Regional VII Jawa Timur

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Diabetes Melitus (DM) merupakan salah satu penyakit berat yang banyak diderita oleh banyak orang. Menurut pusat data dan nformasi Kementerian Kesehatan RI pada tahun 2013,penderita diabetes mellitus di Indonesia mencapai 12 juta orang. Dimana setiap orang memiliki kesempatan yang sama untuk terkena penyakit tersebut jika tidak menjaga pola hidup dan pola makan. Selain itu pemeriksaan rutin terhadap glukosa darah juga penting. Dikarenakan pemeriksaan biasanya harus melukai tubuh (invasive), membuat orang sulit untuk memeriksa kadar glukosa darahnya. Sehingga mulai dikembangkanlah pengukur kadar glukosa darah secara non-invasive, tanpa melukai tubuh. Pada tugas akhir ini, penulis menggunaan sensor oxymetri untuk mengukur kadar glukosa darah. Proyek akhir ini menggunakan prinsip kerja dari photodioda dan infrared serta Led merah yang akan mengalami absorbsi cahaya oleh sifat fisis dari molekul glukosa darah. Kemudian mencari persamaan Linear Regression dari hubungan nilai Rasio tegangan AC dan DC dari red led dan infrared (R) dengan kadar glukosa darah referensi. Dimana persamaan yang didapatkan dari data adalah menggunakan log linier regression dengan rata-rata error mencapai 6-8%. Namun persamaan ini tidak bisa digeneralisasi untuk kasus serupa dengan data yang berbeda. Dimana hasil akhir dari Clarke Error Grid Analysis menunjukkan bahwa kadar gluksoa prediksi belum memiliki keakuratan signifikan untuk dilakukan diagnosa tindakan medis yang perlu dilakukan kepada pasien, namun memiliki kemungkinan besar untuk menjadi akurat jika dilakukan pengambilan data sample yang lebih banyak.
Classification of flood disaster level news articles using Machine Learning Rahmad Santosa; Arna Fariza; Firman Arifin
The Indonesian Journal of Computer Science Vol. 13 No. 1 (2024): The Indonesian Journal of Computer Science (IJCS)
Publisher : AI Society & STMIK Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33022/ijcs.v13i1.3646

Abstract

Floods have a significant socio-economic impact on Indonesian society. Much of this information is sourced from online news articles and social media. This research investigates whether the Support Vector Machine (SVM) method can be used for flood disaster level classification (low, medium, and high). Our methodology involves preparing data extracted from textual news articles on the National Disaster Management Agency (BNPB) website on the topic of flooding. We then labeled the data according to Regulation No. 02/2012 on general guidelines for disaster assessment and used the Support Vector Machine (SVM) method. Training and testing were conducted using different datasets, followed by accuracy and error evaluation. In addition, we considered the performance comparison of SVM with other classification methods, including Decision Tree, Naive Bayes, Adaboost, Random Forest, and Xgboost. The experimental results show that SVM still does not get good accuracy results for flood disaster level classification. The SVM accuracy level result of (52%) is still low compared to Random Forest (78%), and Xgboost (68%). Further research is expected to increase the accuracy of SVM for flood level classification.
Co-Authors Achmad Basuki Arna Fariza Budi Nur Aiman Kemalasari Moch Hariadi Rahmad Santosa Rista Dwi Novian Adiningsih