Articles
<![CDATA[Diagnosis Of Respiratory Tract Infections In Toddlers With Expert System Using Variable-Centered Intelligent Rule System And Certainty Factor Method ]]>
<![CDATA[Ahmad Gustano]]>;
<![CDATA[Abdiansah Abdiansah]]>;
<![CDATA[Kanda Januar Miraswan]]>
<![CDATA[ Sriwijaya Journal of Informatics and Applications Vol 2, No 1 (2021) ]]>
Publisher : <![CDATA[Fakultas Ilmu Komputer Universitas Sriwijaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Expert system can help the experts in diagnose the Respiratory TractInfection For Toddlers. This research have a purpose to build anexpert system for Android with Kotlin language using Variable-Centered Intelligent Rule System and Certainty Factor method, alsoget the accuracy of it. System’s input is a yes or no answer from Yes-No Question with user. This research use 164 patient data of toddlersat UPTD Kenten Laut Banyuasin Health Center and variables which issymptoms that occurs in toddlers such as cough, cold, hard to breathe,fever, and the results of a physical examination conducted by theexpert. Based on test result, the system has 95,52% accuracy whendiagnose ISPA case, and 100% accuracy when diagnose Pneumoniacase. So, it can be concluded that Variable-Centered Intelligent RuleSystem and Certainty Factor method can be used to diagnoserespiratory infections in toddlers.]]>
<![CDATA[Fuzzy Case-Based Reasoning: Implementasi Logika Fuzzy pada Case-Based Reasoning ]]>
<![CDATA[Abdiansah Abdiansah]]>
<![CDATA[ Generic Vol 8 No 1 (2013): Vol 8, No 1 (2013) ]]>
Publisher : <![CDATA[Fakultas Ilmu Komputer, Universitas Sriwijaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Penggunaan logika fuzzy untuk menangani masukan yang berupa linguistik telah dieksplorasi dan memberikan beberapa hasil uji terhadap data yang digunakan. Penelitian ini menggunakan data standar sebanyak 958 data dan masing-masing data memiliki 14 atribut yang kemudian dapat dibentuk menjadi Case-Based Reasoning (CBR). Nilai kemiripan diperoleh dari dua teknik similaritas, yaitu similaritas Fuzzy dan similaritas Nearest-Neighbour. Pengujian menggunakan sebanyak 81 data dengan rata-rata akurasi kemiripan sekitar 77% untuk similaritas Fuzzy dan 78,5% untuk Nearest-Neighbour. Tingkat akurasi similaritas Fuzzy lebih rendah dari Nearest-Neighbour, tetapi terdapat kelebihan jika menggunakan masukan bersifat linguistik, seperti lebih sederhana dan fleksibel dalam memasukkan data yang berbentuk linguistik (kata-kata).]]>
<![CDATA[Penerapan Multi-threading untuk Meningkatkan Kinerja Pengolahan Citra Digital ]]>
<![CDATA[Megah Mulya]]>;
<![CDATA[Abdiansah Abdiansah]]>
<![CDATA[ Generic Vol 8 No 2 (2013): Vol 8, No 2 (2013) ]]>
Publisher : <![CDATA[Fakultas Ilmu Komputer, Universitas Sriwijaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Penelitian ini menggunakan teknik multi-threading dalam pengolahan citra digital untuk menghasilkan pengolahan citra digital yang lebih cepat. Selain itu, penelitian ini memperbandingkan kecepatan akurasi antara single-threading dengan multi-threading. Hasil pengujian menggunakan teknik multi-threading memperlihatkan waktu proses semakin bertambah cepat, bila jumlah sampel bertambah banyak. Hal ini menunjukkan bahwa teknik multi-threading memiliki waktu proses yang optimal dalam pengolahan citra digital dibandingkan dengan single-threading.]]>
<![CDATA[Intelligent Tutoring System: Expert-Knowledge Module Menggunakan Case-Based Reasoning ]]>
<![CDATA[Abdiansah Abdiansah]]>
<![CDATA[ Generic Vol 9 No 1 (2014): Vol 9, No 1 (2014) ]]>
Publisher : <![CDATA[Fakultas Ilmu Komputer, Universitas Sriwijaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Modul sistem pakar telah dikembangkan untuk intelligent tutoring system berbasis case-based reasoning (CBR) dalam ranah pemrograman komputer. Sistem ini bertujuan untuk membantu pelajar dalam mempelajari bahasa pemrograman terutama praktik pemrograman karena sistem yang dibuat dilengkapi modul untuk mencari solusi bagi pesan-pesan kesalahan yang muncul. Data kasus untuk CBR diambil dari kasus-kasus kesalahan yang terjadi pada saat pemrograman. Pengujian menunjukan bahwa tingkat akurasi sistem tergantung dari banyaknya kasus-kasus yang tersimpan dalam basis data kasus. Semakin banyak kasus yang tersimpan, maka tingkat akurasi sistem akan semakin meningkat.]]>
<![CDATA[Penerapaan Sistem Informasi Desa Menggunakan OpenSID di Desa Tanjung Dayang Selatan, Kabupaten Ogan Ilir, Sumatera Selatan ]]>
<![CDATA[Abdiansah Abdiansah]]>;
<![CDATA[Alvi Syahrini Utami]]>;
<![CDATA[Novi Yusliani]]>;
<![CDATA[Kanda Januar Miraswan]]>;
<![CDATA[Ahmad Fali Oklilas]]>
<![CDATA[ Dinamisia : Jurnal Pengabdian Kepada Masyarakat Vol. 5 No. 6 (2021): Dinamisia: Jurnal Pengabdian Kepada Masyarakat ]]>
Publisher : <![CDATA[Universitas Lancang Kuning ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.31849/dinamisia.v5i6.5621
<![CDATA[Sistem Informasi Desa (SID) adalah seperangkat alat dan proses pemanfaatan data dan informasi untuk mendukung pengelolaan sumber daya berbasis komunitas di tingkat desa. SID merupakan bagian dari implementasi Undang-Undang (UU) Desa. UU Desa Pasal 86 UU no. 6 Tahun 2014 tentang Sistem Informasi Pembangunan Desa dan Pembangunan Kawasan Perdesaan. Desa belum dapat mengimplementasikan SID karena kurangnya pemahaman perangkat desa tentang SID. Oleh karena itu, kebutuhan akan pelatihan SID menjadi sangat urgen bagi desa khususnya para perangkat desa. Untuk mengatasi masalah tersebut, Fakultas Ilmu Komputer, Universitas Sriwijaya, melakukan kegiatan pelatihan SID berbasis OpenSID melalui program Pengabdian Kepada Masyarakat (PkM). Hasil dari pelatihan diperoleh bahwa materi yang diberikan cukup dipahami oleh semua peserta pelatihan meskipun mereka belum pernah menggunakan aplikasi yang sejenis. Selain itu, mereka percaya bahwa SID dapat membantu administrasi desa dan meningkatkan layanan informasi desa.]]>
<![CDATA[Multilabel sentiment analysis for classification of the spread of COVID-19 in Indonesia using machine learning ]]>
<![CDATA[Fathoni Fathoni]]>;
<![CDATA[Erwin Erwin]]>;
<![CDATA[Abdiansah Abdiansah]]>
<![CDATA[ Indonesian Journal of Electrical Engineering and Computer Science Vol 31, No 2: August 2023 ]]>
Publisher : <![CDATA[Institute of Advanced Engineering and Science ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.11591/ijeecs.v31.i2.pp968-978
<![CDATA[This study aims to use datasets on Twitter to find out public opinion on the spread of coronavirus in Indonesia by conducting sentiment analysis. The resulting sentiment analysis will benefit the community by helping the Indonesian government take various strategic measures to prevent and counter the spread of the COVID-19. This research was conducted through the data collection stage, namely crawling data tweet words in Bahasa Indonesia containing the meaning of the spread of COVID-19, the next stage of the process of creating labels manually. Next, the pre-process stage by removing the character, symbols and special features from Twitter. The last stage, classification using learning machine with 3(three) methods namely K-nearest neighbor (K-NN), Naïve Bayes and decision tree. The study analyzed sentiment of 1,119 valid Tweets data and found that K-NN algorithm had the highest accuracy value compared to Naïve Bayes and decision tree algorithms, which was 95.10%. However, the Twitter data analyzed obtained 78.19% of Tweets that fall into the negative category and only 13.85% of public opinion that is positive. This indicates that most of the Tweets of Indonesians in twitter do not mean the spread of COVID-19 disease somewhere.]]>
<![CDATA[Automatic Language Identification for Indonesian-Malaysian Language Using Machine Learning ]]>
<![CDATA[Abdiansah Abdiansah]]>;
<![CDATA[Muhammad Qurhanul Rizqie]]>
<![CDATA[ Khazanah Informatika Vol. 9 No. 2 October 2023 ]]>
Publisher : <![CDATA[Department of Informatics, Universitas Muhammadiyah Surakarta, Indonesia ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.23917/khif.v9i2.21669
<![CDATA[Language Identification (LID) aims to guess or identify which language the text or sound is coming from. Language identification tends to be easier in languages with different characteristics (e.g., Indonesian and English), but not for languages with similar characteristics (e.g., Indonesian and Malaysian). Similar languages can cause ambiguity that will be a bias for machine learning. Using Support Vector Machine (SVM) technique, this research tried to identify the Indonesian or Malaysian language. The training and testing data are taken from Leipzig Corpora Collection and Twitter dataset. The feature representation technique uses TF-IDF, and the baseline testing uses Naive Bayes Multinomial. We used two training techniques: split (20:80) and 10-cross validation. The experimental results show that the accuracy between the baseline and SVM is not too far. Both provide accuracy of around 90% and above. The results indicate that Indonesian and Malaysian language identification accuracy is relatively high even though using simple techniques.]]>
<![CDATA[Klasifikasi Kemiripan Suara Rekaman Menggunakan Metode Me-Frequency Cepstra Coefficient dan Minkowski ]]>
<![CDATA[Aidil Putrasyah]]>;
<![CDATA[Ermatita Ermatita]]>;
<![CDATA[Abdiansah Abdiansah]]>
<![CDATA[ INTECOMS: Journal of Information Technology and Computer Science Vol 6 No 2 (2023): INTECOMS: Journal of Information Technology and Computer Science ]]>
Publisher : <![CDATA[Institut Penelitian Matematika, Komputer, Keperawatan, Pendidikan dan Ekonomi (IPM2KPE) ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.31539/intecoms.v6i2.7023
<![CDATA[Teknologi saat ini teah mendominasi berbagai bidang mulai dari pendidikan, perkantoran, komersial, industri bahkan hukum. Dengan kemajuan Teknologi informasi kebutuhan manusia akan tersedia dengan mudah, praktis dan tanpa batas. Disisi ain, berkembangnya Teknologi informasi menimbukan kekhawatiran pada perkembangan tindak pidana yang berhubungan dengan kejahatan. Pada beberapa kasus biasanya terdapat barang bukti yang ditinggakan seperti rekaman suara yang diHasilkan dari percakapan menggunakan teepon. Suara rekaman ini dapat digunakan sebagai pendukung dalam penyidikan saat dipersidangan untuk mengidentifikasi peaku kejahatan. Penelitian untuk mengidentifikasi suara masih terdapat kendaa yaitu kebisingan yang terjadi saat merekam suara. Metode MFCC merupakan metode yang dapat digunakan untuk mengekstraksi fitur serta mengurangi kebisingan atau noise. Penelitian menggunakan algoritma dalam menganalisis suara rekaman banyak beredar di internet, saah satunya algoritma KNN yang dapat digunakan untuk kasifikasi, identifikasi, dan prediksi. Identifikasi suara rekaman menggunakan algoritma KNN dengan metode minkowski diakukan untuk pengenaan suara dalam menentukan identik atau tidaknya antara suara rekaman peaku kejahatan dengan sampel suara tersangka. Penelitian ini meibatkan dua responden sebagai tersangka dan tiga responden sebagai peaku. Setiap responen akan meakukan perekaman suara, dimana rekaman ini nanti akan dipotong menjadi sebeas bagian yang terdiri dari data atih dan data uji. Hasil yang diharapkan dapat meakukan pengenaan rekaman suara peaku terhadap suara tersangka dengan mendapatkan jarak terkecil yang mendekati kemiripan sehingga barang bukti rekaman suara dapat dipertanggung jawabkan dalam persidangan.]]>
<![CDATA[APLIKASI DETEKSI MASKER WAJAH MENGGUNAKAN METODE DEEP LEARNING DAN IMAGE PROCESSING PADA MODEL AI SEDERHANA ]]>
<![CDATA[Novran, Novran]]>;
<![CDATA[Febrian, Evan]]>;
<![CDATA[Hallatu, Nathania Calista]]>;
<![CDATA[Hidayahni, Putri]]>;
<![CDATA[Arrasyid, Muhammad Raihan]]>;
<![CDATA[Abdiansah, Abdiansah]]>
<![CDATA[ Jurnal Sistem Informasi, Teknologi Informatika dan Komputer Volume 14 No 3, Mei Tahun 2024 ]]>
Publisher : <![CDATA[Universitas Muhammadiyah Jakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.24853/justit.14.3.220-227
<![CDATA[Deteksi masker wajah menggunakan deep learning dan image processing telah menjadi hal yang penting dalam upaya mengurangi penyebaran virus, terutama selama pandemi COVID-19. Penelitian ini berfokus pada pengembangan model AI sederhana untuk deteksi masker wajah. Tujuan penelitian ini adalah mengimplementasikan sistem yang dapat mengidentifikasi keberadaan masker pada wajah dengan akurasi tinggi. Dengan memanfaatkan Convolutional Neural Network (CNN) dan teknik image processing, model ini menunjukkan hasil yang menjanjikan dalam mendeteksi masker dengan akurasi tinggi. Namun, terdapat tantangan seperti kebutuhan akan dataset besar, komputasi intensif, dan risiko overfitting yang perlu diatasi. Aplikasi teknologi deteksi masker dapat meningkatkan langkah-langkah keamanan dengan mengidentifikasi individu yang tidak menggunakan masker dan memantau kepatuhan terhadap protokol kesehatan. Penelitian masa depan sebaiknya mengeksplorasi sistem deteksi multi-wajah dan skenario yang lebih kompleks. Secara keseluruhan, integrasi deep learning dan image processing dalam deteksi masker wajah memiliki potensi besar untuk aplikasi keamanan dan kesehatan yang lebih luas. Hasil analisis menunjukkan bahwa algoritma CNN dengan arsitektur MobileNetV2 memiliki potensi untuk deteksi masker dengan tingkat akurasi yang tinggi dengan Uji Akurasi dan Skor F1 sebesar 0,99.]]>
<![CDATA[The effect of Chi-Square Feature Selection on Question Classification using Multinomial Naïve Bayes ]]>
<![CDATA[Yusliani, Novi]]>;
<![CDATA[Aruda, Syechky Al Qodrin]]>;
<![CDATA[Marieska, Mastura Diana]]>;
<![CDATA[Saputra, Danny Mathew]]>;
<![CDATA[Abdiansah, Abdiansah]]>
<![CDATA[ Sinkron : jurnal dan penelitian teknik informatika Vol. 6 No. 4 (2022): Article Research: Volume 6 Number 4, October 2022 ]]>
Publisher : <![CDATA[Politeknik Ganesha Medan ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.33395/sinkron.v7i4.11788
<![CDATA[Question classification is one of the essential tasks for question answering system. This task will determine the expected answer type (EAT) of the question given to the system. Multinomial Naïve Bayes algorithm is one of the learning algorithms that can be used to classify questions. At the classification stage, this algorithm used a set of features in the knowledge model. The number of features used can result in curse of dimensionality if the feature is in high dimension. Feature selection can be used to reduce the feature dimension and could increase the system performance. Chi-Square algorithm can be used to select features that describe each category. In this research, the Multinomial Naïve Bayes is used to classify the question sentences and the Chi-Square algorithm is used for the feature selection. The dataset used is a set of Indonesian question sentences, consisting of 519 labeled factoids, 491 labeled non-factoids, and 185 labeled other. The test results showed an increase in accuracy of 0.1 when used feature selection. System accuracy when used feature selection is 0.87 with the number of features used are 248. Without feature selection, the accuracy is 0.77 with the number of features used are 1374.]]>
