Claim Missing Document
Check
Articles

Found 6 Documents
Search

Pemanfaatan Layanan Web Keanekaragaman untuk Pengelolaan Informasi Tumbuhan Obat Indonesia Suwanto Sanjaya; Yeni Herdiyeni; Irman Hermadi
Jurnal Ilmu Komputer & Agri-Informatika Vol. 4 No. 1 (2015)
Publisher : Departemen Ilmu Komputer - IPB University

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (327.266 KB) | DOI: 10.29244/jika.4.1.29-34

Abstract

Penelitian ini mengusulkan pemanfaatan layanan web keanekaragaman hayati untuk pengelolaan informasi tumbuhan obat Indonesia. Penyedia layanan web keanekaragaman hayati yang digunakan adalah Global Biodiversity Information Facility (GBIF) dan Encyclopedia of Life (EOL). Layanan web tersebut dimanfaatkan untuk melengkapi informasi tumbuhan obat Indonesia. Penyedia layanan web keanekaragaman hayati tersebut memiliki fasilitas untuk membagikan informasi yang dimilikinya. Fasilitas yang disediakan adalah application programming interface (API). Parameter utama yang digunakan untuk mendapatkan informasi-informasi yang diinginkan adalah nama spesies tumbuhan. Hasil penelitian menunjukkan bahwa GBIF dan EOL dapat dijadikan sebagai sumber infomasi tumbuhan obat Indonesia. Integrasi antara GBIF dan EOL dapat menghasilkan informasi tumbuhan obat menjadi lebih banyak dan beragam. Kata kunci: API, EOL, GBIF, layanan web, tumbuhan obat
Implementation of Modified K-Nearest Neighbor for Diagnosis of Liver Patients Alwiz Nazir; Lia Anggraini; Suwanto Sanjaya; Fadhilla Syafria
ICETIA Vol 1, No 1 (2016)
Publisher : ICETIA

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (381.849 KB)

Abstract

Number of patients with liver disease in the worldis very high. In the early stages, liver disease is difficult todetect. Early diagnosis of the liver disease may help inpreventing and treating sufferers. To diagnose liver diseasecan be done with a blood test. Based on data from thisanalysis, the results can assist in determining patients withliver disease. This study uses data Indian Liver Patient Dataset(ILPD) taken from the UCI Machine Learning Repository. Weused Modified k-Nearest Neighbor to classify into two classes,namely sufferers and non-sufferers. The amounts of data usedin this study were 583 records. Tests performed by dividingthe training data and test data to 50:50, 60:40, 70:30 and80:20. Results of tests performed can classify with a gooddegree of accuracy reached 85.14% with a ratio of 70:30 and k= 3.
Implementasi Long Short Term Memory Neural Network Untuk Prediksi Indeks Harga Perdagangan Besar Hartini Hartini; Fitri Insani (Scopus ID: 57190404820); Novriyanto Novriyanto; Suwanto Sanjaya
Seminar Nasional Teknologi Informasi Komunikasi dan Industri 2022: SNTIKI 14
Publisher : UIN Sultan Syarif Kasim Riau

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

Abstract

Indeks Harga Perdagangan Besar (IHPB) merupakan indikator untuk menilai perkembangan perekonomian suatu negara. Penelitian IHPB bertujuan sebagai deflator Produk Domestik Bruto untuk perkembangan ekonomi. Penelitian ini dilaksanakan dengan studi kasus IHPB Indonesia, data sekunder yang diperoleh dari situs resmi Badan Pusat Statistik (BPS) pada bulan Januari 2000 sampai bulan November 2019. Metode yang digunakan untuk memprediksi adalah Long Short Term Memory. LSTM merupakan perkembangan Jaringan syaraf tiruan algoritma deep learning Recurrent Neural Network (RNN) yang dapat mengatasi salah satu kekurangan RNN yaitu kemampuan pengelolaan informasi dalam periode lama. Dalam penelitian ini LSTM berhasil memprediksi IHPB bulan berikutnya. Pengujian terbaik pada komoditas indeks umum tanpa impor dan ekspor migas memberikan hasil  MAPE 1,1437%, MSE 0,0002, RMSE 0,0135 dengan tingkat akurasi 98,8563%.
Classification of Palm Oil Ripeness Level using DenseNet201 and Rotational Data Augmentation Nabyl Alfahrez Ramadhan Amril; Yanto, Febi; Elvia Budianita; Suwanto Sanjaya; Fadhilah Syafria
KLIK: Kajian Ilmiah Informatika dan Komputer Vol. 4 No. 6 (2024): Juni 2024
Publisher : STMIK Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/klik.v4i6.1937

Abstract

Indonesia is a country in Southeast Asia with the largest palm oil production in the world. Based on Indonesian Central Statistics Agency data, in 2022 Indonesia produced 46,8 million Tons of Crude Palm Oil (CPO). To produce a high-quality oil, palm oil fruit must be harvested in an optimal condition. But, even a experienced and trained person found it difficult to identify whether the fruit is ripe or raw. In this research theres two type of classification which is ripe and raw, this is because palm oil milling factory only accept pure ripe palm oil fruit and not half ripe or almost ripe. The data that is used in this reseacrh was collected from two sources, the first source is from https://www.kaggle.com/datasets/ahmadfathan/kematangansawit and the second source was collected manually by going to palm oil plantation. The total of data that is used for this research is 1000 data and 1000 augmented data. Dense Convolutional Network (DenseNet) that is used in this research is a CNN architecture that was first introduced in 2017. Compared to DenseNet121 and DenseNet169, DenseNet201 is proven to have a higher level of accuracy. The 90:10 data scheme succeeded in getting the highest accuracy with a total accuracy of 97.50% with a learning rate of 0.001 and a dropout of 0.01
EVALUASI PERBANDINGAN PERFORMANSI LVQ 1, LVQ 2, DAN LVQ 3 DALAM KLASIFIKASI JENIS KELAMIN MENGGUNAKAN TULANG TENGKORAK DARMILA; IIS AFRIANTY; SUWANTO SANJAYA; RAHMAD ABDILLAH; IWAN ISKANDAR; FADHILAH SYAFRIA
Jurnal INSTEK (Informatika Sains dan Teknologi) Vol 7 No 2 (2022): OCTOBER
Publisher : Department of Informatics Engineering, Faculty of Science and Technology, Universitas Islam Negeri Alauddin, Makassar, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24252/instek.v7i2.32659

Abstract

Klasifikasi merupakan teknik pengelompokkan data sesuai dengan karakteristik data yang telah ditentukan. Hasil performansi akurasi dapat menjadi ukuran keakuratan metode yang digunakan dalam proses klasifikasi. Teknik pengambilan data yang tidak sesuai dapat mengurangi hasil akurasi. Pada penelitian ini menggunakan metode Learning Vector Quantization (LVQ) 1, 2, dan 3 untuk melihat keakuratan metode klasifikasi dengan menggunakan teknik pengambilan data sampling. Data yang digunakan merupakan data pengukuran tulang tengkorak laki-laki dan perempuan yang berjumlah 2524 data. Pada LVQ 1 mendapatkan akurasi terbaik yaitu 91.39% dengan learning rate 0.1, 0.4, 0.7, 0.9. LVQ 2 mendapatkan akurasi terbaik 77.05% dengan learning rate 0.9 dan window 0.2. LVQ 3 mendapatkan akurasi terbaik yaitu 80.04% dengan learning rate 0.7, window 0.1, dan epsilon 0.3. Hal ini menunjukkan bahwa LVQ 1 lebih tepat untuk diterapkan terhadap multi-fitur pada dataset William W. Howells Craniometric dibandingkan LVQ 2 dan LVQ 3.
PERBANDINGAN PERFORMANSI DENGAN METODE CORRELATION BASED FEATURE SELECTION PADA LVQ 2 SURYA ADITYA GD; IIS AFRIANTY; SUWANTO SANJAYA; RAHMAD ABDILLAH; LESTARI HANDAYANI; FITRI INSANI
Jurnal INSTEK (Informatika Sains dan Teknologi) Vol 8 No 1 (2023): APRIL
Publisher : Department of Informatics Engineering, Faculty of Science and Technology, Universitas Islam Negeri Alauddin, Makassar, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24252/instek.v8i1.37301

Abstract

Melakukan sebuah penelitian diperlukannya mengidentifikasi sebuah data yang sesuai dengan melakukan sebuah klasifikasi. Pengaruh dalam mendapatkan hasil akurasi yang maksimal dengan menentukan teknik penelitian secara tepat melalui proses klasifikasi. Pada penelitian ini melakukan perbandingan peningkatan performansi akurasi akurasi LVQ 2 dengan mengimplementasikan Correlation Based Feature Selection (CFS) pada dataset bertujuan keakuratan pengambilan data sampel dengan metode klasifikasi. Data parameter tulang tengkorak yang digunakan yaitu data pria dan wanita dengan jumlah data 2524 dan fitur 82. Penelitian LVQ 2 tanpa CFS dengan nilai learning rate (α) = 0.9 dan window 0.2 yang akurasi tertingginya memperoleh sebesar 77.05%, dan menggunakan CFS pada nilai α = 0.9 dan window = 0.3 hasil akurasi tertinggi yaitu 82,51%. Hal ini menunjukkan bahwa LVQ 2 menggunakan CFS sangat direkomendasikan baik dari segi performansi terhadap pada dataset Tengkorak dibandingkan LVQ 2 tanpa menggunakan CFS.