Article Per Year (5 Year)
p-Index From 2020 - 2025
1.286
P-Index
This Author published in this journals
All Journal Jurnal Simantec Jurnal Ilmiah Kursor International Journal of Science, Engineering and Information Technology
Mulaab Mulaab
Universitas Trunojoyo Madura
Civil Engineering, Building, Construction & Architecture Computer Science & IT Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Industrial & Manufacturing Engineering Mechanical Engineering

Published : 7 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 7 Documents
Search

 1 
RINGKASAN DOKUMEN ILMIAH BERBASIS REPRESENTASI DATA GRAPH MENGGUNAKAN UKURAN CENTRALITY Mulaab Mulaab
Jurnal Simantec Vol 9, No 1 (2020)
Publisher : Universitas Trunojoyo Madura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21107/simantec.v9i1.9738

Abstract

Saat ini, informasi banyak tersedia di internet, sangat diperlukan suatu teknik untuk  mendapatkan informasi dengan cepat dan paling efisien. Diantaranya terdapat sumber informasi ilmiah yang berasal dari teks yang tersedia sangat banyak di internet. Oleh karena itu diperlukan teknik dan mekanisme yang baik untuk mengekstrak informasi yang paling relevan darinya. Teknik peringkasan dokumen ilmiah adalah salah satu metode untuk mengkompresi  dari isi  dokumen yang besar menjadi  teks yang lebih pendek. Ringkasan teks yang dihasilkan mengandung pokok-pokok makna dan gagasan yang ada dalam dokumen asli. Ringkasan teks atau dokumen ilmiah berdasarkan ekstraksi adalah memilih sebagian kalimat yang memiliki relevansi tinggi (peringkat) dari dokumen berdasarkan fitur kata dan kalimat tersebut selanjutnya menggabungkan kalimat-kalimat yang dipilih untuk menghasilkan ringkasan dokumen. Pada makalah ini menggunakan model pemeringkatan kalimat penting  berdasarkan ukuran centrality yaitu pentingnya simpul-simpul pada data graph. Kalimat direpresentasikan sebagai data berbasis graph dengan simpul-simpul dari suatu graph.
DETEKSI KEJANG EPILEPSY DENGAN MENGGUNAKAN PEMILIHAN FITUR INFORMATIOAN GAIN DAN PEMBELAJARAN ENSEMBLE RANDOM FOREST Mulaab Mulaab
Jurnal Simantec Vol 9, No 2 (2021)
Publisher : Universitas Trunojoyo Madura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21107/simantec.v9i2.11084

Abstract

Epilepsi adalah kondisi neurologis kronis yang ditandai dengan kejang yang tidak tidak diketahui penyebanya karena  pelepasan neuron yang abnormal (Seizures inturn). Kejang karena epilepsi akan berbeda dengan  kejang yang disebabkan oleh kelainan pelepasan neuronal dari peristiwa nonepilepsi, seperti kejang psikogenik. EEG merekam fluktuasi tegangan dari beberapa elektroda yang ditempatkan pada kulit kepala subjek selama periode waktu tertentu untuk mendiagnosa kelainan  sindrom afektif dan organik pada manusia. Bagaiman mendeteksi epilepsy berdasarkan ektraksi sinyal EEG untuk proses diagnosa.  Pada penelitan ini telah dilakukan deteksi epilepsy berdasarkan proses seleksi fitur dan pembelajaran ensemble random forest. Berdasarkan hasil percobaan didapatkan akruasi identifikasi kejang epilepsy dengan pemilhian fitur tertentu pada beberapa subjek pasien telah dihasilkan akurasi diatas 0.99
IMPACT OF IMPUTATION ON CLUSTER-BASED COLLABORATIVE FILTERING APPROACH FOR RECOMMENDATION SYSTEM Noor Ifada; Susi Susanti; Mulaab
Jurnal Ilmiah Kursor Vol 10 No 1 (2019)
Publisher : Universitas Trunojoyo Madura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.28961/kursor.v10i1.201

Abstract

The Collaborative Filtering (CF) widely used in Recommendation System commonly suffers the sparsity issue since the unobserved rating entries usually over dominance the observed ones. A clustering technique is an alternative solution that can solve the problem. However, no in-depth work has investigated how the missing entries should be mitigated and how the cluster-based approach can be implemented. In this study, we show how the imputed cluster-based approach deals with the missing entries, improving the recommendation quality. The framework of our method consists of four main stages: rating imputation to replace the missing entries, K-means clustering to group users or items based on the imputed rating data, CF-based prediction model, and generating the list of top-N recommendation. This paper uses three variations of imputation techniques, i.e., null, mean, and mode. The cluster-based approach is employedby using the K-Means as the clustering technique, and either the user-based or the items-based model as the CF approach. Experiment results show that the null imputation technique gives the best results when dealing with the missing entries. This finding indicates that the implementation of the clustering techniqueis sufficient for solving the sparsity issue such that imputing the missing entries is not necessary. We also show that our imputed cluster-based CF methods always outperform the traditional CF methods in terms of the F1-Score metric.
THE IMPACT OF FEATURE SELECTION ON THE PROBABILISTIC MODEL ON ARRHYTHMIA DIAGNOSIS Mohammad Syarief; Mulaab Mulaab; Husni Husni
International Journal of Science, Engineering, and Information Technology Vol 6, No 2 (2022): IJSEIT Volume 06 Issue 02 July 2022
Publisher : Universitas Trunojoyo Madura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21107/ijseit.v6i2.15265

Abstract

Arrhythmia is a type of cardiac illness identified by an irregular heart rhythm that can be either too rapid or too slow. An electrocardiograph method is required to diagnose arrhythmia. Electrocardiogram, ECG, is the result of this Electrocardiograph process. The ECG is then utilized as a diagnostic tool for arrhythmia. Because the ECG data is so extensive, an adequate processing procedure is required. Understanding the ECG data can be done in various ways, one of which is classification. Naïve Bayes is a classification technique that can handle enormous amounts of data. ECG data has a lot of characteristics, which makes classification more difficult. Feature selection can be used to eliminate non-essential features from a dataset. This research aimed to determine the feature selection’s impact on the Naïve Bayes classification. It was proven by increased accuracy by 4%, precision by 0.13, recall by 0.13, and f-measure by 0.14. The computation time was 0.03 seconds faster. The highest performance was obtained by classification with 80 features. The accuracy was 93%, precision and recall were 0.45, f-measure was 0.42, and computation time was 0.10 seconds.
DETEKSI CYBERBULLYING PADA DATA TWEET MENGGUNAKAN METODE RANDOM FOREST DAN SELEKSI FITUR INFORMATION GAIN Rachmad Masbadi Hatullah Nurnaryo; Mulaab Mulaab; Ika Oktavia Suzanti; Doni Abdul Fatah; Andharini Dwi Cahyani; Fifin Ayu Mufarroha
Jurnal Simantec Vol 11, No 1 (2022): Jurnal Simantec Desember 2022
Publisher : Universitas Trunojoyo Madura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21107/simantec.v11i1.17256

Abstract

Indonesia merupakan salah satu negara dengan pengguna media sosial terbanyak. Dengan banyaknya pengguna media sosial, hal ini dapat memicu munculnya cyberbullying. Cyberbullying adalah tindakan berulang yang melecehkan, mempermalukan, mengancam, atau mengganggu orang lain melalui komputer, ponsel, dan perangkat elektronik lainnya, termasuk situs web jejaring sosial online. Twitter merupakan salah satu media sosial yang sering digunakan untuk melakukan cyberbullying. Deteksi cyberbullying merupakan langkah penting untuk membuat lingkungan yang baik dalam interaksi media sosial. Penelitian ini mendeteksi cyberbullying yang berasal dari tweet berbahasa Indonesia dengan menggunakan metode Random Forest sebagai pengklasifikasi. Seleksi fitur information gain juga digunakan untuk menyeleksi fitur yang berupa atribut. Penelitian ini bertujuan untuk mengetahui akurasi deteksi cyberbullying dari metode Random Forest dan memilih fitur penting untuk meningkatkan kinerja metode. Dari hasil pengujian, didapatkan nilai Accuracy tertinggi sebesar 72.1% dengan atribut berjumlah 1295 dari 2277 atribut. Hal ini berarti, pemilihan fitur yang baik dapat meningkatkan performa dari metode machine learning.Kata kunci: Cyberbullying, Information Gain, Random Forest, Tweet
PENERAPAN NAÏVE BAYES DAN LATENT DIRICHLET ALLOCATION (LDA) UNTUK ANALISIS SENTIMEN DAN PEMODELAN TOPIK PADA PROYEK KERETA CEPAT JAKARTA-BANDUNG Fatah, Doni Abdul; Kamil, Fajrul Ihsan; Soesilo, Budi; Mulaab, Mulaab Mulaab
Jurnal Simantec Vol 12, No 2 (2024): Jurnal Simantec Juni 2024
Publisher : Universitas Trunojoyo Madura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21107/simantec.v12i2.25440

Abstract

Proyek kereta cepat Jakarta – Bandung merupakan salah satu proyek besar yang saat ini sedang dibuat di Indonesia. Proyek kereta cepat Jakarta – Bandung menjadi ramai dibicarakan di media sosial Twitter. Karena dalam pembangunannya terdapat beberapa masalah, seperti banjir yang terjadi di Bekasi dan menyebabkan kemacetan dan mengganggu kelancaran logistik. Beberapa opini masyarakat dapat berupa sentimen positif dan negatif terhadap Pembangunan Kereta Cepat ini. Untuk mengetahui opini masyarakat tersebut maka perlu dilakukan analisis sentimen dan pemodelan topik menggunakan metode Naive Bayes dan Latent Dirichlet Allocation. Hasil pengujian menunjukkan bahwa pada analisis sentimen setelah dilakukan perhitungan menggunakan metode Naive Bayes diperoleh nilai akurasi sebesar 66%. Sedangkan pada pemodelan topik menggunakan metode Latent Dirichlet Allocation diuji menggunakan nilai koherensi terbaik diperoleh nilai sebesar 0,472 pada 9 topik.
LONG SHORT-TERM MEMORY FOR PREDICTION OF WAVE HEIGHT AND WIND SPEED USING PROPHET FOR OUTLIERS Baihaqi, Galih Restu; Mulaab
Jurnal Ilmiah Kursor Vol. 12 No. 2 (2023)
Publisher : Universitas Trunojoyo Madura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21107/kursor.v12i2.351

Abstract

The reason fishermen lose control is wave height and wind speed. The impact is also felt by all users of the marine sector. This research uses the Long Short Term Memory (LSTM) method because this method has accurate values in the forecasting process with a lot of historical data and uses the Prophet method to detect outliers with Newton interpolation to replace the detected outlier data. The total number of data was 2074 obtained from BMKG Perak Surabaya from January 2020 to November 2022 at four research points, namely north, northeast, east and south points. The test results provide varying error values with MAPE as the model evaluation value. The error value for sea wave height at the north, northeast, east and south points is 13.32 respectively; 13.32; 9.32 and 8.85 with data without interpolation. Meanwhile, the error value in the wind speed data is 14.74; 14.85; 15.14 and 14.52 with a 3rd order Newton interpolation process at the northeast and east points. MAPE values below 20% prove that the LSTM model is good for predicting wave height and wind speed data at four points in Sumenep Regency. The system implementation is made into a web-based application.
Co-Authors Andharini Dwi Cahyani Baihaqi, Galih Restu Doni Abdul Fatah Fifin Ayu Mufarroha Husni Husni Ika Oktavia Suzanti Kamil, Fajrul Ihsan Mohammad Syarief Noor Ifada Rachmad Masbadi Hatullah Nurnaryo Soesilo, Budi Susi Susanti