Articles
<![CDATA[Prediksi Diagnosa Berdasarkan Data Rekam Medis Pasien Menggunakan Support Vector Regression ]]>
<![CDATA[Muhammad Nasrul Tsalatsa Putra]]>;
<![CDATA[Agus Eko Minarno]]>;
<![CDATA[Setio Basuki]]>
<![CDATA[ Jurnal Repositor Vol 2 No 4 (2020): April 2020 ]]>
Publisher : <![CDATA[Universitas Muhammadiyah Malang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.22219/repositor.v2i4.46
<![CDATA[Rekam medis merupakan suatu berkas dari hasil pemeriksaan kesehatan, pengobatan yang diberikan, tindakan, dan pelayanan lain yang telah diberikan kepada pasien. Penelitian ini dilandasi oleh beberapa permasalahan, diantaranya (1) kurangnya pengawasan, informasi, dan tidak meratanya pemberian layanan kesehatan, (2) terhambatnya perencanaan puskesmas dalam menangulangi kasus yang sudah ada atau yang sering terjadi karena tingginya jumlah dan keberagaman kasus/diagnosa yang ditemukan di masyarakat. Dari permasalahan tersebut dapat diterapkan sistem prediksi diagnosa dengan menerapkan metode Support Vector Regression (SVR). Model SVR yang diterapkan yaitu kernel Linear, kernel Polynomial, serta kernel Radial Basis Function. Pengujian dilakukan dengan membagi dataset ke dalam data uji dan data latih, kumudian dilakukan proses pengujian hingga 9-fold untuk masing-masing model dengan susunan data yang berbeda. Hasil pengujian menunjukkan fungsi kernel RBF memiliki kinerja terbaik dibanding dengan fungsi lainnya dimana nilai NRMSE tertinggi 0.0797 dan nilai akurasi terendah sebesar 0.4826. Hasil prediksi tersebut dapat memberikan sebuah gambaran dan trend mengenai diagnosa yang akan datang berdasarkan data rekam medis pasien.]]>
<![CDATA[Pembuatan Sistem Dashboard Akreditasi Institusi Perguruan Tinggi Standar 4 Berbasis Key Performance Indicator ]]>
<![CDATA[Abu Abbas Mansyur]]>;
<![CDATA[Hariyady Hariyady]]>;
<![CDATA[Agus Eko Minarno]]>
<![CDATA[ Jurnal Repositor Vol 2 No 3 (2020): Maret 2020 ]]>
Publisher : <![CDATA[Universitas Muhammadiyah Malang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.22219/repositor.v2i3.491
<![CDATA[Sistem Dashboard sangat dibutuhkan dalam proses Akreditasi Institusi Perguruan Tinggi, system dashboard mempermudah proses monitoring sebuah kinerja yang sedang dilaksanakan. Proses penilaian akreditasi menggunakan indicator-indicator tertentu untuk menandakan kondisi suatu proyek, proses akreditasi memerlukan datavdan informasi dari semua pihak-pihak yang berkaitan dengan perguruan tinggi. Indicator-indicator yang digunakan bersumber dari BAN-PT berdasarkan data dari setiap komponen yang ada di perguruan tinggi. Data dan informasi tersebut harus sesuai dengan kondisi internal yang ada di perguruan tinggi sekarang ini. Karena nantinya hasil dari penelitian ini digunakan untuk proses evaluasi akreditasi di asa yang akan dating. Sehingga kedepannya suatu perguruan tinggi bias mempertahankan ataupun meningkatkan nilai akreditasi]]>
<![CDATA[Penjadwalan Kompetisi Sepak Bola Liga PSN Ngada Menggunakan Algoritma Honey Bee Mating Optimization ]]>
<![CDATA[Firdhansyah Abubekar]]>;
<![CDATA[Yufis Azhar]]>;
<![CDATA[Agus Eko Minarno]]>
<![CDATA[ Jurnal Repositor Vol 2 No 3 (2020): Maret 2020 ]]>
Publisher : <![CDATA[Universitas Muhammadiyah Malang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.22219/repositor.v2i3.492
<![CDATA[Penjadwalan sepak bola menjadi salah satu factor kunci agar sebuah kompetisi yang diselenggarakan dapat berjalan baik atau tidak. Penjadwalan yang kurang baik akan mampu mempengaruhi kondisi tim yang akan bertanding, karena jadwal yang kurang baik akan menghambat tim untuk mempersiapkan timnya secara baik untuk pertandingan selanjutnya. Sehingga dalam penelitian ini akan merancang sistem yang dapat menentukan penajadwalan secara baik berdasarkan batasan masalah yang sebaiknya dihindari dalam menjadwalkan kompetisi sepak bola liga PSN Ngada fase 10 besar yang nmenggunakan sistem setengah kompetisi. Pada penelitian ini akan menggunakan algoritma honey bee mating optimization, algoritma ini dipilih karena mudah untuk diterapkan dan dapat menghasilkan penjadwalan yang cukup baik. Algoritma ini memungkinkan terbentuknya penjadwalan yang menghidari batasan yang telah ditentukan dari kombinasi yang telah dibentuk, yang telah melewati proses flight mating, crossover, mutasi dan pemilihan ratu. Siklus ini akan terus berlangsung hingga mencapai iterasi yang ditentukan dan memilih penjadwalan dengan nilai fitness terbaik.]]>
<![CDATA[Steganografi Dalam File Citra Menggunakan Fungsi Hash dan Metode MLSB ]]>
<![CDATA[Alfian Yuniarto]]>;
<![CDATA[Eko Budi Cahyono]]>;
<![CDATA[Agus Eko Minarno]]>
<![CDATA[ Jurnal Repositor Vol 2 No 11 (2020): November 2020 ]]>
Publisher : <![CDATA[Universitas Muhammadiyah Malang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.22219/repositor.v2i11.840
<![CDATA[Semakin berkembangnya jaringan internet dapat mempermudah proses pertukaran informasi. Ketika suatu informasi bersifat rahasia ditransmisikan lewat jaringan komputer/internet, maka diperlukan jaminan bahwa informasi tersebut hanya dapat diakses oleh pihak yang berkepentingan. Pernaslahan tersebut dapat di selesaikan dengan salah satu cara yaitu penyembunyian pesan dalam pengiriman adalah merubah data menjadi yang tidak dimengerti dengan cara di sisipkan ke dalam pixel yang dinamakan teknik steganografi. Pada Teknik steganografi ini salah satu metode yang dapat di gunakan adalah metode Modified Least Significant Bit (MLSB). MLSB merupakan pengembangan dari metode LSB yaitu dengan memodifikasi data dengan cara merubah dari 8 bit menjadi 5 bit. Selain metode MLSB tersebut kita juga dapat menggunakan fungsi hash MD5 sebagai tambahan pengamanan. Dengan menggunakan fungsi hash MD5 serta dengan menggunakan metode MLSB (modified least significat bit) ini kualitas dari file citra yang di hasilkan menunjukkan nilai baik karena dari rata - rata nilai dari gambar sampel dengan nilai MSE 0.0037 serta PSNR di atas 60db.]]>
<![CDATA[Kontrol Presentasi Telapak Tangan Menggunakan Haar Cascade Classification ]]>
<![CDATA[Dyah Ayu Irianti]]>;
<![CDATA[Agus Eko Minarno]]>;
<![CDATA[Yufis Azhar]]>
<![CDATA[ Jurnal Repositor Vol 2 No 9 (2020): September 2020 ]]>
Publisher : <![CDATA[Universitas Muhammadiyah Malang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.22219/repositor.v2i9.847
<![CDATA[Presentasi yaitu suatu kegiatan yang dilakukan sebagai penyampaian ilmu oleh pengajar untuk memberitahukan hasil penelitian serta gagasan. Presentasi sudah menjadi aktivitas yang dilakukan di hampir semua bidang pekerjaan sehari-hari.Untuk melakukan presentasi, dibutuhkan sebuahkomputer, mouse, dan keyboard sebagai alat bantu dan sarana untuk menjalankan slide presentasi. Selain dibutuhkan alat bantu presentasi, saat presentasi juga dibutuhkan seseorang operator untuk mengendalikan komputer saat presentasi berlangsung. Dengan melihat kondisi tersebut, dibutuhkan teknologi yang dapat mengintegrasikan berbagai macam fungsi alat bantu presentasi dan pengendali komputer saat presentasi. Deteksi telapak tangan pada penelitian ini memakai bahasa pemrograman python dan juga sebuah library OpenCV untuk proses inputan. Metode yang digunakan untuk mendeteksi gerakan telapak tangan menggunakan metode Haar Cascade Classifier. Metode Haar Cascade Classifier dapat digunakan untuk mendeteksi objek telapak tangan dan mampu mengontrol slide dengantelapak tangan dengan webcam secara real time. Dalam pendeteksian harus ditentukan centroid agar dapat diketahui jumlah frame untuk memindahkan slide serta jarak dari webcam ke objek juga dapat mempengaruhi dalam mengontrol presentasi. Namun, sistem ini memiliki banyak kelemahan dan harus diperbaiki. Sensitifitas pendeteksian yang tidak terlalu baik yang dapat dipengaruhi oleh beberapa faktor yaitu webcam yang kurang bagus, spesifikasi Personal Computer (PC) rendah, dataset yang meyebabkan false negative, serta pencahayaan ataupun pengaruh dari background.]]>
<![CDATA[Seleksi Fitur Relieff Pada Klasifikasi Malware Android Menggunakan Support Vector Machine(SVM) ]]>
<![CDATA[irma fitriani]]>;
<![CDATA[Setio Basuki]]>;
<![CDATA[Agus Eko Minarno]]>
<![CDATA[ Jurnal Repositor Vol 2 No 11 (2020): November 2020 ]]>
Publisher : <![CDATA[Universitas Muhammadiyah Malang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.22219/repositor.v2i11.901
<![CDATA[Seiring berkembangnya jaman perkembangan malware android terus mengalami peningkatan setiap tahunnya.Machine Learning adalah salah satu teknik yang bisa kita gunakan dalam melakukan analisa malware android dengan 2 model pendekatan statis dan dinamis.Penulis menggunakan Support Vector Machine(SVM) untuk proses klasifikasiannya dan menggunakan kernel RBF. Fitur yang digunakan dalam penelitian ini adalah Permission dan Broadcast Receiver. Untuk menambah hasil akurasinya digunakan metode Seleksi Fitur Relieff. Dan Seleksi Fitur pembandingnya adalah Chi-Square(CHI),Correlation-based Feature Selection(CFS), dan Gain Ratio(GR). Hasil dari Seleksi Fitur Relieff akan di evaluasi dengan Seleksi Fitur pembandingnya serta juga dengan hasil klasifikasi tanpa menggunakan Seleksi Fitur. Akurasi klasifikasi Seleksi Fitur Relieff menghasilkan 33.33333%, hasil akurasi Seleksi Fitur pembanding lainnya juga memberikan hasil sama dengan Seleksi Fitur Relieff. Sedangkan hasil klasifikasi tanpa Seleksi Fitur memberikan hasil yang cukup tinggi yaitu 95%. Hasil pengujian menunjukkan bahwa Seleksi Fitur tidak cocok digunakan dengan data yang sedikit karna memberikan hasil yang jauh lebih rendah dari tanpa menggunakan Seleksi Fitur.]]>
<![CDATA[Klasterisasi Citre Liburan Secara Otomatis Berbasis Segmentasi Area Menggunakan Metode K-Means ]]>
<![CDATA[Linggar Bagas Saputro]]>;
<![CDATA[Yufis Azhar]]>;
<![CDATA[Agus Eko Minarno]]>
<![CDATA[ Jurnal Repositor Vol 2 No 11 (2020): November 2020 ]]>
Publisher : <![CDATA[Universitas Muhammadiyah Malang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.22219/repositor.v2i11.991
<![CDATA[Mengabadikan momen liburan merupakan hal yang biasa dilakukan wisatawan atau wisatawan domestik. Pada kamera digital citra tersimpan dalam bentuk file yang disimpan pada memori. Dalam memori citra yang tersimpan tidak tertata dengan rapi. Banyak dan beragamnya lokasi atau momen yang diabadikan menyulitkan dalam pengelompokan citra. Dalam hal ini diperlukannya pengelompokan citra liburan untuk mempermudal dalam pengelompokkan citra berdasarkan lokasi. Dataset yang digunakan merupakan dataset citra liburan berjumlah 5000 data dari 49 lokasi wisata. Algoritma yang digunakan dalam penelitian ini adalah K-means. Kmeans merupakan salah satu teknik clustering yang terkenal mudah dan mampu mengklaster data besar dengan cepat. Pada penelitian ini citra disegmentasi menjadi 5 area, segmentasi digunakan pada pengujian untuk membandingkan dengan citra tanpa menggunakan segmentasi, untuk melihat keakuratan yang diperoleh pada penelitian. Penelitian ini dilakukan untuk membuktikan model yang diusulkan mampu mengklaster citra liburan dengan baik. Hal ini dapat dibuktikan bahwa dalam 4 kali pengujian 3 diantaranya model segmentasi 5 lebih unggul dibandingkan model tanpa segmentasi.]]>
<![CDATA[Sistem Pendukung Keputusan Prioritas Lokasi Perbaikan Jalan Menggunakan Metode Analyical Hierarchy Process dan Simple Additive WeightingStudi Kasus Kabupaten Pasuruan ]]>
<![CDATA[Feny Aries Tanti]]>;
<![CDATA[Galih Wasis Wicaksono]]>;
<![CDATA[Agus Eko Minarno]]>
<![CDATA[ Jurnal Repositor Vol 2 No 9 (2020): September 2020 ]]>
Publisher : <![CDATA[Universitas Muhammadiyah Malang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.22219/repositor.v2i9.1004
<![CDATA[Jalan merupakan prasarana yang ada di darat untuk sektor sosial dan ekonomi. Kesadaran pemerintah dalam memperbaiki jalan yang rusak merupakan hal utama dalam anggaran daerah. Peningkatan jumlah lokasi jalan berkaitan dengan peningkatan jumlah perbaikan jalan yang akan dilakukan. Penelitian ini bertujuan untuk menentukan lokasi perbaikan jalan yang terbaik. Jalan yang diperbaiki berdasarkan dari beberapa alternatif posisi lokasi perbaikan jalan. Cara menetapkan lokasi perbaikan jalan dengan memberikan posisi peringkat alternatif berdasarkan kriteria yang sudah ditetapkan. Berdasarkan pertimbangan kriteria dapat diukur secara kuantitatif dengan menggunakan metode AHP (Analytical Hierarchy Process) dan SAW (Simple Additive Weighting). Berdasarkan hasil pengujian terhadap program sudah dapat digunakan. Hasil dari perhitungan program sudah sesuai dengan hasil perhitungan yang sudah dilakukan. Pengujian dilakukan terhadap 10 responden. Dengan sistem ini diharapkan membantu pihak Pekerjaan Umum (PU) Bina Marga untuk menentukan lokasi perbaikan jalan secara lebih objektif.]]>
<![CDATA[Deteksi Defisiensi Unsur Hara Makro pada Tanaman Kopi berdasarkan Karakteristik Gejala Visual Daun menggunakan MTCD dan JST ]]>
<![CDATA[Ahmad Annas Al Hakim]]>;
<![CDATA[Agus Eko Minarno]]>;
<![CDATA[Yufis Azhar]]>
<![CDATA[ Jurnal Repositor Vol 2 No 8 (2020): Agustus 2020 ]]>
Publisher : <![CDATA[Universitas Muhammadiyah Malang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.22219/repositor.v2i8.1033
<![CDATA[Semua tanaman, termasuk kopi membutuhkan unsur hara yang cukup untuk penunjang pertumbuhan dan perkembangannya secara normal. Apabila kebutuhan hara tidak tercukupi dengan baik, tanaman akan kekurangan suplai makanan dan gejala khas muncul pada tanaman, seperti perubahan ukuran daun, klorosis, nekrosis dan lainnya yang akan terlihat jelas terutama pada organ daun. Gejala – gejala tersebut memberikan ciri khas atau pola pada daun berdasarkan defisiensi hara yang dialami suatu tanaman. Ciri khas tersebut kemudian diekstraksi menggunakan pengolahan citra digital (PCD) dengan menerapkan Multi Texton Cooccurrence Descriptor (MTCD). Metode MTCD akan melakukan penelusuran pada tiap bagian citra, kemudian mengekstrak piksel – piksel yang memiliki kesamaan nilai warna dan tepi. Fitur-fitur hasil ekstraksi digunakan untuk mewakili setiap citra dalam basis data, dan kemudian digunakan untuk klasifikasi dengan menerapkan jaringan saraf tiruan (JST). Hasil akurasi tertinggi yang dihasilkan klasifikasi adalah 0.706.]]>
<![CDATA[Optimisasi Algoritma K-Means Menggunakan Artificial Bee Colony pada Content-Based Image Retrieval ]]>
<![CDATA[Agus Eko Minarno]]>;
<![CDATA[Yufis Azhar]]>;
<![CDATA[Yudhono Witanto]]>
<![CDATA[ Jurnal Repositor Vol 3 No 1 (2021): Januari 2021 ]]>
Publisher : <![CDATA[Universitas Muhammadiyah Malang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.22219/repositor.v3i1.1180
<![CDATA[Content-based Image Retrieval (CBIR) merupakan implementasi dari teknik computer vision pada kasus image retrieval yang merupakan kasus pencarian gambar digital pada database yang sangat besar. Pada penelitian ini diperkenalkan metode clustering baru untuk sistem CBIR, metode yang digunakan merupakan kombinasi antara algoritma Artificial Bee Colony (ABC) dengan K-Means. Tiga fitur digunakan untuk mengekstraksi fitur – fitur yang dimiliki gambar, yaitu: RGB Color Feature, Edge Feature, dan Grey Level Co-occurrence Matrix (GLCM). Ketiga fitur tersebut tergabung dalam algoritma Multi Texton Co-occurrence Descriptor (MTCD). K-means merupakan algoritma pengelompokkan yang banyak digunakan pada kasus clustering suatu data, K-means banyak digunakan karena implementasinya yang sangat mudah. Meskipun demikian, algoritma ini memiliki kelemahan, salah satunya yakni dalam penentuan titik awal centroid. Artificial Bee Colony (ABC) merupakan algoritma optimasi yang cara kerjanya mengadopsi dari cara koloni lebah dalam mencari makanan. Metode ABC diketahui dapat memecahkan permasalahan local optimum, yang pada umumnya terjadi pada penggunaan K-means karena kelemahannya dalam menentukan centroid. Metode yang akan digunakan pada penelitian ini merupakan kombinasi dari algoritma ABC dengan K-means untuk mengelompokkan fitur – fitur yang telah diekstraksi yang diimplementasikan pada dataset Corel-10.000 dan Batik. Kombinasi dari kedua algoritma ini dapat menjadi solusi dalam permasalahan pengelompokkan data atau clustering di ranah data science. Penelitian ini bertujuan untuk mengetahui seberapa efektif dan efisien penggunaan kombinasi algoritma ABC dan K-means dalam clustering pada fitur dataset Corel-10.000 dan Batik.]]>
