Articles
Optimisasi Algoritma K-Means Menggunakan Artificial Bee Colony pada Content-Based Image Retrieval
Yudhono Witanto;
Agus Eko Minarno;
Yufis Azhar
Jurnal Repositor Vol. 3 No. 1 (2021): Januari 2021
Publisher : Universitas Muhammadiyah Malang
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.22219/repositor.v3i1.31015
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.
Klasifikasi Jenis Batik Menggunakan Algoritma Convolutional Neural Network
Yesicha Amilia Putri;
Yufis Azhar;
Agus Eko Minarno
Jurnal Repositor Vol. 3 No. 2 (2021): Februari 2021
Publisher : Universitas Muhammadiyah Malang
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.22219/repositor.v3i2.31050
Beragamnya motif batik di Indonesia menyulitkan dalam pengenalan pola citra batik. Dalam hal ini diperlukannya klasifikasi citra batik untuk mengidentifikasi karakteristik citra. Dataset yang digunakan merupakan dataset batik berjumlah 300 data dengan 50 jenis batik dan setiap kategori terdapat 6 data. Algoritma yang digunakan dalam penelitian ini adalah Convolutional Neural Network (CNN). CNN merupakan salah satu teknik Deep Learning yang memiliki hasil paling signifikan didalam pengenalan citra. Model VGG16 digunakan pada pengujian untuk membandingkan akurasi yang diperoleh dan waktu yang dibutuhkan. Penelitian ini dilakukan untuk membuktikan model yang diusulkan mampu mengklasifikasi citra batik dengan baik. Hal ini dapat dibuktikan bahwa akurasi yang didapatkan menggunakan CNN sebesar 98% dan membutuhkan waktu lebih cepat dibandingkan model VGG16.
Klasifikasi Citra Sel Darah Untuk Penyakit Malaria Dengan Metode CNN
Achmad Fauzi Saksenata;
Agus Eko Minarno;
Yufis Azhar
Jurnal Repositor Vol. 4 No. 2 (2022): Mei 2022
Publisher : Universitas Muhammadiyah Malang
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.22219/repositor.v4i2.31053
Semakin berkembangnya teknologi mengakibatkan pola hidup masyarakat ikut berubah, karena kebutuhan masyarakat bergantung pada teknologi yang ada. Perubahan ini dapat dilihat dalam penggunaan komputer dengan dibantu berbagai alat yang telah dibuat dapat mendeteksi penyakit pada seseorang. Dengan adanya alat tersebut dapat membantu masyarakat agar lebih cepat dan mudah mengetahui penyakit yang diderita. Oleh karena itu, diperlukan sistem yang dapat menganalisa, mengenali, secara sensitive, akurat dan otomatis mendiagnosa manusia terkena penyakit malaria atau tidak. Metode yang disulkan untuk menyelesaikan permasalahan tersebut Deep Learning (DL) yaitu Convolutional Neural Network (CNN) yang unggul untuk klasifikasi. Dalam penelitian ini, mengusulkan penggunaan CNN untuk membantu dalam mengklasifikasikan penyakit malaria. Dataset terdiri dari 27558 gambar sel darah. Model yang diusulkan mencapai kinerja dengan akurasi terbaik 96%. Pengujiannya berhasil serta berjalan dengan baik.
Analisa Perbandingan LSB Steganografi antara Shifting dan Random Color
Bayu Yudha Purnomo;
Agus Eko Minarno;
Zamah Sari
Jurnal Repositor Vol. 3 No. 2 (2021): Februari 2021
Publisher : Universitas Muhammadiyah Malang
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.22219/repositor.v3i2.31055
Steganografi merupakan teknik untuk menyembunyikan keberadaan data ke dalam data lain sehingga keberadaannya tidak diketahui. Sehingga selain pengirim dan penerima tidak ada yang mengetahui isi dari pesan tersebut dan tidak mudah untuk dicurigai. Beberapa algoritma yang cocok dengan teknik steganography, salah satunya yaitu algoritma LSB (Least Significant Bit). Algoritma LSB sendiri sudah dikembangkan oleh beberapa penelitian sebelumnya, yaitu menjadi algoritma LSB Random Color dan algoritma LSB Shifting. Dua algoritma tersebut merupakan algoritma yang terbaru dari algoritma LSB. Beberapa penelitian sebelumnya melakukan pengujian algoritma LSB random color dan algoritma LSB shifting dengan menggunakan data yang berbeda, dan hasil penelitian sebelumnya tidak melakukan perbandingan mana yang lebih baik dari dua algoritma tersebut. Dalam penelitian ini penulis membuat penelitian dengan judul analisa perbandingan LSB steganografi antara shifting dan random color. Pengujian diukur dengan menghitung nilai MSE dan PSNR pada file stegano image. Penelitian ini menggunakan 2 jenis file cover image yaitu berwarna dan hitam putih dengan jumlah masing-masing 3 file yang berbeda, dan menggunakan 1 file secret image yang sama. Sehingga diperoleh hasil perbandingan bahwasannya algoritma LSB random color memiliki performa lebih baik, meskipun mengunakan jenis file berwarna atau hitam putih
Klasifikasi Citra Histologi Kanker Payudara Menggunakan Metode Ensemble CNN
Galang Aji Mahesa;
Agus Eko Minarno;
Yufis Azhar
Jurnal Repositor Vol. 4 No. 3 (2022): Agustus 2022
Publisher : Universitas Muhammadiyah Malang
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.22219/repositor.v4i3.31097
Breast cancer is a serious disease and the leading cause of death in women. Breast cancer can be diagnosed through medical imaging tests, such as radiological and hispathological images. However, because histological images have complexity and diversity, the manual examination has disadvantages, namely, requiring high expertise, time consuming, and prone to errors. Deep learning has been widely applied to histological classification including breast cancer, with automation to help overcome the shortcomings of manual diagnostic methods. In this study, Deep learning was developed using CNN with the ensemble method. The MobileNet, MobileNetV2 and VGG16 models were trained on the dataset and averaged the results of the two models. The experimental results show an increase in the ensemble compared to each model with an balanced accuracy 0.8689 dan F1-score 0.8682 in VGG16 + MobileNet combination, these results provide an increase compared to previous studies.
Penerapan Generalized Association Rule Minning Sebagai Analisa Pasien Penderita Kanker Paru Paru Berdasarkan Data Rekam Medis
Rangga Kurnia Putra Wiratama;
Yufis Azhar;
Agus Eko Minarno
Jurnal Repositor Vol. 4 No. 3 (2022): Agustus 2022
Publisher : Universitas Muhammadiyah Malang
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.22219/repositor.v4i3.31099
Penggunaan pada data rekam medis yang diambil dari database rumah sakit atau badan kesehatan bertujuan untuk mengetahui secara nyata riwayat pasien yang sebelumnya dinyatakan terkena kanker paru-paru. Namun potensi untuk mengetahui suatu pola penyakit secara manual berupa informasi secara langsung sangat memakan waktu sehingga dilakukan proses kegiatan analisa medis secara manual oleh dokter. Salah satunya adalah pola urutan penyakit pasien yang juga merupakan sebagai atribut pasien. Analisa diagnosa penyakit kanekr paru-paru dengan metode Association Rule menjadi teknik dari data mining yang diperlukan dalam menentukan model atribut dari database rekam medis dari atribut yang sebelumnya dimiliki oleh seorang pasien. Berdasarkan data rekam medis yang akan diperiksa terdapat 1000 data dengan 3 kategori yaitu risiko rendah, risiko sedang dan risiko tinggi. batasan dari aturan asosiasi tersebut tak terhingga sehingga nilai support dan nilai confidence akan terdeteksi oleh program secara otomatis dan nilai tersebut akan dijadikan sebagai variabel evaluasi untuk melakukan klasifikasi untuk menentukan kategori yang mendekati.
SISTEM PENDUKUNG KEPUTUSAN PRIORITAS LOKASI PERBAIKAN JALAN MENGGUNAKAN METODE AHP (ANALYICAL HIERARCHY PROCESS) DAN SAW (SIMPLE ADDITIVE WEIGHTING) STUDI KASUS KABUPATEN PASURUAN
Feny Aries Tanti;
Galih Wasis Wicaksono;
Agus Eko Minarno
Jurnal Repositor Vol. 2 No. 9 (2020): September 2020
Publisher : Universitas Muhammadiyah Malang
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.22219/repositor.v2i9.31820
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.
Klasifikasi Harga Ponsel Menggunakan Support Vector Machine (SVM)
Sulastria Sulastria;
Oktavia Dwi Megawati;
Agus Eko Minarno
Jurnal Repositor Vol. 3 No. 4 (2021): Agustus 2021
Publisher : Universitas Muhammadiyah Malang
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.22219/repositor.v3i4.31960
Pada era digital sekarang yang semakin berkembang pesat terutama dalam berbagai macam fitur yang ada di ponsel serta bertambahnya tingkat spesifikasi ponsel. Fitur-fitur ponsel yang semakin berkembang seperti kamera, ram, kapasitas baterai yang semakin besar menjadi faktor penentu harga sebuah ponsel. Semakin bagus spesifikasi atau semakin banyak fitur yang dimiliki oleh ponsel maka harganya juga akan semakin mahal. Pada penelitian kali ini untuk menghitung seberapa berpengaruhnya fitur yang dimiliki ponsel terhadap harga ponsel menggunakan metode klasifikasi support vector machine yang dibantu dengan n-fold cross validation untuk menentukan rata-rata keberhasilan dari suatu sistem dengan metode yang melaksanakan perulangan dengan mengacak atribut masukan sehingga sistem tersebut terbukti buat sebagian atribut masukan yang acak. Pada paper ini melakukan penelitian menggunakan metode Support Vector Machine untuk mengklasifikasi harga ponsel yang menghasilkan nilai akurasi sebesar 96%.
Segmentasi Citra X-ray Paru dengan Deep Learning
Muhammad Hussein;
Agus Eko Minarno;
Yufis Azhar
Jurnal Repositor Vol. 5 No. 1 (2023): February 2023
Publisher : Universitas Muhammadiyah Malang
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.22219/repositor.v5i1.32034
Segmentasi gambar merupakan salah satu hal utama dalam kajian computer vision dan image processing. Salah satu contohnya adalah pemrosesan gambar x-ray paru untuk mengetahui penyakit-penyakit yang ada di dalam paru. U-Net merupakan salah satu model segmentasi yang telah dibuat untuk mempermudah seseorang membangun model untuk segmentasi gambar. U-net bisa digunakan pada gambar apapun. Dari keunggulannya itu peneliti mencoba menggunakan U-Net dikombinasikan dengan Inception, MobileNet dan EfficientNet untuk melakukan segmentasi pada gambar medis x-ray paru. Gambar di resize menjadi 512 x 512 pixel. Augmentasi yang dilakukan adalah zoom range, height shift, width shift dan horizontal flip. Epoch sebanyak 200 dan batch size sebesar 4. Skenario terbaik pada penelitian ini adalah dengan menggunakan U-net Efficientnetb0 dengan nilai dice 0.967 dan Jaccard 0.937.
Klasifikasi Aktifitas Pada Human Activity Recognition Dataset Menggunakan Logistic Regression
Rizalwan Ardi Ramandita;
Wahyu Andhyka Kusuma;
Agus Eko Minarno
Jurnal Repositor Vol. 3 No. 5 (2021): November 2021
Publisher : Universitas Muhammadiyah Malang
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.22219/repositor.v3i5.32037
Smartphone dan smartwatch telah menjadi perangkat yang diperlukan dalam kehidupan sehari-hari selama beberapa tahun terakhir. Smartphone yang tersebar pada masyarakat dilengkapi dengan berbagai sensor seperti Accelerometer dan Gyroscope yang dapat mengumpulkan data mentah. Pada penelitian sebelumnya, sensor tersebut diletakkan di berbagai posisi pada bagian tubuh manusia. Data ini dapat digunakan untuk melakukan Human Activty Recognition (HAR). HAR telah banyak diterapkan pada kehidupan kita sehari-hari seperti mendeteksi kesehatan, perilaku manusia dan pelacakan lokasi tindak kesehatan. Dataset yang digunakan pada penelitian ini menggunakan data dari UCI Machine Learning dengan 30 orang subject. Penelitian ini mengusulkan metode Logistic Regression dengan penambahan Hyperparameter untuk mendapatkan hasil akurasi yang lebih baik. Hasil ini memiliki peningkatan performa Logistic Regression dalam klasifikasi Human Activity Recognition dengan meraih nilai akurasi sebesar 95,92% pada semua aktivitas.