Garuda - Garba Rujukan Digital

PENDEKATAN ARTIFICIAL NEURAL NETWORK (ANN) UNTUK MENGKLASIFIKASIKAN HEWAN VETEBRATA MENGGUNAKAN KOHONEN SELF ORGANIZING MAP (SOM) Tursina Tursina
Jurnal Informatika Vol 13, No 1 (2013): Jurnal Informatika
Publisher : IIB Darmajaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30873/ji.v13i1.126

This research was proposes an approach to identifying vertebrates or invertebrates that premises Kohonen Self Organizing Map (SOM). SOM is one of the topology of the Artificial Neural Network (ANN).The network will be trained to classify five kinds of animals that will represent each class. Modeling requires 6 input neurons to input the characteristics of animals and 5 output neurons (according to the number of classes specified Key Word : Kohonen Self Organizing Map (SOM), Artificial Neural Network (ANN)

Rancang Bangun Aplikasi Pencarian Kamar Inap Berbasis Web dengan Metode Analytical Hierarchy Process (AHP) Hengky Anra; Tursina Tursina; Ryan Ariessa
JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol 10, No 2 (2022)
Publisher : Jurusan Informatika Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/justin.v10i2.51781

Pontianak dan sekitarnya tak hanya dikenal sebagai kota industri, pendidikan dan perdagangan, tetapi juga juga populer dengan pariwisatanya karena memiliki banyak tempat-tempat unggulan yang menjadi daya tarik bagi para wisatawan, pebisnis luar daerah, maupun mahasiswa dari luar daerah untuk menginap sementara di sini. Namun, tak sedikit pengunjung dari luar wilayah Pontianak yang mengalami kesulitan dalam mencari tempat menginap dengan fasilitas sesuai kebutuhan, murah, aman, dan nyaman untuk ditinggali. Mereka harus melakukan usaha tersendiri untuk mencari kamar di lokasi yang belum mereka ketahui dalam waktu yang terbatas. Penelitian ini bertujuan menghadirkan solusi untuk permasalahan tersebut dengan membangun aplikasi pencarian kamar inap berbasis web. Aplikasi ini mengimplementasikan metode AHP (Analitical Hierarchy Process) dengan kriteria berupa harga, fasilitas, jarak, dan peraturan, serta menggabungkan google map pada website yang telah diiput oleh user (pemilik kamar). Kriteria tersebut diberi nilai agar dapat dirangkingkan, sehingga menghasilkan sebuah rekomendasi kamar untuk para pencari kamar inap. Dengan kriteria yang ada, pencari kamar dapat mempertimbangkan kamar yang menarik untuk dipilih sesuai dengan keinginan mereka. Sementara itu, sistem pendukung keputusan pada aplikasi ini menawarkan solusi untuk rujukan dalam memilih kamar inap. Sistem pendukung keputusan yang ditawarkan menggunakan metode AHP dalam menyelesaikan persoalan dengan menggunakan sistem perangkingan berdasarkan bobot. Adanya aplikasi yang dapat memberikan rekomendasi dalam pemilihan kamar inap ini diharapkan dapat membantu para pencari kamar dalam memilih kamar yang tepat untuk menginap, sehingga mereka tidak memerlukan banyak usaha dan waktu lama untuk menemukan kamar yang sesuai keinginan.

Implementasi Sentiment Analysis Berdasarkan Tweets Masyarakat Terhadap Kinerja Presiden dalam Aspek Penanganan Covid-19 Florensius Angelus Dolf; Novi Safriadi; Tursina Tursina
JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol 10, No 3 (2022)
Publisher : Jurusan Informatika Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/justin.v10i3.54503

Penelitian ini berfokus pada sentiment analysis berdasarkan tweets masyarakat terhadap kinerja presiden dalam aspek penanganan covid-19. Tujuan penelitian ini adalah mengetahui pengaruh dataset dan model resampling untuk membangun model sentiment analysis machine dalam menganalisa topik kinerja presiden dalam aspek penanganan covid-19 kedalam 3 kelas sentiment yaitu positif, negatif, dan netral. Terdapat dua dataset yang digunakan pada penelitian ini dataset A yang merupakan kumpulan tweets yang diambil dari Twitter sebanyak 5694 dan dataset B yang dibentuk dengan mengambil “parameter + kata independen” dari tweets sebanyak 1015. Algoritma yang digunakan dalam penelitian ini adalah algoritma Support Vector Machine (SVM) untuk membangun sebuah model machine learning dan menggunakan model resampling ROS (Random Over Sampler) dan RUS (Random Under Sampler) dalam mengatasi data yang tidak seimbang. Dari hasil pengujian pada peneltian ini dapat diketahui skenario 5 (dataset B + ROS) memiliki performa yang paling baik dengan accuracy sebesar 90,08 % dan precision 90,39 %, dari hasil pengujian juga diketahui skenario 5 merupakan model machine learning yang tidak mengalami overfitting. Penelitian ini berhasil mengimplementasikan sentiment analysis machine sehingga dapat melakukan kategorisasi teks terhadap kinerja presiden dalam aspek penanganan covid-19.Kata kunci: Sentiment Analysis, dataset, Support Vector Machine, ROS (Random Over Sampler), RUS (Random Under Sampler)

Klasifikasi Bidang Keahlian Mahasiswa Menggunakan Algoritma Naive Bayes Fajar Istighfar; Arif Bijaksana Putra Negara; Tursina Tursina
JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol 11, No 1 (2023)
Publisher : Jurusan Informatika Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/justin.v11i1.52402

Salah satu faktor yang dapat menentukan pilihan bidang keahlian mahasiswa yang dimiliki Jurusan Informatika Fakultas Teknik Universitas Tanjungpura adalah penguasaan sub kemampuan yang dikuasai oleh mahasiswa terhadap kriteria sub kemampuan pada bidang pilihan tersebut. Apabila mahasiswa memiliki kemampuan yang dikuasai di bidang keahliannya tentunya akan mempermudah mahasiswa dalam proses pemilihan topik tugas akhir/skripsi. Penelitian ini bertujuan untuk menerapkan dan menguji performa klasifikasi algoritma Naive Bayes dalam mengklasifikasikan bidang keahlian untuk mendapatkan model klasifikasi bidang keahlian mahasiswa berdasarkan kemampuan yang dikuasai oleh mahasiswa terhadap kriteria sub kemampuan pada kelompok keahlian Jurusan Informatika Fakultas Teknik Universitas Tanjungpura. Metode yang digunakan dalam penelitian ini adalah Synthetic Minority Oversampling Technique (SMOTE) sebagai preprocessing untuk menangani ketidak seimbangan kelas, Chi Square sebagai feature selection dalam mengurangi dimensi data, menghilangkan fitur-fitur yang tidak relevan dan Naive Bayes yang berfungsi untuk mengklasifikasi data. Pengujian akurasi metode pada penelitian ini dilakukan dengan K-Fold Cross Validation dan evaluasi menggunakan Confusion Matrix. Pengujian dilakukan dengan menggunakan empat skenario pengujian. Skenario pengujian pertama dilakukan menggunakan algoritma Naive Bayes dengan hasil nilai akurasi sebesar 66%. Skenario pengujian kedua dilakukan menggunakan algoritma Naive Bayes dan Chi Square dengan hasil nilai akurasi sebesar 71%. Skenario pengujian ketiga dilakukan menggunakan algoritma Naive Bayes dan SMOTE dengan hasil nilai akurasi sebesar 79%. Skenario pengujian keempat dilakukan menggunakan algoritma Naive Bayes, SMOTE dan Chi Square dengan hasil nilai akurasi sebesar 80%. Terdapat peningkatan akurasi pada klasifikasi dengan penambahan SMOTE dan Chi Square sebagai balanced data dan feature selection. Hal ini dikarenakan data set yang digunakan sudah seimbang dan memiliki kriteria yang relevan, dari 228 data set sebanyak 183 data berhasil diprediksi dengan benar. Sehingga model dengan menggunakan algoritma Naive Bayes, SMOTE dan Chi Square dapat memberikan performa model yang baik dan dapat digunakan dalam memprediksi bidang keahlian mahasiswa.

Prediksi Jumlah Penduduk menggunakan Metode Fuzzy Time Series Muhammad Maulana; Tursina Tursina; Rina Septiriana
Jurnal Impresi Indonesia Vol. 2 No. 3 (2023): Jurnal Impresi Indonesia
Publisher : Riviera Publishing

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58344/jii.v2i3.2200

Tujuan: Berkurang atau bertambahnya penduduk pada suatu daerah memiliki peranan yang sangat penting pada daerah itu sendiri. Hal itu tentu saja merupakan masalah yang rumit bagi pemerintah kota pontianak dalam usahanya untuk membangun dan meningkatkan taraf hidup di kotanya. Metode: Metode yang digunakan untuk memprediksi jumlah penduduk adalah metode Fuzzy time Series. Pada metode penelitian kualitatif yaitu penelitian yang bersifat deskriptif dan cendrung menganalisa. Hasil: jumlah penduduk 2021 adalah 672.943 dengan selisih data 216 dengan persentase 0,03%. prediksi menggunakan Fuzzy Time Series dipengaruhi dari jumlah data dan jumlah interval untuk membagi datanya. Dari hasil pengujian yang sudah digunakan untuk program dengan menggunakan berbagai periode waktu dan data aktual, dapat disimpulkan jumlah data sangat dapat mempengaruhi hasil dari tingkat keakuratan dari hasil prediksi yang sudah dilakukan dengan data. Kesimpulan: Berdasarkan dari hasil analisis dan pengujian terhadap prediksi jumlah penduduk dengan menggunakan fuzzy time series, dapat disimpulkan bahwa jumlah penduduk tahun 2021 adalah 672.943 dengan selisih data 216 dengan persentase 0,03

Pengaruh Stemming Terhadap Performa Klasifikasi Sentimen Masyarakat Tentang Kebijakan New Normal Rama Ulgasesa; Arif Bijaksana Putra Negara; Tursina Tursina
JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol 10, No 3 (2022)
Publisher : Jurusan Informatika Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/justin.v10i3.53880

Banyaknya pengguna twitter dapat dimanfaatkan untuk mengetahui sentimen masyarakat tentang kebijakan dan penanganan yang dilakukan oleh pemerintah terhadap Covid-19, salah satunya kebijakan mengenai adaptasi kebiasaan baru atau new normal. Untuk melakukan hal itu, bisa digunakan salah satu fungsi dari text mining, yaitu klasifikasi text. Sebelum model klasifikasi text dibuat, text akan melalui tahapan preprocessing. Setiap tahapan memiliki pengaruh terhadap hasil evaluasi klasifikasi text yang akan dilakukan. Tujuan dari penelitian ini adalah mengetahui perbandingan performa klasifikasi menggunakan proses stemming dan tanpa stemming pada dataset melalui tahapan preprocessing dan algoritma klasifikasi yang performanya paling baik jika pada preprocessing dilakukan stemming. Metode klasifikasi menggunakan metode Naive Bayes dan Logistic Regression. Hasil percobaan menunjukan pengaruh model klasifikasi Naive Bayes dan Logistic Regression terhadap penggunaan tahapan stemming pada preprocessing dengan akurasi sebesar 74,11% dan 73,57%, sedangkan tanpa melakukan stemming mendapatkan akurasi masing -masing sebesar 78,47% dan 76,29% . Dari hasil pengujian model, dapat dilihat bahwa tanpa tahapan stemming pada preprocessing memiliki tingkat akurasi yang lebih unggul pada masing-masing model sebesar 4,36% dan 2,72% dibandingkan dengan penerapan tahapan stemming pada preprocessing. Hasil tersebut menunjukan bahwa penggunaan tahapan stemming dapat menurunkan akurasi klasifikasi. Algoritma klasifikasi yang tidak banyak pengaruhnya jika pada preprocessing dilakukan stemming adalah Logistic Regression karena tingkat penurunan akurasi lebih tipis dari algoritma NaÃ¯ve Bayes.

Penerapan Seleksi Fitur Particle Swarm Optimization pada Klasifikasi Teks (Studi Kasus: Komentar Cyberbullying Instagram) Nadya Lestari; Tursina Tursina; Enda Esyudha Pratama
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 9, No 2 (2023): Volume 9 No 2
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v9i2.68320

Dunia saat ini sedang berada di era Big Data, dimana sejumlah besar data berdimensi tinggi tersebar di berbagai domain, seperti media sosial, layanan kesehatan, bio-informatika, dan pendidikan online. Big Data adalah salah satu teknik pembelajaran mesin dan menjadi alat penting yang populer dalam bisnis, sehingga pengelolaan Big Data yang efektif menjadi hal yang sangat penting. Salah satu topik yang menarik untuk diteliti dalam kajian Big Data khususnya text mining ialah cyberbullying Instagram. Beberapa teknik yang dapat digunakan untuk memecahkan masalah text mining yaitu, clustering, klasifikasi, outlier, asosiasi, dan masih banyak lagi. Klasifikasi merupakan bentuk dasar dari analisis data yang banyak diterapkan diberbagai bidang. Penelitian ini membangun model klasifikasi menggunakan algoritma Logistic Regression dengan penambahan proses seleksi fitur menggunakan algoritma Particle Swarm Optimization sebagai tahapan yang berada sebelum proses pelatihan model regresi untuk mengklasifikasi komentar cyberbullying Instagram. Seleksi fitur dilakukan untuk mempertahankan kinerja model klasifikasi dengan menggunakan jumlah fitur pelatihan yang lebih sedikit. Hasil penelitian menunjukkan bahwa penambahan seleksi fitur dapat mereduksi fitur kata sebanyak 40% yang diikuti penurunan akurasi, presisi, dan AUC masing-masing sebesar 1,25%, 4,25%, 1,09% serta peningkatan nilai recall dan f1-score secara berurut sebesar 5,36% dan 0,57%. Penambahan Particle Swarm Optimization sebagai seleksi fitur pada kasus disimpulkan efektif mempertahankan kinerja pembelajaran model dilihat dari nilai AUC yang tetap berada pada kategori Good Classification saat dilatih dengan fitur kata yang lebih sedikit.

Uji Nilai Akurasi pada Neural Machine Translation (NMT) Bahasa Indonesia ke Bahasa Tiochiu Pontianak dengan Mekanisme Attention Bahdanau Lo Bun San; Herry Sujaini; Tursina Tursina
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 9, No 3 (2023): Volume 9 No 3
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v9i3.63346

Mesin penerjemah merupakan cabang penting dari pemrosesan bahasa alami yang bertujuan untuk menerjemahkan bahasa alami menggunakan komputer. Mesin penerjemahan statistik sudah banyak diuji dalam kasus terjemahan bahasa lokal/daerah oleh penelitian di Indonesia. Penelitian mesin penerjemahan neural beberapa tahun belakangan ini, terus menjadi pilihan dalam mesin penerjemahan yang bahkan sampai saat ini sudah diterapkan pada google. Mesin penerjemah dimanfaatkan sebagai usaha dalam membudidayakan suatu bahasa lokal/daerah untuk komputasi, supaya bahasa tersebut tidak hilang karena pengaruh bahasa dilingkungan tempat tinggal yang berbeda-beda. Dalam pengujian ini mekanisme yang digunakan dalam mesin terjemahan neural adalah mekanisme attention Bahdanau dari uji akurasi penerjemahan Bahasa Indonesia ke Bahasa Tiochiu. Mekanisme attention Bahdanau muncul sebagai pengujian peningkatan akurasi terbaik saat ini berkat penggunaan rumus skor attentionnya. Adapun pengujian bahasa alami yang digunakan adalah kalimat bahasa Indonesia diterjemahkan ke kalimat bahasa Tiochiu Pontianak dengan mekanisme Attention Bahdanau pada Mesin Penerjemah Neural. Data korpus pararel yang diuji adalah 500 kalimat dengan data latih adalah 4500 kalimat. Perlunya dilakukan penelitian terhadap mekanisme attention untuk nilai akurasi tertinggi berdasarkan nilai skor BLUE dan ahli bahasa. Langkah-langkah yang digunakan dalam menguji dan mendapatkan nilai akurasi skor BLEU mekanisme attention dimulai dari metode membagi data uji secara validasi k-fold cross sebanyak 10 data uji dan masing-masing data uji tersebut dilatih sebanyak tujuh kali pengujian dari jumlah epoch kelipatan 10. Setelah didapatkan skor nilai akurasinya dari pelatihan sebanyak 70 kali tersebut dihitung dan dicari rata-rata nilai akurasi tertinggi didasarkan jumlah epoch didapatkan serta uji manual oleh ahli bahasa dengan mengambil sampel dari data uji yang memiliki akurasi tertinggi tersebut. Hasil uji mekanisme mesin terjemahan neural dengan attention Bahdanau yang didapatkan terdapat pada sampel uji6. Rata-rata nilai akurasi paling tinggi sebesar 18,41% pada epoch 50, dan uji oleh ahli bahasa pada 167 kalimat terjemahan memperoleh nilai akurasi sebesar 54,51%. Serta uji otomatis BLEU paling tinggi dengan pengujian k-fold cross validation pada sampel uji6 dengan jumlah epoch 50 sebesar 24,26%. Nilai akurasi otomatis BLEU tertinggi pada sampel Uji6 dengan tanpa Attention Bahdanau sebesar 12,41%. Sehingga dapat disimpulkan bahwa dengan mekanisme Attention Bahdanau adalah tingkat hasil akurasi yang terbaik.

REKOMENDASI PEMILIHAN MODEL SEPEDA MENGGUNAKAN RULE BASED SYSTEM Trisya Ayu Pratami; Tursina Tursina; Rina Septiriana
Jurnal Informatika dan Teknik Elektro Terapan Vol 12, No 2 (2024)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v12i2.4239

Kenyamanan saat mengendarai sepeda yang tepat sangat berpengaruh dalam pengeluaran energi, keselamatan, mencegah cedera dan meningkatkan kinerja dalam bersepeda. Jika mengendarai sepeda yang kurang sesuai dengan postur tubuh akan menyebabkan ketidaknyamanan berkendara bahkan bisa menyebabkan cedera. Sehingga banyak calon pesepeda atau pengendara sepeda yang kesulitan menentukan ukuran sepeda yang tepat. Untuk menentukan ukuran sepeda yang tepat, maka perlu dilakukannya pengukuran postur tubuh. Dalam pengukuran ini diperlukan perhitungan yang akurat agar frame yang didapatkan tidak merugikan pengguna atau calon pesepeda. Perhitungan ini menggunakan formula dari Greg LeMond bernama metode Lemond. Metode Lemond adalah sebuah formula yang digunakan untuk menghitung ukuran komponen frame sepeda yang sesuai dengan penggunanya. Metode ini menggunakan tinggi badan dan inseam (jarak dari telapak kaki sampai pangkal paha) sebagai indikator utama dalam menentukan ukuran frame dan komponen frame. Penelitian ini menggunakan tahap SDLC yang dimulai dari analisis kebutuhan dilanjutkan dengan perancangan dalam bentuk UML yang terdiri dari use case diagram, activity diagram, dan class diagram. Sistem ini dirancang menggunakan metode rule based system dimana formula perhitungan metode Lemond tersebut direpresentasikan kedalam bentuk aturan-aturan yang digunakan untuk menghasilkan suatu rekomendasi yang tepat. Kemudian aturan tersebut diimplementasikan ke dalam sistem dengan bahasa PHP dan framework Laravel. Selanjutnya, aplikasi tersebut diuji dengan metode black box dan UAT yang dilakukan terhadap 35 responden pada aspek fungsionalitas dan komunikasi visual. Dari hasil penelitian UAT diperolehlah, hasil persentase sebesar 82,9% yang menunjukkan bahwa aplikasi sangat memuaskan dan sesuai dengan tujuan penelitian serta membuktikan bahwa rule based system berhasil diimplementasikan dengan baik dalam sistem rekomendasi.

Aplikasi CAI untuk Pembelajaran Logika Informatika Khulaqo Tafdila; Tursina Tursina; Hengky Anra
Jurnal Aplikasi dan Riset Informatika Vol 1, No 1 (2022)
Publisher : Jurnal Aplikasi dan Riset Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jari.v1i1.53236

Logika Informatika atau yang juga dikenal dengan logika matematika merupakan dasar yang diperlukan untuk mempelajari hal-hal yang bersangkutan dengan ilmu komputer dan informasi. Jurusan Informatika Fakultas Teknik Universitas Tanjungpura juga memiliki mata kuliah Logika Informatika sebagai salah satu mata kuliah wajib. Computer Assisted Instruction (CAI) adalah media bantu pembelajaran yang memanfaatkan komputer sebagai media pembelajaran, yang membuat mahasiswa dapat mempelajari materi lewat perangkat komputer. Dalam proses belajar-mengajar Logika Informatika di Jurusan Informatika Fakultas Teknik Universitas Tanjungpura, penyampaian materi masih menggunakan metode konvensional. Penyampaian materi yang dilakukan oleh dosen masih menggunakan media buku panduan dan ceramah di depan kelas. Tujuan diadakannya penelitian ini adalah untuk menciptakan alternetif media yang dapat membantu dalam penyampaian materi logika informatika kepada orang-orang terutama mahasiswa yang akan mendalami jurusan informatika, dengan memanfaatkan konsep CAI dengan model tutorial. Pengujian aplikasi menggunakan metode pengujian alpha dan beta. Pengujian alpha dilakukan dengan metode pengujian black box, sedangkan pengujian beta dilakukan dengan memberikan kuesioner kepada 30 orang mahasiswa semester III dan V Jurusan Informatika Fakultas Teknik Universitas Tanjungpura yang sudah pernah mengambil mata kuliah Logika Informatika. Hasil yang didapat dari pengujian aplikasi menggunakan skala pengukuran Guttman ini mendapatkan nilai persentase rata-rata 88,7%, sehingga aplikasi CAI untuk pembelajaran Logika Informatika ini dirasa telah dapat untuk dijadikan sebagai salah satu alternatif pembelajaran.

Title

Found 11 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 11 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 11 Documents
Search