Claim Missing Document
Check
Articles

Found 25 Documents
Search

Chatbot Informasi Penerimaan Mahasiswa Baru Menggunakan Metode FastText dan LSTM Fahmi Yusron Fiddin; Komarudin, Agus; Melina, Melina
Journal of Applied Computer Science and Technology Vol 5 No 1 (2024): Juni 2024
Publisher : Indonesian Society of Applied Science

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52158/jacost.v5i1.648

Abstract

New Student Admission (PMB) is an important stage in the continuity of education in an educational institution. The Faculty of Science and Informatics (FSI) at Jenderal Achmad Yani University (UNJANI) provides information services about PMB to prospective students and parents/guardians of prospective students but is still inefficient, so it is necessary to improve PMB information services by using Chatbots as a solution that is able to serve questions effectively and consistent. This study aims to develop a PMB information Chatbot system for FSI using the FastText and Long Short-Term Memory (LSTM) methods. Several methods have been used in Chatbot development research, such as Term Frequency–Inverse Document Frequency (TF-IDF), Bag of Words (BoW), and Convolutional Neural Networks (CNN). However, these studies still have certain limitations, such as the inability to grasp the meaning of words and difficulties in handling certain inputs. In this study, the text classification model uses the FastText method as the stage for representing words in vector form, then combined with several pre-processing methods (Tokenization & Casefolding) and LSTM for the classification stage. Then put it into the Chatbot component according to the architecture that was made. In testing, the Black Box Testing method is used to ensure the functionality of the Chatbot system. The test results show that the Chatbot system is able to understand the topic of questions asked by users properly. The interaction between users and Chatbots also runs smoothly, resulting in appropriate and informative responses. The results of this study are expected to be an effective and consistent solution for providing information about PMB to prospective students and parents/guardians of prospective students at FSI.
KLASIFIKASI TINGKAT STRES SAAT TIDUR MENGGUNAKAN ALGORITMA RANDOM FOREST Fuji Astari, Dhea; Herry Chrisnanto, Yulison; Melina, Melina
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 7 No. 5 (2023): JATI Vol. 7 No. 5
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v7i5.7750

Abstract

Kesehatan tubuh dipengaruhi oleh kualitas tidur, dan kesulitan tidur dapat menyebabkan masalah kesehatan akibat faktor psikologis seperti stres, kecemasan, dan kegelisahan. Mengukur tingkat stres saat tidur sulit dilakukan karena banyak variabel dengan nilai berbeda yang terlibat. Beberapa variabel yang berperan dalam menilai tingkat stres saat tidur antara lain dengkuran, frekuensi pernapasan, suhu tubuh, anggota tubuh, kadar oksigen darah, gerakan mata, durasi tidur, dan detak jantung. Mengklasifikasikan tingkat stres tidur menggunakan variabel-variabel ini membutuhkan penggunaan algoritma klasifikasi yang efisien. Dalam penelitian ini, algoritma Random Forest digunakan sebagai klasifikasi untuk mengidentifikasi tingkat stres saat tidur. Algoritma Random Forest adalah keseluruhan algoritma yang terdiri dari beberapa pohon keputusan yang bekerja sama untuk menghasilkan klasifikasi yang akurat. Sebelum klasifikasi, dilakukan metode pre-processing pada data, meliputi normalisasi min-max, yang mengubah nilai variabel antara 0 dan 1, dan pre-processing kategorikal, yang mengubah data numerik menjadi data kategorikal yang dapat digunakan dalam algoritma Random Forest. Adapun, tujuan dari penelitian ini adalah membangun sebuah sistem yang dapat mengklasifikasikan varibale-varibale tingkat stres dengan sangat akurat. Hasil penelitian ini memperoleh performa lebih baik dengan akurasi data sebesar 93.65% menggunakan algoritma Random Forest dengan metode evaluasi Confusion Matix, sedangkan algoritma C45 memperoleh akurasi sebesar 87.88%. Dari hasil penelitian ini, diharapkan dapat menjadi dasar untuk pengembangan metode yang lebih efektif dalam mengobati gangguan tidur terkait stres, serta dapat membantu meningkatkan kualitas tidur dan kesejahteraan individu secara umum.
Klasifikasi Telemarketing Menggunakan Naïve Bayes Classification Dan Wrapper Sequential Feature Selection Eina, Muhammad Fikri; Chrisnanto, Yulison Herry; Melina, Melina
INTECOMS: Journal of Information Technology and Computer Science Vol 7 No 4 (2024): INTECOMS: Journal of Information Technology and Computer Science
Publisher : Institut Penelitian Matematika, Komputer, Keperawatan, Pendidikan dan Ekonomi (IPM2KPE)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31539/intecoms.v7i4.10846

Abstract

Telemarketing merupakan strategi pemasaran penting dalam industri perbankan. Namun, efektivitasnya memerlukan pemahaman mendalam tentang faktor-faktor yang mempengaruhi keputusan nasabah. Analisis data menjadi kunci dalam memahami perilaku nasabah terhadap produk bank yang ditawarkan, dengan tantangan utama adalah seleksi fitur yang relevan dari dataset besar. Penelitian ini mengembangkan model klasifikasi menggunakan Naïve Bayes Classification yang dikombinasikan dengan metode seleksi fitur Wrapper Sequential Feature Selection (WSFS) pada dataset Bank Marketing. Tujuannya untuk membandingkan akurasi klasifikasi Naïve Bayes dengan dan tanpa seleksi fitur WSFS. Identifikasi subset fitur paling berpengaruh dalam memprediksi keputusan nasabah diterapkan dengan WSFS, dilanjutkan dengan klasifikasi Naïve Bayes. Hasil penelitian menunjukkan bahwa penerapan WSFS signifikan meningkatkan akurasi model klasifikasi Naive Bayes dalam memprediksi keputusan nasabah memilih produk deposito, dengan akurasi sebesar 77.87%. Evaluasi tambahan menggunakan metrik precision, recall, dan F1-score juga menunjukkan peningkatan yang konsisten setelah menggunakan WSFS. Penelitian ini berkontribusi dalam mengoptimalkan strategi telemarketing di industri perbankan.
Teknik Pengamanan Data Menggunakan Algoritma Advance Encryption Standard Dengan Common Event Format Untuk Meningkatkan Keamanan Log Jaringan Azhari, Moch Dzikri; Hadiana, Asep Id; Melina, Melina
INTECOMS: Journal of Information Technology and Computer Science Vol 7 No 4 (2024): INTECOMS: Journal of Information Technology and Computer Science
Publisher : Institut Penelitian Matematika, Komputer, Keperawatan, Pendidikan dan Ekonomi (IPM2KPE)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31539/intecoms.v7i4.10849

Abstract

Perkembangan pesat dalam teknologi informasi menuntut perlindungan yang lebih terhadap keamanan data dan pertukaran data dalam dunia digital. Ancaman keamanan pada jaringan dapat terjadi dari berbagai sumber sehingga perlu teknik untuk melindungi informasi yang berpindah antar jaringan komputer yang saling terhubung. Keamanan log jaringan menjadi langkah yang sangat penting untuk memperkuat keamanan jaringan tersebut. Log jaringan adalah catatan atau rekaman aktivitas yang terjadi di dalam jaringan komputer, mencakup informasi seperti percobaan akses tidak sah, aktivitas pengguna, dan peristiwa penting lainnya. Penelitian ini bertujuan untuk mengevaluasi seberapa efektif penggunaan algoritma Advanced Encryption Standard (AES) dalam mengamankan data log jaringan dengan menggunakan metode enkripsi dan dekripsi yang menerapkan Common Event Format (CEF) untuk meningkatkan keamanan data log jaringan yang dienkripsi pada CEF. Algoritma AES merupakan sebuah chiper untuk menjaga kerahasiaan dan integritas data. Sedangkan, CEF berfungsi untuk menyederhanakan proses pencatatan peristiwa yang terkait dengan keamanan serta untuk menggabungkan beragam log dari berbagai sumber ke dalam satu sistem. Penelitian ini dapat memberikan kontribusi penting dalam pengembangan teknik keamanan yang lebih efektif pada data log jaringan.
Penanganan Outlier Pada Metode Algoritma K- Nearest Neighbors (KNN) Dengan Metode Kernel Density Estimation Pada Kasus Penyakit Diabetes Razaki, Adam; Chrisnanto, Yulison Herry; Melina, Melina
INTECOMS: Journal of Information Technology and Computer Science Vol 7 No 4 (2024): INTECOMS: Journal of Information Technology and Computer Science
Publisher : Institut Penelitian Matematika, Komputer, Keperawatan, Pendidikan dan Ekonomi (IPM2KPE)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31539/intecoms.v7i4.10866

Abstract

Penyakit diabetes merupakan tantangan kesehatan global yang memerlukan penanganan serius. Deteksi dini dan prediksi diabetes sangat penting untuk mencegah komplikasi serius. Penelitian ini bertujuan untuk meningkatkan akurasi klasifikasi penyakit diabetes dengan menangani outlier yang dapat memengaruhi akurasi model klasifikasi dan meminimalkan kesalahan prediksi. Pada penelitian ini, algoritma K-Nearest Neighbors (KNN) yang efektif untuk klasifikasi data digabungkan dengan Kernel Density Estimation (KDE) untuk identifikasi outlier. Dataset yang digunakan pada penelitian ini terdiri dari 2.000 data sample diabetes yang telah melalui proses preprocessing, transformasi, normalisasi, deteksi outlier dengan KDE, imputasi outlier dengan median, klasifikasi dengan KNN, dan evaluasi dengan confusion matrix. Hasil penelitian ini menunjukkan bahwa penggunaan KDE dan imputasi outlier berhasil meningkatkan performa model pada semua metrik evaluasi. Hasil terbaik diperoleh pada model KNN dengan nilai , rasio dataset 90%:10%, yang menunjukkan peningkatan akurasi dari 90% menjadi 92%. Diharapkan hasil penelitian ini dapat memberikan kontribusi dalam deteksi dini penyakit diabetes.
Moluskisida Kombinasi Mikroenkapsulasi Daun Kacang Babi, Daun Serai Wangi, dan Kitosan sebagai Pembasmi Keong Mas pada Tanaman Padi Valentina Adimurti Kusumaningtyas; Devitri Amisa; Hernandi Sujono; Senadi Budiman; Sukrido Sukrido; Trisna Yuliana; Melina Melina; Yana Maolana Syah; Lia Dewi Juliawaty; Tia Setiawati; Endang Rosdiana
Jurnal Sains dan Kesehatan Vol. 2 No. 4 (2020): J. Sains Kes.
Publisher : Fakultas Farmasi, Universitas Mulawarman, Samarinda, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25026/jsk.v2i4.146

Abstract

Abstract In this research, acombination biopesticide, a combination biopesticide from Tephrosia vogelii leaves and Cymbopogon nardus leaves has been made as an exterminator of golden snail in rice plants. The golden snail is one of the plant pest organism in rice plants which are capable of damaging plant in a short time. This study aim to determine the efficacy of a combination biopesticide of a mixture of T. vogelii leaves extract, C nardus leaves and kitosan as golden snail pest exterminators in rice plants. Three types of variance were used, namely formula I (1:1:1), II (1:2:1) and III (2:1:1) from the mixture of T. vogelii leaves extract, C nardus leaves powder and chitosan. From the test results obtained the fastest inial death time were formulation I (24.49 hours), LC50 of 10,60 g/kg which mildly toxic, 100 % daily mortaly in formulation III (day 5) and the fastest efficacy in formulation III were 38.89 % (day 2). Keywords : Golden snail, combinations biopesticide, Tephrosia vogelii, cymbopogon nardus and chitosan Abstrak Pada penelitian ini telah dilakukan pembuatan biopestisida kombinasi dari daun kacang babi, daun serai wangi dan kitosan sebagai pembasmi keong mas pada tanaman padi. Keong mas merupakan salah satu organisme pengganggu tumbuhan pada tanaman padi yang mampu merusak tanaman dalam waktu cepat. Penelitian ini bertujuan untuk mengetahui efikasi biopestisida kombinasi dari campuran ekstrak daun kacang babi, daun serai wangi dan kitosan sebagai pembasmi hama keong mas pada tanaman padi. Digunakan tiga jenis variansi yaitu formula I (1:1:1), II (1:2:1) dan III (2:1:1) dari campuran ekstrak daun kacang babi , serbuk daun serai wangi dan kitosan. Dari hasil pengujian diperoleh waktu awal kematian tercepat yaitu formula I (24,49 jam), LC50 sebesar 10,60 g/kg yang bersifat tosik ringan, mortalitas harian 100 % pada formula III (hari ke-5) dan rfikasi tercepat pada formula III yaitu 38,89 %(hari ke-2). Kata kunci : Keong mas, biopestisida kombinasi, kacang babi, serai wangi dan kitosan
QUESTION BANK SECURITY USING RIVEST SHAMIR ADLEMAN ALGORITHM AND ADVANCED ENCRYPTION STANDARD Monica, Taris; Hadiana, Asep Id; Melina, Melina
JIKO (Jurnal Informatika dan Komputer) Vol 7, No 3 (2024)
Publisher : Universitas Khairun

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33387/jiko.v7i3.8654

Abstract

Data security is essential. Educational question banks at vocational high schools (SMK) contain confidential information that could be misused if not properly secured. This research aims to ensure students question bank data and develop a responsive web platform for Pusdikhubad Cimahi Vocational School by implementing the integration of the Advanced Encryption Standard (AES) and Rivest Shamir Adleman (RSA) cryptographic algorithms through the encryption and decryption process. AES is a symmetric key cryptography algorithm, while RSA is an encryption algorithm based on using public keys to encrypt the keys required by AES-256. The integration of these two algorithms aims to ensure data confidentiality, prevent manipulation, and facilitate access to exam materials by authorized parties. This research shows that the process of encrypting and decrypting question data using a combination of RSA and AES was successfully carried out on the question bank system. Avalanche Effect testing shows that the RSA and AES 256-bit encryption has an Avalanche Effect level of 49.99%. Apart from that, the system feasibility test using black box testing results shows that the SIFILE system has a percentage level of 100%. It is hoped that the results of this research can serve as a data security system at Pusdikhubad Cimahi Vocational School and other educational institutions to secure the question bank from unauthorized access
KLASIFIKASI PENYAKIT DIABETES MENGGUNAKAN ALGORITMA CATEGORICAL BOOSTING DENGAN FAKTOR RISIKO DIABETES Levi Sabili, Naufal; Rakhmat Umbara, Fajri; Melina, Melina
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 6 (2024): JATI Vol. 8 No. 6
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i6.11447

Abstract

Indonesia menjadi salah satu negara yang memiliki jumlah penderita Diabetes Melitus tertinggi di dunia. Penyakit diabetes dapat menimbulkan komplikasi serius yang berpotensi membahayakan bagi penderitanya. Penelitian ini bertujuan untuk mengembangkan model prediksi yang akurat untuk mengklasifikasikan penyakit diabetes menggunakan algoritma Categorical Boosting (CatBoost) dengan mempertimbangkan berbagai risiko penyakit diabetes. CatBoost dikenal karena kemampuannya menangani data kategorikal dengan baik. Tahap awal dalam penelitian ini adalah pengolahan data atau pre-processing, yang meliputi pembersihan data untuk menangani masalah data yang tidak bersih, penanganan data dengan nilai ekstrem, dan memperbaiki tipe data yang tidak sesuai. Selanjutnya, dilakukan tahap pembuatan model prediksi menggunakan algoritma CatBoost yang merupakan metode gradient boosting yang efektif dalam pengambilan keputusan. Evaluasi model dilakukan menggunakan Confusion Matrix untuk menilai performa klasifikasi. Hasil penelitian menunjukkan akurasi yang cukup tinggi dalam klasifikasi pada penyakit diabetes yaitu sebesar 98,63% berdasarkan atribut yang digunakan pada data. Diharapkan, penelitian ini dapat memberikan kontribusi dalam memberikan pemahaman dan upaya pengelolaan risiko diabetes serta tingkat kematian yang disebabkan oleh penyakit tersebut.
Comparative Analysis of K-Means and K-Medoids Clustering in Retail Store Product Grouping Muthmainah, Sekar Ghaida; Hadiana, Asep Id; Melina, Melina
International Journal of Quantitative Research and Modeling Vol 5, No 3 (2024)
Publisher : Research Collaboration Community (RCC)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46336/ijqrm.v5i3.753

Abstract

The retail business is growing very rapidly with increasing business competition. The application of information technology is one strategy for understanding consumer product purchasing patterns and grouping sales products. This research aims to analyze and compare the K-Means and K-Medoids Clustering techniques for retail data based on the Davies Bouldin Index value and computing time. K-Means is an algorithm that divides data into k clusters based on centroids, while K-Medoids Clustering uses objects with medoids representing clusters as centroid centers. Clustering in both methods produces an optimal number of clusters of 3 clusters. The results of this research show that K-Means produced 358 data in Cluster 1, 292 data in Cluster 2, and 367 data in Cluster 3 with a DBI of 0.7160. Meanwhile, K-Medoids produced 295 data in Cluster 1, 360 data in Cluster 2, and 362 data in Cluster 3 with a DBI of 0.7153. In addition, this study calculated the average computation from 5 experiments, namely K-Means with an average time of 0.024278/s and K-Medoids of 0.05719/s. Based on the lower DBI, K-Medoids have better results in clustering, but the K-Means method is better in terms of computational efficiency. It is hoped that the results of this research will provide valuable insights for retail business people in analyzing sales data.
Semantic Classification of Sentences Using SMOTE and BiLSTM Tanjung, Irvan; Ilyas, Rid; Melina, Melina
International Journal of Quantitative Research and Modeling Vol 5, No 3 (2024)
Publisher : Research Collaboration Community (RCC)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46336/ijqrm.v5i3.750

Abstract

A paraphrase is a sentence that is re-expressed with a different word arrangement without changing its meaning (semantics). To find out the semantic proximity to the pair of citation sentences in the form of paraphrases, a computational model is needed. In doing classification sometimes appears a problem called Imbalance Class, which is a situation in which the distribution of data of each class is uneven. There are class groups that have less data (minorities) and class groups that have more data (majority). Any unbalanced real data can affect and decrease the performance of classification methods. One way to deal with it is using the SMOTE method, which is an over-sampling method that generates synthesis data derived from data replication in the minority class as much as data in the majority class. The study applied SMOTE in the classification of semantic proximity of citation pairs, used Word2Vec to convert words into vectors, and used the BiLSTM model for the learning process. The research was conducted through 8 different scenarios in terms of the data used, the selection of learning models, and the influence of SMOTE. The results showed that scenarios using previous research data with BiLSTM and SMOTE models provided the best accuracy and performance.