Articles
<![CDATA[UNet-VGG16 with transfer learning for MRI-based brain tumor segmentation ]]>
<![CDATA[Anindya Apriliyanti Pravitasari]]>;
<![CDATA[Nur Iriawan]]>;
<![CDATA[Mawanda Almuhayar]]>;
<![CDATA[Taufik Azmi]]>;
<![CDATA[Irhamah Irhamah]]>;
<![CDATA[Kartika Fithriasari]]>;
<![CDATA[Santi Wulan Purnami]]>;
<![CDATA[Widiana Ferriastuti]]>
<![CDATA[ TELKOMNIKA (Telecommunication Computing Electronics and Control) Vol 18, No 3: June 2020 ]]>
Publisher : <![CDATA[Universitas Ahmad Dahlan ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.12928/telkomnika.v18i3.14753
<![CDATA[A brain tumor is one of a deadly disease that needs high accuracy in its medical surgery. Brain tumor detection can be done through magnetic resonance imaging (MRI). Image segmentation for the MRI brain tumor aims to separate the tumor area (as the region of interest or ROI) with a healthy brain and provide a clear boundary of the tumor. This study classifies the ROI and non-ROI using fully convolutional network with new architecture, namely UNet-VGG16. This model or architecture is a hybrid of U-Net and VGG16 with transfer Learning to simplify the U-Net architecture. This method has a high accuracy of about 96.1% in the learning dataset. The validation is done by calculating the correct classification ratio (CCR) to comparing the segmentation result with the ground truth. The CCR value shows that this UNet-VGG16 could recognize the brain tumor area with a mean of CCR value is about 95.69%.]]>
<![CDATA[Bayesian Bernoulli Mixture Regression Model for Bidikmisi Scholarship Classification ]]>
<![CDATA[NUR Iriawan]]>;
<![CDATA[Kartika Fithriasari]]>;
<![CDATA[Brodjol Sutija Suprih Ulama]]>;
<![CDATA[Wahyuni Suryaningtyas]]>;
<![CDATA[Irwan Susanto]]>;
<![CDATA[Anindya Apriliyanti Pravitasari]]>
<![CDATA[ Jurnal Ilmu Komputer dan Informasi Vol 11, No 2 (2018): Jurnal Ilmu Komputer dan Informasi (Journal of Computer Science and Information ]]>
Publisher : <![CDATA[Faculty of Computer Science - Universitas Indonesia ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (584.777 KB)
|
DOI: 10.21609/jiki.v11i2.536
<![CDATA[Bidikmisi scholarship grantees are determined based on criteria related to the socioeconomic conditions of the parent of the scholarship grantee. Decision process of Bidikmisi acceptance is not easy to do, since there are sufficient big data of prospective applicants and variables of varied criteria. Based on these problems, a new approach is proposed to determine Bidikmisi grantees by using the Bayesian Bernoulli mixture regression model. The modeling procedure is performed by compiling the accepted and unaccepted cluster of applicants which are estimated for each cluster by the Bernoulli mixture regression model. The model parameter estimation process is done by building an algorithm based on Bayesian Markov Chain Monte Carlo (MCMC) method. The accuracy of acceptance process through Bayesian Bernoulli mixture regression model is measured by determining acceptance classification percentage of model which is compared with acceptance classification percentage of the dummy regression model and the polytomous regression model. The comparative results show that Bayesian Bernoulli mixture regression model approach gives higher percentage of acceptance classification accuracy than dummy regression model and polytomous regression model]]>
<![CDATA[Pengelompokan Kabupaten/Kota di Jawa Timur Berdasarkan Indikator Kesehatan Masyarakat Menggunakan Metode Kohonen SOM dan K-Means ]]>
<![CDATA[Marina Marsudi Putri]]>;
<![CDATA[Kartika Fithriasari]]>
<![CDATA[ Jurnal Sains dan Seni ITS Vol 4, No 1 (2015) ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (2155.816 KB)
|
DOI: 10.12962/j23373520.v4i1.8815
<![CDATA[— Kondisi kesehatan masyarakat di Jawa Timur yang tidak homogen akan menyulitkan bagi Tim Pembina Kota Sehat pada saat melakukan pembinaan dan monitoring. Berdasarkan hal tersebut diperlukan pengelompokan kabupaten dan kota di Jawa Timur yang didasarkan pada kemiripan karakteristik kondisi kesehatan masyarakat, sehingga proses pembinaan dan monitoring akan dilakukan berdasarkan kelompok kabupaten dan kota yang terbentuk. Pengelompokan kabupaten/kota di Jawa Timur akan dilakukan menggunakan metode Kohonen SOM kemudian akan dibandingkan dengan hasil pengelom-pokan metode klasik K-Means, yang merupakan metode penge-lompokan yang populer dan sering digunakan, berdasarkan kriteria nilai icdrate (internal cluster dispersion rate). Pada peng-ujian Bartlett diperoleh kesimpulan bahwa terdapat hubungan atau korelasi di antara variabel penelitian. Setelah dilakukan analisis faktor untuk mereduksi variabel diperoleh 3 faktor baru yang terbentuk. Berdasarkan nilai Pseudo Fstatistics yaitu sebe-sar 13,819, hasil pengelompokan terbaik adalah menggunakan metode Kohonen SOM dengan jenis topologi hextop. Sedangkan pada metode K-Means nilai Pseudo Fstatistics terbesar yaitu 9,781 ketika digunakan kelompok sebanyak 2 klaster. Perban-dingan hasil klaster terbaik berdasarkan nilai icdrate diperoleh kesimpulan bahwa nilai icdrate metode Kohonen SOM yaitu sebesar 0,962 lebih kecil dibandingkan dengan nilai icdrate hasil pengelompokan metode K-Means yaitu sebesar 0,988. Pada hasil pengujian One-way MANOVA diperoleh kesimpulan bahwa pada masing-masing kelompok yang terbentuk memiliki per-bedaan.]]>
<![CDATA[Data Mining Peramalan Konsumsi Listrik dengan Pendekatan Cluster Time Series sebagai Preprocessing ]]>
<![CDATA[Mohammad Alfan Alfian Riyadi]]>;
<![CDATA[Kartika Fithriasari]]>;
<![CDATA[Dwiatmono Agus Widodo]]>
<![CDATA[ Jurnal Sains dan Seni ITS Vol 5, No 1 (2016) ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (723.577 KB)
|
DOI: 10.12962/j23373520.v5i1.14714
<![CDATA[Kondisi big data dan data time series memiliki permasalahan tersendiri didalam mengolah suatu data. Terle-bih lagi data tersebut juga multivariabel. Salah satu permasa-lahan yang terjadi adalah ketika proses identifikasi model yang sesuai untuk tiap series. Beberapa metode time series seperti ARIMA dan ANN membutuhkan proses identifikasi untuk menentukan orde ARIMA dan input ANN yang akan digunakan. Melakukan identifikasi satu per satu tiap series tidak mungkin dilakukan. Untuk itu perlu dilakukan prepro-cessing data salah satunya dengan menggunakan cluster. Metode ukuran kesamaan dalam cluster time series salah satunya adalah autocorrelation based distance. Dari masing-masing cluster yang dihasilkan dipilih salah satu anggota untuk dilakukan permodelan. Diharapkan model yang dihasil-kan mewakili anggota cluster secara keseluruhan. Metode peramalan yang digunakan pada penelitian kali ini adalah ARIMA dan ANN dengan studi kasus data benchmark konsumsi listrik di Portugal. Hasil yang diperoleh adalah dihasilkan sebanyak tujuh cluster dengan anggota cluster terbanyak pada cluster ke empat yakni sebanyak 120 client. Selanjutnya model peramalan dengan menggunakan ANN lebih baik dibandingkan ARIMA. Diperoleh sebanyak 259 dari 348 client yang menyatakan bahwa permodelan dengan menggunakan ANN lebih baik dibandingkan ARIMA]]>
<![CDATA[Klasifikasi Kesejahteraan Rumah Tangga di Provinsi Papua dengan Metode Regresi Logistik dan Support Vector Machine ]]>
<![CDATA[Riska Prakasita Sahitayakti]]>;
<![CDATA[Kartika Fithriasari]]>
<![CDATA[ Jurnal Sains dan Seni ITS Vol 4, No 2 (2015) ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (783.209 KB)
|
DOI: 10.12962/j23373520.v4i2.10842
<![CDATA[Provinsi Papua dalam lima tahun terakhir ini menunjukkan bahwa presentase penduduk miskin di Provinsi Papua menempati peringkat pertama dibandingkan ke-32 provinsi lainnya di Indonesia. Klasifikasi kesejahteraan rumah tangga ditujukan untuk mengkategorikan suatu rumah tangga, kedalam kategori keluarga miskin ataupun tidak miskin berdasarkan faktor-faktor yang mencirikan suatu kemiskinan. Dalam rangka meningkatkan kesejahteraan masyarakat di Provinsi Papua, salah satu upaya yang dilakukan adalah dijalankannya program pengentasan kemiskinan, dimana dalam pelaksanaannya perlu dalam mengkategorikan suatu rumah tangga kedalam kategori miskin atau tidak miskin untuk mengetahui layak atau tidaknya mendapatkan bantuan dari program tersebut. Analisis klasifikasi dilakukan menggunakan metode regresi logistik dan support vector machine. Karakteristik kesejahteraan rumah tangga di Papua menunjukkan sebanyak 27% rumah tangga dikategorikan rumah tangga miskin dan sebanyak 73% rumah tangga dikategorikan rumah tangga tidak miskin. Klasifikasi menggunakan metode regresi logistik biner menunjukkan bahwa ketepatan klasifikasi tertinggi sebesar 81.20%. Klasifikasi menggunakan metode support vector machine menunjukkan bahwa ketepatan klasifikasi tertinggi yakni sebesar 82.05% menggunakan variabel prediktor yang signifikan pada analisis regresi logistik biner. Model klasifikasi yang menghasilkan ketepatan klasifikasi tertinggi tersebut menggunakan fungsi kernel Radial Basis Function (RBF) dengan parameter σ=2 dan C=10]]>
<![CDATA[Klasifikasi Berita Indonesia Menggunakan Metode Naive Bayesian Classification dan Support Vector Machine Dengan Confix Stripping Stemmer ]]>
<![CDATA[Dio Ariadi]]>;
<![CDATA[Kartika Fithriasari]]>
<![CDATA[ Jurnal Sains dan Seni ITS Vol 4, No 2 (2015) ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (531.059 KB)
|
DOI: 10.12962/j23373520.v4i2.10966
<![CDATA[Jumlah aliran artikel berita yang diunggah di internet sangat banyak dan rentang waktu yang cepat. Jumlah yang banyak dan waktu yang cepat akan menyulitkan editor mengkategorikan secara manual. Terdapat metode agar berita dapat dikategorikan secara otomatis, yaitu klasifikasi. Data berita berbentuk teks, sehingga jauh lebih rumit dan perlu proses untuk mempersiapkan data. Salah satu prosesnya adalah confix-stripping stemmer sebagai cara untuk mendapatkan kata dasar dari berita Indonesia. Untuk metode klasifikasi yang digunakan adalah Naive Bayes Classifier (NBC) yang secara umum sering digunakan dalam data teks dan Support Vector Machine (SVM) yang diketahui bekerja sangat baik pada data dengan dimensi besar. Kedua metode tersebut akan dibandingkan untuk mengetahui hasil klasifikasi yang paling baik. Hasil penelitian menunjukkan bahwa SVM kernel Linier dan kernel RBF menghasilkan ketepatan klasifikasi yang sama dan bila dibandingkan dengan NBC maka SVM lebih baik.]]>
<![CDATA[Aplikasi Text Mining untuk Automasi Klasifikasi Artikel dalam Majalah Online Wanita Menggunakan Naïve Bayes Classifier (NBC) dan Artificial Neural Network (ANN) ]]>
<![CDATA[T. Dwi Ary Widhianingsih]]>;
<![CDATA[Kartika Fithriasari]]>
<![CDATA[ Jurnal Sains dan Seni ITS Vol 5, No 1 (2016) ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.12962/j23373520.v5i1.14701
<![CDATA[Informasi merupakan hal yang sangat penting dalam kehidupan bermasyarakat. Salah satu sumber informasi adalah artikel wanita online. Banyaknya kategori artikel dalam sebuah website, dapat membuat kinerja editor semakin banyak karena editor harus mengategorikan artikel satu persatu secara manual ke dalam beberapa kategori yang ditentukan. Oleh karena itu, dilakukan kajian untuk proses klasifikasi artikel yang dapat berjalan secara otomatis, yaitu dengan text mining. Artikel yang digunakan ada sebanyak 700 artikel yang diambil dari www.tabloidnova.com. Metode yang digunakan adalah Naïve Bayes Classifier (NBC) dan Artificial Neural Network (ANN). Sebagai perbandingan metode non parametrik tersebut, dilakukan pula analisis menggunakan Regresi Logistik Multinomial. Tingkat akurasi model NBC adalah sebesar 80,71%, model ANN adalah sebesar 75%, dan Reresi Logistik Multinomial adalah sebesar 57,86%. Dengan demikian, dapat dinyatakan bahwa NBC memiliki performansi yang paling baik untuk proses klasifikasi artikel wanita.]]>
<![CDATA[Peramalan Curah Hujan di Wilayah Surabaya Timur dengan Vector Autoregressive Neural Network ]]>
<![CDATA[Febrian Kristianda]]>;
<![CDATA[Kartika Fithriasari]]>
<![CDATA[ Jurnal Sains dan Seni ITS Vol 5, No 2 (2016) ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (690.019 KB)
|
DOI: 10.12962/j23373520.v5i2.16535
<![CDATA[Hujan merupakan suatu peristiwa alam yang terjadi di setiap wilayah. Intensitas hujan di beberapa wilayah yang saling berdekatan mengindikasi ada pola curah hujan yang sama setiap tahunnya. Pemodelan time series dengan menggunakan lebih dari satu variabel dapat dipergunakan jika melihat hubungan pola curah hujan tersebut. Tetapi seringkali data curah hujan mengandung pola-pola non linier, sehingga diperlukan metode non lini-er untuk mengantisipasinya. Sehingga dalam penelitian ini digunakan pemodelan VAR-NN yang merupakan gabu-ngan antara metode pemodelan time series linier dan non linier untuk kasus curah hujan di dua kelurahan yang be-rada di wilayah Surabaya Timur. Berdasarkan hasil anali-sis yang diperoleh diketahui untuk model VAR terbaik yaitu VARIMA (5,1,0) (0,1,0)36, sedangkan untuk pemode-lan VAR-NN yang terbaik adalah arsitektur jaringan dengan jumlah neuron pada input layer sebanyak 8, 2 neuron pada hidden layer, dan pada lapisan output seba-nyak 2 neuron]]>
<![CDATA[Pemodelan Faktor- Faktor yang Memengaruhi Kematian Ibu di Kota Surabaya Berdasarkan Antenatal Care Menggunakan Regresi Binomial Negatif ]]>
<![CDATA[Novarani Putri Saraswati]]>;
<![CDATA[Dwiatmono Agus Widodo]]>;
<![CDATA[Kartika Fithriasari]]>
<![CDATA[ Jurnal Sains dan Seni ITS Vol 5, No 2 (2016) ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (740.481 KB)
|
DOI: 10.12962/j23373520.v5i2.16577
<![CDATA[Data dari Dinas Kesehatan Provinsi Jawa Timur tahun 2014 menunjukkan bahwa Kota Surabaya merupakan daerah dengan kasus kematian ibu tertinggi di Jawa Timur tahun 2014 yaitu sebanyak 39 kasus. Data penelitian ini merupakan data count yang diperoleh dari Dinas Kesehatan Kota Surabaya. Pola persebaran data jumlah kasus kematian ibu di Kota Surabaya mengikuti distribusi Poisson dengan mean sebesar 1,258. Pemodelan pada data count yang berdistribusi Poisson sering menggunakan metode regresi Poisson dengan asumsi equidispersion yakni kesamaan mean dan variansi. Akan tetapi dalam penelitian ini dilakukan pemodelan menggunakan regresi Binomial Negatif untuk menganalisis faktor- faktor yang memengaruhi kematian ibu karena terjadi kasus overdispersion yakni nilai varians lebih besar daripada mean. Hasil penelitian diperoleh bahwa terdapat dua variabel yang signifikan yaitu presentase cakupan TT5 dan penanganan komplikasi obstetri. Selanjutnya pemodelan dari kedua variabel yang signifikan tersebut diperoleh nilai AIC sebesar 96,488. Tambaksari merupakan kecamatan yang memiliki jumlah kasus kematian ibu tertinggi di Kota Surabaya tahun 2014.]]>
<![CDATA[Klasifikasi Berita Online Menggunakan Metode Support Vector Machine dan K-Nearest Neighbor ]]>
<![CDATA[Siti Nur Asiyah]]>;
<![CDATA[Kartika Fithriasari]]>
<![CDATA[ Jurnal Sains dan Seni ITS Vol 5, No 2 (2016) ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (707.727 KB)
|
DOI: 10.12962/j23373520.v5i2.16643
<![CDATA[Teknologi informasi merupakan salah satu hal yang tidak akan lepas dari kehidupan manusia. Tanpa adanya teknologi, manusia akan kesulitan dalam berkomunikasi dan menyampaikan informasi. Perlu adanya sistem yang secara otomatis yang dapat mengelompokkan berita sesuai dengan kategori berita dengan menggunakan text mining. Dalam penelitian ini, metode yang digunakan dalam klasifikasi adalah SVM dan KNN. KNN memiliki kelebihan dalam hal data training yang cukup banyak. Sebagai komparasi, dalam penelitian ini juga menggunakan SVM karena metode ini merupakan salah satu metode yang banyak digunakan untuk klasifikasi data, khususnya data teks. Kedua metode ini akan dibandingkan untuk mengetahui hasil ketepatan klasifikasi yang paling baik. Hasil dari penelitian ini bahwa SVM kernel linier dan kernel polynomial menghasilkan ketepatan klasifikasi yang paling baik adalah kernel polynomial. Apabila dibandingklan dengan KNN maka SVM lebih baik daripada KNN dengan hasil nilai akurasi, recall, precision dan F-Measure sebesar 93.2%, 93.2%, 93.63% dan 93.14%.]]>
