Articles
<![CDATA[Sistem Pendukung Keputusan untuk Menentukan Lahan Budidaya Tanaman Obat Keluarga (TOGA) menggunakan Metode Fuzzy-Gap Kompetensi ]]>
<![CDATA[Yusuf Fadlila Rachman]]>;
<![CDATA[Akhmad Syarif]]>;
<![CDATA[Kusrini]]>
<![CDATA[ Journal of Information Technology Vol 1 No 1 (2021): Journal of Information Technology ]]>
Publisher : <![CDATA[Institut Shanti Bhuana ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.46229/jifotech.v1i1.199
<![CDATA[TOGA or family medicinal plants is one of the plants that can generate personal benefits and mutual benefits. Determination of land is generally necessary because it can help users to be able to plant crops suitable for their land so that they can avoid losses. The purpose of this research is to build a decision support system to assist cultivators in determining the best land for cultivating TOGA. In this study, 5 types of medicinal plants were used, namely ginger, cardamom, turmeric, ginger, and kencur. The criteria used in this study, namely land distance, land conditions, and climatic conditions. The method used in this research is the competency fuzzy-gap. Each criterion chosen by the user will be converted into a fuzzy value, namely 0-1 by using an upward linear function for the benefit criteria and a downward linear function for the cost criterion. The fuzzy values that have been obtained are used in calculations using the competency gap. The test results on manual calculations and in the program obtained the same results as the output of Land 1 is the best land with a value of 7.39625.]]>
<![CDATA[Deteksi Otomatis Jerawat Wajah Menggunakan Metode Convolutional Neural Network (CNN) ]]>
<![CDATA[Fajar Sudana Putra]]>;
<![CDATA[Kusrini]]>;
<![CDATA[Mei P Kurniawan]]>
<![CDATA[ Journal of Information Technology Vol 1 No 2 (2021): Journal of Information Technology ]]>
Publisher : <![CDATA[Institut Shanti Bhuana ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.46229/jifotech.v1i2.308
<![CDATA[The development of cosmetology in the world lately is growing rapidly. These developments are balanced by the emergence of cosmetics and skin care from various brands, but not a few negative effects from use, one of which is acne. Acne is one of the problems on the skin, especially the face that arises physiologically because almost everyone has experienced it (Wasitaatmadja, 2010). Acne consists of various types, namely blackheads, whiteheads, papules and cysts (Bhate, K. & Williams, 2013). Not a few people who want to remove and be free from acne. The current technological developments in the field of image processing in recent years with the application of convolutional neural networks have shown significant performance by having a high level of accuracy, for example object detection which recently had image restoration. Therefore, technological developments to facilitate the treatment of acne are urgently needed by medical personnel, especially dermatologists. This research focuses on developing the accuracy of the method using the hough circle transform & Convolutional Neural Network (CNN) method. This study proves the increase in accuracy and accuracy of the object of acne detection using the Convolutional Neural Network (CNN) method. The results of the learning process obtained a CNN model with an accuracy of 99.8% to 100%, so it can be concluded that the CNN method designed in this study can classify images well.]]>
<![CDATA[Analisis Perbandingan Algoritma ID3 dan KNN Pada Klasifikasi Emosi Teks Berita Berbahasa Indonesia ]]>
<![CDATA[Pramudya Insan]]>;
<![CDATA[Kusrini]]>
<![CDATA[ METIK JURNAL Vol 5 No 1 (2021): METIK Jurnal ]]>
Publisher : <![CDATA[LP3M Universitas Mulia ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.47002/metik.v5i1.213
<![CDATA[Penggunaan algoritma pada pembuktian proses klasifikasi berbasis teks atau text mining sangat jarang dilakukan perbandingan khususnya untuk sebuah klasifikasi emosi. Banyak yang melakukan penelitian dalam klasifikasi tanpa unsur perbandingan didalamnya serta tidak terdapat penggunaan sistem yang dibangun secara mandiri. Pada penelitian ini perbandingan dilakukan untuk mengukur kemampuan algoritma dalam perolehan tingkat akurasi pada proses klasifikasi menggunana ID3 dan KNN. Data yang digunakan sebanyak 220 data berbasis teks berita yang diambil pada sistus warta media online yaitu viva.co.id, proses pelatihan data dilakukan dengan perbedaan proses pembobotan pada masing-masing algoritma yaitu dengan term weighting tf-idf untuk ID3 sedangkan KNN dengan similarity dan vector space model. Klasifikasi yang dilakukan untuk memperoleh data berkategori emosi dengan hasil akurasi yang didapatkan dari klasifikasi testing dengan data perbandingan yang beragam didapatkan akurasi paling tinggi yaitu 71.25 yaitu dengan perbandingan data latih dengan data uji 75%- 25%. Demikian penggunaan algoritma ID3 lebih baik dalam pengklasifikasian emosi berbahasa Indonesia dimana sebuah metode yang sangat efisien dalam pengelompokkan data berdasarkan kategori baik secara manual ataupun sistem.]]>
<![CDATA[Penerapan Metode Analytical Hierarchy Process (AHP) Dalam Sistem Pendukung Keputusan Penilaian Kinerja Guru ]]>
<![CDATA[M.Andi Rohmat]]>;
<![CDATA[Kusrini]]>
<![CDATA[ METIK JURNAL Vol 5 No 1 (2021): METIK Jurnal ]]>
Publisher : <![CDATA[LP3M Universitas Mulia ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.47002/metik.v5i1.217
<![CDATA[Sistem penilaian kinerja guru di SMK Airlangga Balikpapan dilakukan sebagai formalitas namun tidak ada suatu usaha perbaikan apapun dari pihak sekolah. Sehingga dibutuhkan suatu rancangan sistem penilaian kinerja yang dapat memotivasi kinerja guru SMK Airlangga Balikpapan. Untuk itu dirancang sistem penilaian kinerja guru berbasis kompetensi, khususnya Kompetensi Standar Kualifikasi Akademik dan Kompetensi Guru yang dipadukan dengan Kompetensi Gomes. Tahap awal dilakukan perhitungan bobot pada tiap kompetensi menggunakan kuesioner pembanding berpasangan yakni dengan metode AHP. Selanjutnya dilakukan penilaian dengan menggunakan kuesioner menggunakan metode penilaian Rating Scale. Hasil dari penilaian tersebut diolah sehingga didapat prestasi kerja dari masing-masing guru. Adapun dalam penelitian ini menggunakan 4 kriteria dan 8 sub kriteria. Dalam penelitian ini alat bantu pembuatan aplikasinya menggunakan bahasa pemrograman PHP, sedangkan basisdata nya menggunakan MySQL. Hasil akhir dari penelitian ini didapatkan bahwa sistem pendukung keputusan dengan metode AHP mampu mengatasi permasalahan dalam melakukan penilaian kinerja guru di SMK Airlangga Balikpapan.]]>
<![CDATA[KOMPARASI HASIL ENKRIPSI ARNOLD CAT MAP DAN LOGISTIC MAP PADA CITRA DIGITAL ]]>
<![CDATA[Iqbal]]>;
<![CDATA[Kusrini]]>;
<![CDATA[Asro Nasiri]]>
<![CDATA[ Jurnal Ilmiah Teknologi Informasi Vol 10 No 2 (2020): Edisi Juli 2020 ]]>
Publisher : <![CDATA[Universitas Cokroaminoto Palopo Fakultas Teknik Komputer ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (901.014 KB)
<![CDATA[File dalam bentuk citra digital sangat banyak digunakan di berbagai bidang. Banyak gambar bersifat rahasia dan perlu diamankan dari orang yang tidak berwenang. Pencurian atau penyalahgunaan gambar dapat berdampak buruk pada pemilik gambar. Ada banyak teknik untuk mengamankan data dalam bentuk gambar digital, salah satunya adalah teknik kriptografi. Arnold Cat Map (ACM) dan Logistic Map adalah teknik kriptografi yang banyak digunakan untuk mengamankan gambar dengan mengenkripsi gambar digital yang sulit dikenali, kedua teknik ini diklasifikasikan sebagai Chaotic Maps yang merupakan teknik pengacakan. ACM melakukan pengacakan dengan memutar gambar terus menerus sehingga menjadi bentuk acak, sedangkan Logistic Map memiliki sensitivitas yang baik dalam mengenkripsi gambar. Dalam penelitian ini akan membandingkan hasil enkripsi gambar dari dua algoritma enkripsi dengan membandingkan histogram, Number of Pixel Change Rate (NPCR), Unified Average Changing Intensity (UACI), & koefisien korelasi dari hasil enkripsi dengan gambar asli. Hasil dari pengujian algoritma ACM dan Logistic Map menunjukkan nilai NPCR diatas 90%, nilai UACI diatas 30%, dan koefisien korelasi yang jauh dari angka 1 sehingga pixel pixel didalamnya tidak lagi berkorelasi. Hasil analisis histogram dari algoritma ACM cenderung mirip dari histogram citra asli, sedangkan histogram logistic map terlihat berbeda dengan histogram citra asli serta secara statistik memiliki distribusi yang lebih seragam.]]>
<![CDATA[PREDIKSI JUMLAH KEJADIAN TITIK PANAS PADA LAHAN GAMBUT DI INDONESIA MENGGUNAKAN PROPHET ]]>
<![CDATA[Hafidz Sanjaya]]>;
<![CDATA[Angga Kurniawan]]>;
<![CDATA[Ibnu Ickwantoro]]>;
<![CDATA[Abdul Ra'uf Alfansani]]>;
<![CDATA[Kusrini]]>;
<![CDATA[Dina Maulina]]>
<![CDATA[ INFOTECH journal Vol. 9 No. 2 (2023) ]]>
Publisher : <![CDATA[Universitas Majalengka ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.31949/infotech.v9i2.6073
<![CDATA[Indonesia merupakan salah satu negara dengan kawasan gambut terluas di dunia yang menyumbang setidaknya 47% dari luas gambut tropis dunia dan menjadi pemilik lahan gambut terbesar di Asia Tenggara. Lahan gambut di Indonesia diperkirakan memiliki luas 20,6 juta atau 10,8% dari luas daratan Indonesia dan banyak memberikan manfaat. Kebakaran lahan gambut menyebabkan deforestasi dan degradasi. Upaya pencegahan yang bisa dilakukan adalah memprediksi jumlah kejadian titik panas yang muncul pada lahan gambut di Indonesia. Data yang digunakan untuk prediksi adalah berupa data deret waktu kemunculan titik panas mulai dari tahun 2019 sampai dengan 2022 pada satelit Terra dan Aqua yang dimiliki NASA pada instrumen MODIS. Data yang diperoleh diproses menjadi jumlah kejadian titik panas per tanggal kejadian yang tercatat untuk selanjutnya dianalisa menggunakan model Prophet. Hasil pengujian menunjukkan bahwa model Prophet mampu melakukan prediksi jumlah kejadian titik panas dengan membaca tren, pola tahunan dan mingguan memberikan nilai RMSE sebesar 28.327.]]>
<![CDATA[Penggunaan Variabel Event dan Libur Sekolah Dalam Memprediksi Wisatawan Dengan Metode LSTM ]]>
<![CDATA[Candra Rusmana]]>;
<![CDATA[Kusrini]]>;
<![CDATA[Kusnawi]]>
<![CDATA[ JURNAL FASILKOM Vol 13 No 02 (2023): Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer) ]]>
Publisher : <![CDATA[Unversitas Muhammadiyah Riau ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.37859/jf.v13i02.4974
<![CDATA[Event yang diadakan diberbagai daerah menjadi daya tarik tersendiri bagi wisatawan untuk datang ketempat tersebut. Liburan musiman sekolah juga menjadi agenda tahunan keluarga untuk pergi ke tempat wisata. Naik turunnya jumlah wisatawan yang datang ke Provinsi NTB memberikan dampak kepada pemerintah daerah, masyarakat sekitar tempat wisata dan pelaku usaha bidang pariwisata. Tujuan penelitian ini untuk melakukan pengujian terhadap variabel event tahunan dan libur sekolah. Datasetyang digunakan didapatkan dari website publik Provinsi NTB yaitu data.ntbprov.go.id dataset tersebut berupa histori jumlah kunjungan wisatawan setiap bulan, dari website disbudpar.ntbprov.go.id didapatkan dataset event tahunan dan dari website kalender pendidikan.com didapat dataset kalender akademik untuk liburan sekolah, dataset yang diambil dari setiap sumber diambil mulai dari tahun 2017 sampai tahun 2022. Dari semua dataset yang didapat bisa dimanfaatkan dalam menggali informasi untuk melakukan prediksi. Dalam melakukan prediksi digunakan Algoritma LSTM dengan menggunakan variabel histori wisatwan, event dan libu sekolah. Penggunaan variabel histori, event dan liburan menghasilkan kinerja MAPE sebesar 20.8% dengan penggunaan data training dan data testing 90/10. Hasil kinerja dengan variabel histori dan liburan saja menghasilkan kinerja MAPE sebesar 38,6%. sedangkan hasil dengan variabel histori dan event saja menghasilkan kinerja MAPE sebesar 23,81%. Ini menunjukan bahwa variabel event dan kalender liburan bisa dengan baik digunakan dalam melakukan prediksi terhadap kedatangan wisatawan di waktu berikutnya. Penelitian ini memperkenalkan pendekatan baru dalam memprediksi jumlah wisatawan dengan menggunakan variabel event tahunan dan kalender libur sekolah dengan menggunakan algoritma LSTM sebagai alat prediksi yang lebih canggih, yang sebelumnya belum banyak dieksplorasi dalam konteks prediksi pariwisata di Provinsi NTB.]]>
<![CDATA[PERBANDINGAN KINERJA METODE NAÏVE BAYES DAN SUPPORT MACHINE (SVM) DALAM ANALISIS KUALITAS BUTIR SOAL ]]>
<![CDATA[Hidayatunnisa'i]]>;
<![CDATA[Kusrini]]>;
<![CDATA[Kusnawi]]>
<![CDATA[ JURNAL FASILKOM Vol 13 No 02 (2023): Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer) ]]>
Publisher : <![CDATA[Unversitas Muhammadiyah Riau ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.37859/jf.v13i02.5087
<![CDATA[Dalam melakukan analisis butir soal yang dilakukan proses pengumpulan, peringkas, dan penggunaan informasi dari jawaban siswa untuk membuat keputusan tentang setiap penilaian. Tujuan dari penilaian adalah untuk meningkatkan hasil belajar siswa serta memberikan informasi kepada siswa tentang kelebihan dan kekurangannya dalam mata pelajaran tertentu yang telah dipelajari. Oleh karena itu, dalam penelitian ini akan membahas tentang analisis perbandingan tingkat kinerja algoritma klasifikasi Naïve Bayes dan algoritma Support Vector Machine (SVM). Metode data mining untuk klasifikasi dapat digunakan untuk membantu meningkatkan kecepatan dan ketepatan dalam menganalisis butir soal sehingga akan didapatkan jenis soal yang diterima, direvisi, dan ditolak. Perbandingan kinerja algoritma Naive Bayes dan Support Vector Mahcine (SVM) bertujuan untuk mengukur tingkat akurasi dan lama waktu proses (execution time) dari masing-masing algoritma untuk mendapatkan algoritma terbaik yang akan diterapkan dalam membantu proses analisis butir soal. Data yang digunakan dalam penelitian sebanyak 50 dengan hasil jawaban siswa pada soal biologi dengan penggunaakn data training dan data testing 80:20. dengan menggunakan alat bantu bahasa pemrograman python, dapat disimpulkan bahwa algoritma Support Vector Machine (SVM) dengan K-fold Cross Validation sebesar 10 atau 10 kali tahap percobaan lebih unggul dibandingkan dengan Naïve Bayes.]]>
<![CDATA[Deteksi Plat Nomor Kendaraan Menggunakan Contour dan Adaptive Histogram Equalization ]]>
<![CDATA[Burhanudin Dwi Prakoso]]>;
<![CDATA[Kusrini]]>;
<![CDATA[Eko Pramono]]>
<![CDATA[ Jurnal Teknomatika Vol 12 No 1 (2019): TEKNOMATIKA ]]>
Publisher : <![CDATA[Fakultas Teknik dan Teknologi Informasi, Universitas Jenderal Achmad Yani Yogyakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Setiap plat kendaraan memiliki informasi yang berkaitan dengan kepemilikan dari suatu kendaraan. Ketika terjadi tindak kejahatan, pihak berwajib dapat mengidentifikasi kendaraan tersebut dari plat nomor kendaraan yang digunakan. Dengan mengidentifikasi plat nomor kendaraan, maka pihak berwajib dapat mengetahui informasi tentang pemilik dari kendaraan tersebut maupun informasi lainnya. Deteksi plat kendaraan merupakan langkah yang harus dilakukan sebelum karakter dari plat tersebut diidenfitikasi. Sehingga, pada penelitian ini akan menyajikan metode untuk mendeteksi plat nomor kendaraan roda dua. Penelitian ini akan membagi proses deteksi plat kendaraan menjadi dua jenis, yaitu pra-pemrosesan dan deteksi plat. Percobaan telah dilakukan dengan 42 citra di dalam ruangan, dan masing – masing citra memiliki jarak 0.5 meter dan 1.0 meter dari kamera ke kendaraan roda dua. Hasilnya tingkat keberhasilan mencapai 24% untuk jarak 0.5 meter dan 19% untuk jarak 1.0 meter.]]>
<![CDATA[KONSTRUKSI SKEMA BASIS DATA VIRTUAL BERBASIS VIEW SQL UNTUK MEMBANTU PROSES EKSTRAKSI ONTOLOGI ]]>
<![CDATA[Choerun Asnawi]]>;
<![CDATA[Kusrini]]>;
<![CDATA[Sudarmawan]]>
<![CDATA[ Jurnal Teknomatika Vol 11 No 2 (2019): TEKNOMATIKA ]]>
Publisher : <![CDATA[Fakultas Teknik dan Teknologi Informasi, Universitas Jenderal Achmad Yani Yogyakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Salah satu upaya untuk mewujudkan visi web semantik adalah terkait dengan penyediaan data yang dapat dimanfaatkan oleh teknologi terkait. Salah satu sumber data yang tersedia secara melimpah adalah basis data relasional. Berbagai upaya dilakukan agar dapat mengkonversi data tersebut menuju format yang dipahami oleh teknologi web semantik. Termasuk di dalamnya adalah untuk mempelajari makna yang terkandung di dalam data sumber lalu mengekstraknya dalam bentuk ontologi. Salah satu kendala yang muncul adalah bahwa basis data sumber tidaklah selalu sesuai dengan asumsi awal yang dipakai pada metode ekstraksi ontologi, sehingga hasilnya tak sesuai dengan harapan. Dalam penelitian ini, diusulkan suatu metode ekstraksi ontologi dari basis data relasional yang tidak mensyaratkan asumsi awal terhadap basis data sumbernya. Pada metode yang diusulkan ini, asumsi justru dibangun dan basis data sumber akan dibuat mengikuti asumsi tersebut, tanpa mengubah struktur yang sudah ada. Caranya adalah dengan mengkonstruksi skema virtual dari view-view khusus yang strukturnya dibuat menyesuaikan dengan asumsi yang ada. Selain itu, dengan metode ini maka view juga dapat dimanfaatkan untuk mengekspos semantik tersembunyi di dalam struktur basis data sumber. Metode yang diusulkan tersebut mampu menghasilkan output berupa ontologi yang lebih baik dibandingkan dengan metode sejenis lainnya. Selain itu, dengan metode ini juga dapat mengungkap semantik tersembunyi yang gagal diekstrak oleh metode lainnya, tanpa harus memakai bahasa pemetaan baru.]]>
