Article Per Year (5 Year)
p-Index From 2021 - 2026
3.128
P-Index
This Author published in this journals
All Journal Jurnal Sains dan Teknologi Jurnal Simetris JFA (Jurnal Fisika dan Aplikasinya) Khazanah Informatika: Jurnal Ilmu Komputer dan Informatika ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika Jurnal Teknologi dan Sistem Komputer JST ( Jurnal Sains Terapan ) MATRIK : Jurnal Manajemen, Teknik Informatika, dan Rekayasa Komputer RESISTOR (Elektronika Kendali Telekomunikasi Tenaga Listrik Komputer) Jurnal Nasional Teknologi Terapan Jurnal Listrik, Instrumentasi, dan Elektronika Terapan Journal of Internet and Software Engineering Physical Therapy Journal of Indonesia Emitor: Jurnal Teknik Elektro
Budi Sumanto
Unknown Affiliation
Agriculture, Biological Sciences & Forestry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Energy Engineering Health Professions Materials Science & Nanotechnology Mathematics Medicine & Pharmacology Neuroscience Nursing Physics Public Health Social Sciences Other

Published : 23 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 23 Documents
Search

 1   2   3 
Comparison of Random Forest Support Vector Machine and Passive Aggressive Models on E-nose-Based Aromatic Rice Classification Budi Sumanto; Salima Nurrahma
MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer Vol. 24 No. 3 (2025)
Publisher : Universitas Bumigora

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30812/matrik.v24i3.4291

Abstract

Accurate classification of aromatic rice types is crucial for maintaining quality and meeting consumer preferences. The purpose of this study is to classify MentikWangi, PandanWangi, and C4 rice based on their volatile content using e-nose. C4 rice, as a popular non-aromatic variety, was included as a comparison for sensor response analysis. The research method involved preprocessing the e-nose gas sensor readings, including feature extraction, baseline manipulation, and missing value checking, to ensure data quality. The classification was performed using Random Forest, Support Vector Machine, and Passive-Aggressive methods. The results showed that the Random Forest model achieved the highest accuracy of 97%, followed by the Support Vector Machine at 95% and Passive Aggressive at 90%. The model evaluation utilized a Confusion Matrix and Receiver Operating Characteristics, which confirmed that Random Forest was the best-performing model. This study concludes that e-nose-based classification effectively differentiates between aromatic rice types, providing significant potential for objective and efficient quality assessment and offering valuable insights for further research in areas such as food technology, agricultural science, and chemical analysis.
Seleksi Fitur Terhadap Performa Kinerja Sistem E-Nose untuk Klasifikasi Aroma Kopi Gayo Budi Sumanto; Denting Romantika Java; Wahyu Wijaya; Jans Hendry
MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer Vol. 21 No. 2 (2022)
Publisher : Universitas Bumigora

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30812/matrik.v21i2.1495

Abstract

Tujuan dari penelitian ini adalah mengoptimasi kinerja system E-Nose dengan melakukan seleksi fitur untuk memperoleh kombinasi fitur yang terbaik dalam mengklasifikasi aroma jenis kopi arabika Gayo. Kopi ini merupakan salah satu kopi spesial dari Indonesia yang berasal dari Provinsi Aceh. Berbagai faktor dapat mempengaruhi hasil akhir kopi salah satunya pada proses pengolahan pasca panen diantaranya teknik proses kering (drying) dengan metode Natural dan Wine. Perbedaan metode pengolahan pasca panen ini dapat mempengaruhi aroma kopi yang dihasilkan dari setiap kopi yang memiliki aroma dan cita rasa yang khas. Penerapan sistem Electronic Nose (E-Nose) dapat diaplikasikan untuk mengklasifikasi aroma yang berbeda dari jenis kopi Gayo natural dan Gayo wine, namun kesamaan respon sensor dan banyaknya data menyebabkan kurang spesifik dan menurunkan performa kinerja sistem. Implementasi seleksi fitur dapat diterapkan pada proses klasifikasi dengan menggunakan metode Support Vector Machine (SVM) berdasarkan jumlah galat Sum of Absolute Errors (SAE) untuk mendapatkan kombinasi fitur terbaik sehingga mendapatkan kinerja sistem yang lebih optimal. Hasil penelitian ini mendapatkan 5 fitur terbaik dengan nilai akurasi sebesar 93,33%, presisi sebesar 93,33% dan sensitivitas sebesar 93,33%.
Pengembangan Model Machine Learning untuk Deteksi Penyakit Diabetes Menggunakan Analisis Gini Importance Alfarisi, Muhammad Aulia; Sumanto, Budi; Rachmawan, I Putu Fadya
Journal of Internet and Software Engineering Vol 6 No 2 (2025): Journal of Internet and Software Engineering
Publisher : Department of Electrical Engineering and Informatics, Vocational College, Universitas Gadjah Mada

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22146/jise.v6i2.16551

Abstract

Diabetes mellitus adalah penyakit yang mengakibatkan kadar gula darah naik dan berpotensi menyebabkan komplikasi yang lebih serius. Skrining diabetes menjadi sangat penting agar tercegahnya terjadi masalah ini. Masalah tersebut dapat diatasi dengan perancangan sistem machine learning untuk memprediksi penyakit diabetes. Penelitian ini bertujuan untuk mengembangkan model klasifikasi machine learning untuk deteksi penyakit diabetes. Lima model klasifikasi seperti Random Forest, Support Vector Machine, Logistic Regression, Linear Discriminant Analysis, dan Artificial Neuron Network dibandingkan untuk menentukan model terbaik dalam memprediksi diabetes. Dataset yang digunakan diambil dari Kaggle dengan nama “Diabetes Prediction Dataset” sebanyak 100.000 data. Hasil Analisis kontribusi fitur menggunakan metode Gini Importance didapatkan hasil yaitu fitur blood_glucose, bmi, dan age merupakan fitur yang paling berkontribusi dalam memprediksi diabetes. Model dilatih menggunakan teknik hybrid resampling dan diuji menggunakan 10-fold cross validation serta pembagian data training (80%) dan data testing (20%). Hasil menunjukkan model Random Forest memiliki akurasi tertinggi sebesar 87%, diikuti oleh Support Vector Machine (86%), Artificial Neuron Network (83%), Logistic Regression (82%), dan Linear Discriminant Analysis (81%). Berdasarkan penelitian ini, model Random Forest dengan metode Gini Importance memberikan performa terbaik untuk deteksi dini diabetes.
Co-Authors Abelta Mika Setiarini Alfarisi, Muhammad Aulia Alfonzo Aruga Paripurna Barus Biring, Sajal Budianto, Hendi Chairadeya, Chairadeya Denting Romantika Java Farghani, Muhammad Agung Fiddariani, Agritian Sevty HENDRY, JANS Hendry, Jans Humaira, Shafura Idianingrum TW, Yessi Iman Sabarisman IRSYADI, FAKIH Jans Hendry Lestari Budiani, Ratna Lilik Dwi Setyana Liu, Shun-Wei Muhammad Arrofiq Muhammad Fakhrurrifqi Muhammad Fakhrurrifqi NATHASYA, IOTA NUGROHO, ADHITYA ALVIAN P, Matthew Sebastian Pramesti, Risma Diyah Prima Asmara Sejati Purnomo Aji, Alief Putri Mawaring Wening Rachmawan, I Putu Fadya Ramdani Febrian Rella Mareta Rendra Dwi Firmansyah Richie Estrada Rifai, Isnan Nur Ruciyanti, Febrian Salima Nurrahma Santoso, Ardhi Wicaksono Savitri Citra Budi Setiarini, Abelta Mika Siti Alimah Wahyu Sabani Wahyu Wijaya Wijaya, Wahyu Wijayakusuma, Nurul Izzah Yoga Mileniandi