Garuda - Garba Rujukan Digital

Penerapan Algoritma Jaringan Syaraf Tiruan Backpropagation Untuk Prediksi Jumlah Jamaah Pendaftar Haji Provinsi Riau Elvia Budianita; Ihlal Hanafi Harahap; Iis Afrianty
Seminar Nasional Teknologi Informasi Komunikasi dan Industri 2021: SNTIKI 13
Publisher : UIN Sultan Syarif Kasim Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar

Indonesia merupakan negara yang berpenduduk mayoritas muslim terbanyak dan terbesar di Asia Tenggara, dari jumlah total penduduk Indonesia tersebut 229 juta jiwa atau sekitar 87,2 % yang menganut agama Islam. kantor wilayah kementerian agama Provinsi Riau ini memiliki bidang penyelenggaraan haji dan umrah yang mempunyai tugas sebagai pelaksana dan pemberi layanan ibadah haji terhadap masyarakat yang meliputi pelayanan teknis. Di daerah Riau setiap bulannya jumlah pendaftar haji mengalami kenaikan dan penurunan yang signifikan. Penelitian ini bertujuan untuk melakukan prediksi terhadap jumlah jamaah pendaftar haji provinsi Riau. Data yang digunakan yaitu data primer yang di kumpulkan dan diolah dari Kantor Wilayah Kementerian agama Provinsi Riau. Data yang digunakan yaitu jumlah jamaah pendaftar haji perbulan dari tahun 2008 sampai dengan tahun 2021. Data tersebut akan di olah menggunakan metode backpropagation. Metode backpropagation adalah metode sistematika yang di pergunakan untuk melakukan peramalan atau prediksi tentang karakteristik atau kuantitas. Dari penelitian yang telah dilakukan menghasilkan aplikasi untuk memprediksi jumlah Jamaah pendaftar haji provinsi Riau dengan menggunakan time series data dan metode backpropagation. Hasil dari penelitian ini dengan learning rate 0.9, maks epoch 600 dengan arsitektur jaringan syaraf tiruan 12-12-1 dan pembagian data 90% : 10% menghasilkan akurasi MSE pengujian terkecil yaitu 0.03264. Hasil prediksi pada 3 bulan kedepan tahun 2021 terdapat beberapa kabupaten yang mengalami kenaikan jumlah pendaftar haji yang signifikan dan ada juga yang tidak mengalami kenaikan seperti pada bulan Agustus pada kabupaten siak. Sedangkan bulan agustus pada kabupaten kampar jumlah penumpang justru mengalami penurunan.Indonesia merupakan negara yang berpenduduk mayoritas muslim terbanyak dan terbesar di Asia Tenggara, dari jumlah total penduduk Indonesia tersebut 229 juta jiwa atau sekitar 87,2 % yang menganut agama Islam. kantor wilayah kementerian agama Provinsi Riau ini memiliki bidang penyelenggaraan haji dan umrah yang mempunyai tugas sebagai pelaksana dan pemberi layanan ibadah haji terhadap masyarakat yang meliputi pelayanan teknis. Di daerah Riau setiap bulannya jumlah pendaftar haji mengalami kenaikan dan penurunan yang signifikan. Penelitian ini bertujuan untuk melakukan prediksi terhadap jumlah jamaah pendaftar haji provinsi Riau. Data yang digunakan yaitu data primer yang di kumpulkan dan diolah dari Kantor Wilayah Kementerian agama Provinsi Riau. Data yang digunakan yaitu jumlah jamaah pendaftar haji perbulan dari tahun 2008 sampai dengan tahun 2021. Data tersebut akan di olah menggunakan metode backpropagation. Metode backpropagation adalah metode sistematika yang di pergunakan untuk melakukan peramalan atau prediksi tentang karakteristik atau kuantitas. Dari penelitian yang telah dilakukan menghasilkan aplikasi untuk memprediksi jumlah Jamaah pendaftar haji provinsi Riau dengan menggunakan time series data dan metode backpropagation. Hasil dari penelitian ini dengan learning rate 0.9, maks epoch 600 dengan arsitektur jaringan syaraf tiruan 12-12-1 dan pembagian data 90% : 10% menghasilkan akurasi MSE pengujian terkecil yaitu 0.03264. Hasil prediksi pada 3 bulan kedepan tahun 2021 terdapat beberapa kabupaten yang mengalami kenaikan jumlah pendaftar haji yang signifikan dan ada juga yang tidak mengalami kenaikan seperti pada bulan Agustus pada kabupaten siak. Sedangkan bulan agustus pada kabupaten kampar jumlah penumpang justru mengalami penurunan.

Optimasi Pada Radial Basis Function Menggunakan Tabu Search Untuk Menentukan Jenis Serangan Pada Jaringan Iwan Iskandar; Iis Afrianty; Elvia Budianita; suwanto sanjaya
Seminar Nasional Teknologi Informasi Komunikasi dan Industri 2018: SNTIKI 10
Publisher : UIN Sultan Syarif Kasim Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (515.372 KB)

Serangan jaringan komputer semakin berkembang dan rentan dalam pembobolan sehingga merugikan pengguna jaringan. Keamanan jaringan merupakan hal yang sangat penting dalam perkembangan teknologi informasi dan dapat menimbulkan banyak masalah yang cukup serius terhadap keamanan suatu sistem jaringan komputer. Namun dengan banyaknya jenis serangan dapat dicegah secara dini. Pada penelitian ini dibuat sebuah aplikasi yang dapat membantu dalam mengklasifikasi jenis serangan pada jaringan komputer. Aplikasi ini menerapkan metode Radial Basis Function (RBF) yang telah dioptimasi menggunakan algoritma Tabu Search. Algoritma Tabu Search digunakan sebagai perbaikan bobot awal pada metode RBF. Data yang digunakan sebanyak 1000 data dari data KDD CUP 1999. Terdapat lima kelas jenis serangan yaitu normal, DoS, U2R, U2L dan probes. Pada pengujian data dibagi menjadi data latih 70%, 80%, 90% dan data uji 30%, 20%, 10%. Nilai spread yang digunakan bervariasi, diantaranya yaitu 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0, 1.1, 1.2 dan menggunakan epoch 1000. Hasil dari penelitian ini diperoleh target akurasi tertinggi mencapai 99% pada spread 1.2. Kesimpulan akhir penelitian ini telah berhasil menerapkan metode radial basis function yang telah dioptimasi menggunakan algoritma tabu search.

Klasifikasi Diabetik Retinopati Menggunakan Wavelet Haar dan Backpropagation Neural Network Suwanto Sanjaya; Arif Mudi Priyatno; Febi Yanto; Iis Afrianty
Seminar Nasional Teknologi Informasi Komunikasi dan Industri 2018: SNTIKI 10
Publisher : UIN Sultan Syarif Kasim Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (702.251 KB)

Diabetik retinopati merupakan penyakit yang menyerang retina mata dan dapat menyebabkan kebutaan. Tingkat keparahan diabetik retinopati terbagi atas empat yaitu Normal, Diabetik Retinopati Non-proliferative (NPDR), Diabetik Retinopati Proliferative (PDR) dan Makula Endema (ME). Pada dasarnya diabetik retinopati dapat diamati menggunakan kamera fundus tetapi membutuhkan waktu yang cukup lama. Sehingga pada penelitian ini diterapkan ilmu pengolahan citra dan Jaringan Syaraf Tiruan sebagai cara lain untuk mengelompokkan penyakit diabetik retinopati. Wavelet Haar digunakan sebagai ekstraksi ciri citra retina mata dan Backpropagation Neural Network (BPNN) digunakan sebagai Metode klasifikasinya. Data yang digunakan bersumber dari messidor database. Jumlah data yang digunakan adalah sebanyak 612 citra (153 data setiap kelas). Berdasarkan hasil pengujian, akurasi tertinggi sebesar 56,25% dengan ukuran citra 2440 x 1448 piksel, haar level ke-4 serta persentase perbandingan data latih dan data uji 95%:5%, Learning rate 0,01. Berdasarkan hasil tersebut, algoritme wavelet haar kurang mampu mengenali ciri dari diabetik retinopati.

Text Classification System Based on Islamic Jurisprudence Using Multinomial Naïve Bayes Classifier Riyan Wibowo Saputra; Benny Sukma Negara; Rahmad Kurniawan; Muhammad Irsyad; Iis Afrianty; Fitra Lestari
Seminar Nasional Teknologi Informasi Komunikasi dan Industri 2021: SNTIKI 13
Publisher : UIN Sultan Syarif Kasim Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar

Indonesia merupakan negara dengan populasi umat muslim terbesar di dunia. Islam tidak hanya mengajarkan tentang ibadah tetapi juga masalah kehidupan seorang muslim yang diatur dalam hukum Islam (Fiqih). Ilmu hukum Islam dapat diketahui dengan cara belajar kepada seorang ulama bidang Fiqih atau membaca buku dari ulama tersebut. Namun, tidak semua orang dapat bertemu ulama dan dapat memahami isi buku dari ulama tersebut. Oleh karena itu, diperlukan sebuah sistem klasifikasi teks yang dapat digunakan umat untuk pertimbangan jawaban dari hukum Islam yang ditanyakan. Algoritme Multinomial Naïve Bayes dipilih sebagai metode untuk menyimpulkan jawaban hukum Islam karena ketepatannya sebagai mesin inferensi. Buku yang ditulis oleh pakar Fiqih Asia Tenggara yaitu Ustaz Abdul Somad yang berjudul “37 Masalah Popular, 77 Tanya Jawab Tentang Shalat dan 33 Tanya Jawab Seputar Kurban” telah digunakan sebagai basis pengetahuan dalam aplikasi berbasis web ini. Berdasarkan hasil pengujian yang dilakukan, didapatkan sistem klasifikasi teks hukum Islam ini menghasilkan akurasi sebesar 75%. Berdasarkan eksperimen dan pengujian tersebut, dapat disimpulkan bahwa sistem klasifikasi teks berdasarkan hukum Islam ini berpotensi digunakan sebagai pertimbangan dalam memahami ilmu Fiqih.

Performance Analysis of Support Vector Machine in Sex Classification of The Sacrum Bone in Forensic Anthropology Iis Afrianty; Dewi Nasien; Habibollah Haron
JURNAL TEKNIK INFORMATIKA Vol 15, No 1 (2022): JURNAL TEKNIK INFORMATIKA
Publisher : Department of Informatics, Universitas Islam Negeri Syarif Hidayatullah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15408/jti.v15i1.25254

Sex classification is part of forensic anthropological identification aimed at determining whether the skeleton belongs to a male or a female. This paper exhibits the performance of the Support Vector Machine (SVM) in classifying the sex of the sacrum in forensic anthropology. Bone data was measured by the metric method based on six variables, namely superior breadth, anterior length, mid ventral breadth, real height, diameter the base, and max-transverse diameter of the base. This study shows performance analysis of SVM using the library libSVM with linear, polynomial, and RBF kernel to observe the results of the comparison of the accuracy of the kernel used. According to the results of the trials, the best accuracy was attained in each kernel function, i.e., the RBF kernel is 83.33% with g = 1 and C = 1, the polynomial is 85.56% at γ = 2, C = 2 and d =1, and the linear kernel obtained best accuracy is 84.44 % with C = 2 and C = 3. In conformity with the experimental result, polynomial attained the highest accuracy of 85.56% at γ = 2, C = 2, and d =1.

Peringkasan Teks Otomatis Artikel Berbahasa Indonesia Menggunakan Algoritma Textrank Faizah Husniah; Surya Agustian; Iis Afrianty
Prosiding Seminar Nasional Teknoka Vol 7 (2022): Proceeding of TEKNOKA National Seminar - 7
Publisher : Fakultas Teknik, Universitas Muhammadiyah Prof. Dr. Hamka, Jakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar

Banyaknya informasi yang terdapat pada media online salah satunya adalah artikel. Artikel pada umumnya berisikan kumpulan kalimat yang panjang sehingga pembaca membutuhkan waktu yang lebih banyak untuk memperoleh intisari dari artikel. Sistem peringkasan teks otomatis membantu pengguna mengetahui isi artikel tanpa harus membaca keseluruhan dokumen, sehingga dapat menghemat waktu. Penelitian ini menyelidiki algoritma textrank untuk peringkasan dokumen. Algoritma textrank akan menghitung skor dari setiap kalimat, kemudian memilih sejumlah kalimat sebagai ringkasan. ROUGE scoring digunakan untuk menghitung performa sistem berdasarkan ringkasan manual yang dibuat oleh manusia (human annotator) sebagai gold standard. Hasil pengujian dengan compression rate 50% pada pilihan ranking kalimat yang terpilih sebagai ringkasan, menghasilkan nilai pada ROUGE-1, ROUGE-2 dan ROUGE-L secara berturut-turut adalah 68.76%, 60.60%, dan 68.29%. Sedangkan untuk compression rate 30%, rata-rata pada ROUGE-1, ROUGE2 dan ROUGE-L berturut-turut adalah 45.00%, 31.62%, dan 43.59%. Hasil ini sangat kompetitif dibandingkan dengan score pada penelitian tentang sistem peringkasan dokumen lainnya.

Penerapan Algoritma K-Medoids Clustering untuk Mengetahui Pola Penerima Beasiswa Bank Indonesia Provinsi Riau Mentari Aulia Putri; Alwis Nazir; Lestari Handayani; Iis Afrianty
JUKI : Jurnal Komputer dan Informatika Vol. 5 No. 1 (2023): JUKI : Jurnal Komputer dan Informatika, Edisi Mei 2023
Publisher : Yayasan Kita Menulis

Show Abstract | Download Original | Original Source | Check in Google Scholar

Beasiswa Bank Indonesia merupakan bentuk dukungan finansial yang diberikan Bank Indonesia untuk para mahasiswa di Perguruan Tinggi Negeri dan Swasta terpilih. Melihat data penerima yang diperoleh sejak tiga tahun terakhir yakni 2020, 2021 dan 2022, perlu dilakukan pencarian pola karakteristik penerima beasiswa Bank Indonesia dikarenakan pihak Bank Indonesia belum memiliki pola. Metode yang digunakan dalam penelitian ini adalah metode data mining yang menggunakan algoritma K-Medoids dan aplikasi rapidminer. Data diperoleh bersumber dari Humas Bank Indonesia berupa data penerima beasiswa tahun 2020,2021, dan 2022. Variabel yang digunakan dalam penelitian ini yaitu IPK, Program Studi, dan Semester. Hasil dari penelitian ini yaitu pada Sekolah Tinggi Teknologi Dumai penerima beasiswa didominasi oleh mahasiswa Teknik Informatika. Pada UIN Suska Riau, penerima beasiswa didominasi oleh mahasiswa program studi Ilmu Komunikasi dan Fakultas Pertanian Peternakan semester 7. Pada Universitas Riau penerima beasiswa didominasi oleh mahasiswa dari Fakultas Ilmu Sosial dan Politik, Fakultas Ekonomi dan bisnis, program studi Pendidikan Ekonomi, Program Studi Ilmu Hukum semester 7. Pada Universitas Lancang Kuning didominasi oleh mahasiswa Fakultas Ekonomi dan Bisnis sesmeter 7. Pada Universitas Muhammadiyah Riau beasiswa ini didominasi oleh mahasiswa Program Studi Sistem Informasi semester 7. Kemudian juga dapat dilihat bahwa mahasiswa penerima beasiswa Bank Indonesia di tiap Universitas didominasi oleh mahasiswa yang memiliki IPK besar dari 3.5.

Penerapan Fuzzy Backpropagation Neural Network dalam Klasifikasi Penyakit Stroke Karina Julita; Iis Afrianty; Suwanto Sanjaya; Fadhilah Syafria
Jurnal Informatika Universitas Pamulang Vol 8, No 2 (2023): JURNAL INFORMATIKA UNIVERSITAS PAMULANG
Publisher : Teknik Informatika Universitas Pamulang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32493/informatika.v8i2.31351

Stroke adalah penyakit cerebrovaskuler yang ditandai dengan gejala neurologis tiba-tiba akibat cedera vaskular akut pada otak. Menurut WHO pada tahun 2019, stroke penyebab utama kematian dan kecacatan kedua di dunia, dengan prevalensi global 101,5 juta orang. Diagnosis medis penting dalam penanganan stroke, namun biaya yang tinggi sering menjadi kendala bagi masyarakat. Penelitian ini bertujuan untuk mengembangkan metode Fuzzy Backpropagation Neural Network dalam klasifikasi stroke dengan menggunakan data sekunder dari platform Kaggle yang berjumlah 4981 data. Analisis data melibatkan sepuluh variabel relevan dalam klasifikasi stroke diantaranya variabel seperti jenis kelamin, umur, hipertensi, riwayat penyakit jantung, indeks massa tubuh, nilai kadar gula dalam darah, status pernikahan, status merokok, tipe pekerjaan dan lingkungan tempat tinggal. Pada penelitian ini, pengujian yang dilakukan dibagi menjadi tiga skenario diantaranya, skenario 1 dengan α = 0,1, skenario 2 dengan α = 0,01 dan skenario 3 dengan α = 0,001 pada epoch 10, 1000 dan 100000. Hasil pengujian menunjukkan akurasi tertinggi dengan menggunakan pola jaringan 10-4-1 pada pembagian data latih dan data uji 70%:30% dengan α = 0.01 dan epoch 100000 menghasilkan tingkat akurasi sebesar 86,52%, presisi 0,87, recall 0,87 dan f-1 score 0,87. Berdasarkan hasil pengujian tersebut, FBPNN dinilai mampu dalam mengklasifikasi stroke dengan kinerja yang baik.

Klasifikasi Penyakit Stroke Jaringan Syaraf Tiruan Menerapkan Metode Learning Vector Quantization Puspa Melani Almahmuda; Iis Afrianty; Suwanto Sanjaya; Fadhilah Syafria
Jurnal Informatika Universitas Pamulang Vol 8, No 2 (2023): JURNAL INFORMATIKA UNIVERSITAS PAMULANG
Publisher : Teknik Informatika Universitas Pamulang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32493/informatika.v8i2.31359

Penyakit Stroke ialah salah satu penyebab kematian paling umum dan sering terjadi didunia termasuk Asia setelah penyakit jantung koroner dan kanker. Pemecahan masalah dengan melakukan klasifikasi penyakit stroke menggunakan metode Learning Vector Quantization (LVQ) dengan mengklasifikasikan data stroke dan tidak stroke (normal) berdasarkan gejala penyakit. Adapun dataset diperoleh dari situs Kaggle berjumlah 4981 data yang memiliki 10 variabel diantaranya jenis kelamin, usia, status pernikahan, hipertensi, penyakit jantung, tipe kerja, tipe tempat tinggal, tingkat avg glukosa, BMI (indeks massa tubuh), dan smoking status. Data tersebut dilakukan klasifikasi LVQ dengan membagi data yaitu 90:10, 80:20, 70:30 dan 60:40 dan parameter learning rate = 0,01 dan 0,001 serta epoch 1000. Dari proses klasifikasi tersebut maka didapatkan hasil akurasi tertinggi 70% dengan presisi 0,72 recall 0,70 dan f1 score 0,69, diperoleh dengan membagi data 90% : 10%. Berdasarkan hasil tersebut, metode LVQ pada penelitian ini mampu melakukan klasifikasi penyakit stroke dengan cukup baik.

Implementasi Algoritma C4.5 dalam Melakukan Klasifikasi Penyakit Stroke Otak Felian Nabila; Iis Afrianty; Suwanto Sanjaya; Fadhilah Syafria
Jurnal Informatika Universitas Pamulang Vol 8, No 2 (2023): JURNAL INFORMATIKA UNIVERSITAS PAMULANG
Publisher : Teknik Informatika Universitas Pamulang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32493/informatika.v8i2.31361

Stroke merupakan gangguan kesehatan dalam jangka panjang dan menjadi salah satu penyakit dengan resiko kematian paling tinggi. Penanganan stroke dengan cepat menyebabkan tingkat kemunculan komplikasi dan kerusakan yang terjadi pada otak berkurang. Oleh karena itu perlunya melakukan analisa diri pada orang yang bersangkutan apakah orang tersebut mengalami penyakit stroke atau tidak. Penelitian ini melakukan klasifikasi algoritma C4.5 penyakit brain stroke guna menganalisa data terkait penyebab stroke dengan model decision tree dan membagi dataset menjadi 3 yakni train set, validation set, test set dengan perbandingan 70:20:10, kemudian didapatkanlah hasil dengan akurasi yang tinggi sebesar 95% disetiap data train set, validation set, test set. Serta presisi sebesar 0,91, recall sebesar 0,54, f1-score sebesar 0,56 untuk data train set, kemudian presisi sebesar 0,48, recall sebesar 0,50, f1-score sebesar 0,49 untuk validation set, dan presisi sebesar 0,48, recall sebesar 0,50, f1-score sebesar 0,49 untuk test set. Dapat Disimpulkan bahwa algoritma C4.5 decision tree ini dapat melakukan klasifikasi penyakit stroke dengan sangat baik.

Title

Found 10 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 10 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 10 Documents
Search