Article Per Year (5 Year)
p-Index From 2021 - 2026
5.521
P-Index
This Author published in this journals
All Journal TEKNIK INFORMATIKA ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika Proceeding of the Electrical Engineering Computer Science and Informatics JOIN (Jurnal Online Informatika) Jurnal Teknik Komputer AMIK BSI JOURNAL OF APPLIED INFORMATICS AND COMPUTING JURNAL TEKNIK INFORMATIKA DAN SISTEM INFORMASI Jurnal Teknoinfo JUMANJI (Jurnal Masyarakat Informatika Unjani) MIND (Multimedia Artificial Intelligent Networking Database) Journal Jurnal ICT : Information Communication & Technology Building of Informatics, Technology and Science Technologia: Jurnal Ilmiah Jurnal Informatika dan Rekayasa Elektronik Innovation in Research of Informatics (INNOVATICS) Jurnal Teknik Informatika (JUTIF) Informatics and Digital Expert (INDEX) Journal of Informatics and Communication Technology (JICT) Jurnal Informatika Teknologi dan Sains (Jinteks) Jurnal Algoritma Industrial Research Workshop and National Seminar SisInfo : Jurnal Sistem Informasi dan Informatika IJESPG (International Journal of Engineering, Economic, Social Politic and Government) journal Riwayat: Educational Journal of History and Humanities Journal of Informatics and Communication Technology (JICT) Jurnal Komputasi
Kasyidi, Fatan
Program Studi Teknik Informatika, Universitas Jenderal Achmad Yani, Cimahi
Humanities Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Law, Crime, Criminology & Criminal Justice Mathematics Mechanical Engineering Social Sciences Other

Published : 44 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 5 Documents
Search
Journal : mind multimedia artificial intelligent networking database journal

 1 
Peningkatan Kemampuan Pengenalan Emosi Melalui Suara dalam Bahasa Indonesia FATAN KASYIDI; RIDWAN ILYAS; NIDA MUTHI ANNISA
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 6, No 2 (2021): MIND Journal
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v6i2.194-204

Abstract

AbstrakInteraksi manusia dengan komputer merupakan fenomena yang terus berkembang diikuti oleh meningkatnya penggunaan komputer yang sering digunakan dalam ranah sosial manusia. Manusia saling berinteraksi dengan melibatkan emosi untuk memahami seseorang. Emosi manusia seringkali terwakili melalui cara berbicara. Penelitian tentang pengenalan emosi melalui suara telah banyak dilakukan, namun terdapat upaya peningkatan pengenalan emosi melalui suara, terutama masalah korpus yang menjadi salah satu faktor yang menjadikan pengenalan emosi ini belum menghasilkan akurasi pengenalan yang optimal, khususnya berkaitan dengan imbalance data. Penelitian ini dilakukan untuk meningkatkan performa pengenalan emosi untuk mengenali lima kelas emosi yaitu senang, marah, sedih dan kepuasan serta netral menggunakan algoritma boosting. Selain itu, digunakan pula metode seperti CNN dan RNN untuk dapat dilakukan perbandingan serta penerapan SMOTE untuk korpusnya. Setelah eksperimen, dapat dihasilkan akurasi pengenalan mencapai 65% untuk akurasi untuk data tes berdasarkan konfigurasi 22050 Hz sebagai sampling rate, MFCCs dan oversampling SMOTE.Kata kunci: Imbalance data, Algoritma Boosting, CNN, RNN, SMOTEAbstractHuman interaction with computers are a growing phenomenon followed by the increasing use of computers which are often utilized in human social activities. Humans interact with one another by involving emotions. Plenty of research on speech emotion recognition has been established. Nevertheless, there are still efforts to enhance speech emotion recognition, especially the corpus problem which is one of the factors that the model does not in an optimal performance, especially about imbalance data. This study was conducted to enhance the performance of emotion recognition to recognize five class emotions: happiness, angry, sadness, contentment, and neutral. Furthermore, we employed CNN, RNN, and Boosting Algorithms. Lastly, we applied SMOTE to the corpus. After the experiment, the accuracy reached 65% with 22050 Hz configuration as rate, MFCCs, and SMOTE oversampling.Keywords: Data Imbalance, Boosting Algorithms, CNN, RNN, SMOTE
Pengelompokan Status Ekonomi Keluarga Desa Tanjungsari menggunakan Metode K-Means Clustering FIQRI FAKHRUL GUNAWAN; FAJRI RAKHMAT UMBARA; FATAN KASYIDI
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 7, No 2 (2022): MIND Journal
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v7i2.204-217

Abstract

ABSTRAKPada tahun 2020 hingga sampai saat ini tahun 2022 telah terjadi fenomena pandemi yang menyebabkan penuruan ekonomi yang cukup signifikan sehingga perubahan ekonomi masyarakat berubah, pengelompokan data harus dilakukan dengan teknik yang baik karena akan berpengaruh terhadap hasil akhir pengelompokan. Sehingga penelitan ini dilakukan untuk menginterpretasi kelompok yang terbentuk dari implementasi k-means clustering menggunakan 3 teknik similarity yaitu Euclidean, Manhattan dan Minkowski Distances yang memiliki nilai kemurnian tinggi berdasarkan nilai dari silhouette coefficient serta nilai cluster yang ditentukan pada penelitian ini menggunakan Teknik elbow method. Penelitian ini menghasilkan 5 claster yang dihasilkan dari elbow method. Dengan menghasilkan nilai silhoutte coeficient dari euclidean 0.059, manhattan 0.0946, dan minkowski 0.059. Kata kunci: status ekonomi, data mining, K-mean Clustering, silhouette coefficient, Euclidean Distance, Manhattan Distance, Minkowski DistanceABSTRACTIn 2020 until now in 2022 there has been a pandemic phenomenon which has caused a significant economic decline so that changes in the community's economy have changed, data grouping must be done with good technique because it will affect the final result of the grouping. So this research was conducted to interpret the groups formed from the implementation of k-means clustering using 3 similarity techniques namely Euclidean, Manhattan and Minkowski Distances which have a high purity value based on the value of the silhouette coefficient and the cluster values determined in this study using the elbow method technique. This study produced 5 clusters resulting from the elbow method. By producing a silhoutte coeficient value of euclidean 0.059, manhattan 0.0946, and minkowski 0.059.Keywords: economic status, data mining, K-mean Clustering, silhouette coefficient, Euclidean Distance, Manhattan Distance, Minkowski Distance
Prediksi Awal Penyakit Stroke Berdasarkan Rekam Medis menggunakan Metode Algoritma CART(Classification and Regression Tree) AGIEL FADILLAH HERMAWAN; FAJRI RAKHMAT UMBARA; FATAN KASYIDI
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 7, No 2 (2022): MIND Journal
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v7i2.151-164

Abstract

ABSTRAKSeiring perkembangan zaman bidang teknologi dapat membantu banyak hal salah satu contoh nya dapat membantu bidang kesehatan, teknologi seperti machine learning dan data mining dapat membantu dalam melakukan prediksi penyakit stroke. Oleh karena itu, penelitian kali ini akan menerapkan salah satu metode data mining klasifikasi untuk memprediksi penyakit stroke dengan tujuan dapat mengetahui model dari algoritma yang akan digunakan yaitu Algoritma Classification and Regression Tree atau CART. Metode ini melakukan perhitungan menggunakan nilai ginigain dan giniindex untuk membuat sebuah pohon keputusan. Dengan menggunakan Stroke Prediction Dataset dan dilakukan beberapa eksperimen didapatkan hasil akurasi terbesar sebesar 89,83% pada split data 80/20. Pohon keputusan dapat dipangkas untuk mengidentifikasi dan membuang cabang pohon yang tidak diperlukan, pada penelitian kali ini dilakukan pemangkasan untuk dilihat seberapa berpengaruh pemangkasan pada akurasi algoritma ini dan didapatkan hasil akurasi terbesar sebesar 74,73% maka pemangkasan dinilai kurang berpengaruh pada akurasi algoritma ini.Kata kunci: Stroke, Prediksi, Klasifikasi, Data Mining, CARTABSTRACTAlong with the times, technology can help many things, one example of which can help the health sector, technology such as machine learning and data mining can help in predicting stroke. Therefore, this study will apply one of the classification data mining methods to predict stroke with the aim of knowing the model of the algorithm to be used, namely the Classification and Regression Tree Algorithm or CART. This method performs calculations using the Ginigain and Ginindex values to create a decision tree. By using the Stroke Prediction Dataset and conducting several experiments, the highest accuracy results were 89.83% in the 80/20 data split. In this study pruning was carried out to see how much pruning had an effect on the accuracy of this algorithm and the highest accuracy result was 74.73%, so pruning was considered to have less effect on the accuracy of this algorithm.Keywords: Stroke, Prediction, Classification, Data Mining, CART
Identifikasi Emosi Melalui Sinyal Elektroensephalogram Menggunakan Graph Convolutional Network LIONITAMA, VENA MEILINDA; DJAMAL, ESMERALDA CONTESSA; KASYIDI, FATAN
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 9, No 1 (2024): MIND Journal
Publisher : Institut Teknologi Nasional Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v9i1.42-51

Abstract

AbstrakEmosi merupakan bentuk respon manusia terhadap sesuatu. Pengenalan emosi menggunakan komputer dapat membantu para dokter untuk mengetahui emosi yang sedang dirasakan oleh seseorang berdasarkan aktivitas otak. Aktivitas otak dapat diketahui dengan cara merekam aktivitas sinyal Electroensephalogram (EEG). Sinyal EEG memiliki karakteristik yang berubah-ubah dan non stasioner sehingga membutuhkan metode yang dapat mengintegrasikan karakteristik temporal dan spasial. Pengenalan emosi menggunakan sinyal EEG berkaitan erat dengan pola konektivitas pada belahan otak manusia, karena setiap emosi akan memiliki pola konektivitas yang berbeda dalam belahan otak. Maka dari itu mempelajari pola konektivitas dalam belahan otak akan membantu dalam pengenalan emosi. Dan untuk menangani hal itu dibutuhkan metode deep learning yang dapat mengintegrasikan karakteristik temporal dan spasial dan dapat menerima masukan berupa pola konektivitas tersebut, metode yang dapat menanganinya yaitu, Graph Convolutional Network (GCN). Penelitian ini telah membuat sistem identifikasi emosi dengan tiga kelas menggunakan GCN dan menghasilkan akurasi data uji sebesar 35,52%.Kata kunci: Emosi; Deep Learning; Sinyal EEG; Spasial; Temporal; GCNAbstractEmotion is a form of human response to something. Emotion recognition using computers can help doctors to see the emotions that are being felt by a person based on brain activity. Brain activity can be known by recording electroencephalogram (EEG) signal activity. EEG signals have changing and non-stationary characteristics, requiring a method to integrate temporal and spatial characteristics. Emotion recognition using EEG signals is closely related to connectivity patterns in the human brain hemispheres because each emotion will have different connectivity patterns in the brain hemispheres. Therefore, studying the connectivity patterns in the cerebral hemispheres will help in emotion recognition. Moreover, a deep learning method is needed to integrate temporal and spatial characteristics and receive input in the form of connectivity patterns, a method that can handle Graph Convolutional Network (GCN). This research has created an emotion identification system with three classes using GCN and produced an accuracy of 35.52% of testing data.Keywords: Emotion; Deep Learning; EEG Signal; Spatial; Temporal; GCN
Prediksi Penyakit Diabetes menggunakan Teknik Imputasi Missforest dan Klasifikasi LightGBM FERDIANSYAH, ALDOVA; UMBARA, FAJRI RAKHMAT; KASYIDI, FATAN
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 10, No 2 (2025): MIND Journal
Publisher : Institut Teknologi Nasional Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v10i2.221-234

Abstract

AbstrakDiabetes adalah salah satu penyakit kronis dengan grafik prevalensinya meningkat secara global. Penyakit ini disebabkan oleh gangguan metabolisme tubuh yang memengaruhi kadar gula darah, dan jika tidak ditangani sejak dini dapat menimbulkan komplikasi serius seperti stroke, gagal ginjal, kebutaan, hingga kematian. Penelitian ini mengembangkan model prediksi risiko diabetes berbasis klasifikasi biner menggunakan algoritma LightGBM yang dikombinasikan dengan teknik imputasi Missforest untuk menangani data yang hilang. Dataset yang digunakan berasal dari Pima Indian, tersedia secara publik di Kaggle. Tahapan pre-processing mencakup imputasi data hilang, penanganan outlier dengan Isolution Forest, pembagian data menjadi 80:20. Evaluasi model menunjukkan hasil akurasi sebesar 91,84% dan ROC AUC 0.9614. BMI menjadi faktor paling berpengaruh dalam prediksi yang diikuti oleh DiabetesPedigreeFunction dan Glucose.Kata kunci: diabetes melitus, data mining, klasifikasi, LightGBM, missforestAbstractDiabetes mellitus is one of the most common chronic diseases, with a globally increasing prevalence. It is caused by metabolic disorders that affect blood glucose levels and, if not treated early, can lead to serious complications such as stroke, kidney failure, blindness, and even death. This research develops a diabetes risk prediction model based on binary classification using the LightGBM algorithm combined with the Missforest imputation technique to handle missing data. The dataset used is the publicly available Pima Indian dataset from Kaggle. The pre-processing stages include missing value imputation, outlier handling using Isolution Forest, an 80:20 data split. Model evaluation shows an accuracy of 91.84% and a ROC AUC 0.9614. BMI was found to be the most influential factor in the prediction, followed by DiabetesPedigreeFunction and Glucose.Keywords: diabetes mellitus, data mining, classification, LightGBM, missforest
Co-Authors Ade Kania Ningsih Ade Kania Ningsih Afifah, Hira Nur AGIEL FADILLAH HERMAWAN Agung Besti Agya Java Maulidin Aldi Sidik Permana Anbiya, Dhika Rizki Anggoro, Sigit Anshori, Siddiq Ahmad Armandika, Fladio Besti, Agung Djamal, Esmeralda Contesa Djuniardi Suhardinata Dwifani, Bella Melati Wiranur Eddie Khrisna Putra Edvin Ramadhan Erna Sesarliana* Esmeralda Contessa Djamal Faiza Renaldi Fajri Rakhmat Umbara FERDIANSYAH, ALDOVA fery bayu aji Fikri Nugraha FIQRI FAKHRUL GUNAWAN Fladio Armandika Hadiana, Asep Id Insan Kamil Nurhikmat Irma Santikarama Janjan Nurjaman Komarudin, Agus Kukuh Yulion Setia Prakoso LIONITAMA, VENA MEILINDA Maulidina Norick Eriyadi Melina Melina Muhamad Rizal Firmansyah Muhammad Aditya Putra NIDA MUTHI ANNISA Nugraha, Fikri Nur Shabrina, Nariswari Nurrokhimah, Siti Oktariansyah, Indro Abri Permana, Acep Handika Permana, Aldi Sidik Puspita Nurul Sabrina Rafli Firdaus Rey Aji Darusalam Reza Dwi Putra Rezky Yuniarti Ridwan Ilyas Rizky Ryan Dwi Yudistira Seffiera Fauziah SENJAWATI, RINDU TEGAR Sopian, Annisa Mufidah Sukma, Rifaz Muhammad Szalfa Saadiatus Sakinah Timoti Michael Sitorus Wildan Pratama Wina Witanti Yasmina Azzahra Yoga Esa Mahendra Yulison Herry Chrisnanto Yustiana Fauziyah