Article Per Year (5 Year)
p-Index From 2020 - 2025
0.947
P-Index
This Author published in this journals
All Journal Jurnal Teknimedia: Teknologi Informasi dan Multimedia Fahma : Jurnal Informatika Komputer, Bisnis dan Manajemen Jurnal Teknik AMATA
Kusrini
Magister Teknik Informatika Universitas Amikom Yogyakarta
Automotive Engineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Electrical & Electronics Engineering Engineering

Published : 4 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search

 1 
Perbandingan Tingkat Performa Metode K-Means dan Hierachical Clustering Pada Sistem Rekomendasi Pemilihan Kost Aiman Ayadi; Kusrini; Eko Pramono
TEKNIMEDIA: Teknologi Informasi dan Multimedia Vol. 1 No. 2 (2020): Desember 2020
Publisher : Badan Penelitian dan Pengabdian Masyarakat (BP2M) STMIK Syaikh Zainuddin NW Anjani

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (328.987 KB) | DOI: 10.46764/teknimedia.v1i2.27

Abstract

The development of technology is currently getting more advanced and growing faster, especially in the field of information technology. The existence of houses in the vicinity of public facilities is very desirable and beneficial for newcomers to a new area. One of the public facilities that usually have boarding is a university or college. Students who study at a university do not only come from within the city but also come from outside the region. However, most students from outside the region have difficulty choosing boarding or rented houses due to limited information. Limited information about the facilities and the inaccuracy of boarding houses becomes a difficulty at the beginning for those who are new students. With the advancement of information technology, it can answer the need for finding a boarding house, and will be very helpful both from the side of the owner and tenant. To solve complex problems, you can use the K-Means Clustering and Hierarchical Clustering algorithm models that are optimized with naïve Bayes. The final result of this study is that the K-Means and naïve bayes accuracy values ​​are higher with 90.82% accuracy, 90.56% precision, 90.68% recall and longer time that is 10 seconds, while for hierachical and naïve values. Bayes got 88.02% accuracy, 87.82% precision, 88.00% recall and 7.6 seconds faster time
Aplikasi Perhitungan Jumlah Kendaraan Dengan Menggunakan Google Maps API Dibyo Sudarsono; Kusrini; Muhammad Rudyanto Arief
Jurnal Informatika Komputer, Bisnis dan Manajemen Vol 21 No 2 (2023): Mei 2023
Publisher : LPPM STMIK El Rahma Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61805/fahma.v21i2.14

Abstract

Proses penghitungan kendaraan memberikan informasi yang tepat tentang arus lalu lintas, dan waktu puncak lalu lintas di jalan raya. Makalah ini menyajikan penghitung kendaraan dengan menggunakan data dari Google Maps API. Penghitungan kendaraan akan menggunakan rumus rasio densitas dari metode Greenshield, Greenberg dan Underwood. Implementasi dari teknik yang diusulkan telah dilakukan dengan menggunakan bahasa pemrograman PHP dan framework codeigniter. Hasil dari penelitian ini adalah sebuah aplikasi penghitung kendaraan berbasis web yang diharapkan dapat membantu dinas terkait dalam meningkatkan pelayanan kepada masyarakat sebagai pengguna jalan
UJI HOMOGENITAS DAN HETEROGENITAS CLUSTER DATA INTERKOMPARASI ANAK TIMBANGAN Arif Fajar Solikin; Kusrini; Ferry Wahyu Wibowo
Jurnal Informatika Komputer, Bisnis dan Manajemen Vol 20 No 1 (2022): Januari 2022
Publisher : LPPM STMIK El Rahma Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61805/fahma.v20i1.39

Abstract

Intercomparison of mass quantities is an activity to compare performance between laboratories ofmass quantities and reference laboratories which produces intercomparative data in the form ofconventional mass values and uncertainty values. Clustering of weights was carried out to obtain ananalysis of the laboratory’s participants management. The analysis carried out is very dependent on theaccuracy of the cluster. Clustering using self-organizing maps algorithm, and the results are tested for thelevel of homogeneity within the cluster and the level of heterogeneity between clusters using the icdrate value.The clustering of intercomparison’s data using the self-organizing maps method resulted in an icdratevalue of 0,0713 for an artifact of 1000 g and an icdrate of 0,2889 for an artifact of 200g
Penerapan Particle Swarm Optimization (PSO) dalam Pemilihan Parameter Secara Otomatis pada Support Vector Machine (SVM) untuk Prediksi Kelulusan Mahasiswa Politeknik Amamapare Timika Sepriadi Bumbungan; Kusrini; Kusnawi
Jurnal Teknik AMATA Vol. 4 No. 1 (2023)
Publisher : Politeknik Amamapare

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55334/jtam.v4i1.77

Abstract

Ketepatan waktu kelulusan mahasiswa, memiliki pengaruh terhadap kualitas Perguruan Tinggi karena merupakan salah satu indikator penilaian dalam proses akreditasi Perguruan Tinggi, sehingga memprediksi kelulusan mahasiswa dianggap penting untuk dilakukan. Prediksi kelulusan dapat dilakukan dengan menggunakan teknik data mining. Salah satunya dengan Support Vector Machine (SVM) yang memiliki performa yang baik dalam melakukan klasifikasi, karena dapat menyelesaikan masalah overfitting, data training yang sedikit, dan lambatnya konvergensi. Namun, Support Vector Machine (SVM) masih memiliki kekurangan, dalam hal komputasi data dengan jumlah yang besar dan dalam pemilihan parameter secara optimal. Untuk hal itu, diperlukan algoritma Particle Swarm Optimization (PSO) dalam pemilihan parameter yang sesuai pada metode Support Vector Machine (SVM). Eksperimen pada metode Support Vector Machine (SVM) dan Particle Swarm Optimization (PSO) dilakukan dengan optimasi parameter Gamma, C, dan Epsilon. Software yang digunakan untuk mendapatkan hasil eksperimen yaitu RapidMiner 9.10. Hasil eksperimen dengan menggunakan algoritma Support Vector Machine (SVM) menghasilkan nilai accuracy, recall, precision, dan F1 score masing-masing dengan nilai 93,33%, 91,04%, 98,39%, dan 94,57%. Sementara itu, Optimasi algoritma Support Vector Machine (SVM) dengan menggunakan Particle Swarm Optimization (PSO) menghasilkan nilai accuracy, recall, precision, dan F1 score masing-masing dengan nilai 98,02%, 98,55%, 98,08%, dan 98,31%. Berdasarkan hasil eksperimen yang telah dilakukan, dinyatakan terbukti bahwa penerapan algorima Particle Swarm Optimization (PSO) dapat meningkatkan kinerja dari algoritma Support Vector Machine (SVM).
Co-Authors Aiman Ayadi Arif Fajar Solikin Dibyo Sudarsono Eko Pramono Ferry Wahyu Wibowo Kusnawi Kusnawi Muhammad Rudyanto Arief Sepriadi Bumbungan