Claim Missing Document
Check
Articles

Found 3 Documents
Search
Journal : Jurnal Ilmu Komputer dan Agri-Informatika

Klasifikasi Metagenom dengan Metode Naïve Bayes Classifier Utami, Dian Kartika; Kusuma, Wisnu Ananta; Buono, Agus
Jurnal Ilmu Komputer dan Agri-Informatika Vol 3, No 1 (2014)
Publisher : Departemen Ilmu Komputer IPB

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1294.449 KB)

Abstract

Studi metagenom merupakan langkah penting pada pengelompokan taksonomi. Pengelompokan pada metagenom dapat dilakukan dengan menggunakan metode binning. Binning diperlukan untuk mengelompokkan contigs yang dimiliki oleh masing-masing kelompok spesies filogenetik. Pada penelitian ini, binning dilakukan dengan menggunakan pendekatan komposisi berdasarkan supervised learning (pembelajaran dengan contoh). Metode supervised learning yang digunakan yaitu Naïve Bayes Classifier. Adapun metode yang digunakan untuk ekstraksi ciri adalah dengan melakukan perhitungan frekuensi k-mer. Klasifikasi pada metagenom dilakukan berdasarkan tingkat takson genus. Dari proses klasifikasi yang dilakukan, akurasi yang diperoleh dengan menggunakan fragmen pendek (400 bp) adalah 49.34 % untuk ekstraksi ciri 3-mer dan 53.95 % untuk ekstrasi ciri 4-mer. Sementara itu, untuk fragmen panjang (10 kbp), akurasi mengalami peningkatan yaitu 82.23 % untuk ekstraksi ciri 3-mer dan 85.89 % untuk esktraski ciri 4-mer. Dari hasil tersebut dapat disimpulkan bahwa akurasi semakin tinggi seiring dengan semakin panjangnya ukuran fragmen. Selain itu, penelitian ini juga menyimpulkan bahwa metode ekstrasi ciri yang memberikan hasil paling maksimal adalah dengan menggunakan ekstraksi ciri 4-mer.Kata Kunci: metagenom, k-mer, Naïve Bayes Classifier, binning, klasifikasi
Klasifikasi Metagenom dengan Metode Naïve Bayes Classifier Dian Kartika Utami; Wisnu Ananta Kusuma; Agus Buono
Jurnal Ilmu Komputer & Agri-Informatika Vol. 3 No. 1 (2014)
Publisher : Departemen Ilmu Komputer - IPB University

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1294.449 KB) | DOI: 10.29244/jika.3.1.9-17

Abstract

Studi metagenom merupakan langkah penting pada pengelompokan taksonomi. Pengelompokan pada metagenom dapat dilakukan dengan menggunakan metode binning. Binning diperlukan untuk mengelompokkan contigs yang dimiliki oleh masing-masing kelompok spesies filogenetik. Pada penelitian ini, binning dilakukan dengan menggunakan pendekatan komposisi berdasarkan supervised learning (pembelajaran dengan contoh). Metode supervised learning yang digunakan yaitu Naïve Bayes Classifier. Adapun metode yang digunakan untuk ekstraksi ciri adalah dengan melakukan perhitungan frekuensi k-mer. Klasifikasi pada metagenom dilakukan berdasarkan tingkat takson genus. Dari proses klasifikasi yang dilakukan, akurasi yang diperoleh dengan menggunakan fragmen pendek (400 bp) adalah 49.34 % untuk ekstraksi ciri 3-mer dan 53.95 % untuk ekstrasi ciri 4-mer. Sementara itu, untuk fragmen panjang (10 kbp), akurasi mengalami peningkatan yaitu 82.23 % untuk ekstraksi ciri 3-mer dan 85.89 % untuk esktraski ciri 4-mer. Dari hasil tersebut dapat disimpulkan bahwa akurasi semakin tinggi seiring dengan semakin panjangnya ukuran fragmen. Selain itu, penelitian ini juga menyimpulkan bahwa metode ekstrasi ciri yang memberikan hasil paling maksimal adalah dengan menggunakan ekstraksi ciri 4-mer.Kata Kunci: metagenom, k-mer, Naïve Bayes Classifier, binning, klasifikasi
Sistem Pendukung Keputusan Berbasis K-Means dan AHP Hybrid untuk Pemantauan Asrama Ananda, Fifi Rizky; Tosida, Eneng Tita; Utami, Dian Kartika
Jurnal Ilmu Komputer dan Agri-Informatika Vol. 12 No. 2 (2025)
Publisher : Sekolah Sains Data, Matematika, dan Informatika. Institut Pertanian Bogor

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29244/jika.12.2.200-211

Abstract

Pengelolaan asrama di Pusat Pengembangan Sumber Daya Manusia untuk Alat Transportasi (PPSDMAP) menghadapi tantangan dalam alokasi kamar, pemantauan fasilitas, dan pengambilan keputusan akibat ketergantungan pada sistem manual. Studi ini bertujuan untuk mengembangkan sistem pendukung keputusan cerdas (DSS) berdasarkan integrasi K-Means Clustering dan Proses Hierarki Analitis (AHP) guna meningkatkan efisiensi pengelolaan asrama. Pendekatan kuantitatif diterapkan dengan metode pengembangan sistem yang meliputi tahap perencanaan, pengumpulan data, analisis, desain, implementasi, dan pengujian. Data diperoleh melalui observasi dan wawancara di PPSDMAP, kemudian diproses menggunakan K-Means untuk pengelompokan data kamar asrama dan AHP untuk menentukan prioritas perbaikan fasilitas. Hasil menunjukkan bahwa sistem berhasil mengelompokkan data menjadi tiga kluster dengan nilai validitas Davies Bouldin Index sebesar 0.52, serta menghasilkan keputusan prioritas berdasarkan kriteria layanan, fasilitas, dan keamanan. Alternatif terbaik yang diidentifikasi adalah peningkatan konektivitas internet dengan bobot 49,25%, diikuti oleh pemasangan CCTV dan layanan laundry. Sistem ini secara efektif mendukung manajer dalam mengambil keputusan yang lebih cepat dan akurat berdasarkan data, dengan implikasi praktis untuk efisiensi manajemen fasilitas dan peningkatan kenyamanan penghuni asrama.