Claim Missing Document
Check
Articles

Found 8 Documents
Search
Journal : Jurnal Ilmu Komputer dan Agri-Informatika

Ekspansi Kueri pada Sistem Temu Kembali Informasi Berbahasa Indonesia Menggunakan Analisis Konteks Lokal Diva, Laras Mutiara; Wijaya, Sony Hartono
Jurnal Ilmu Komputer dan Agri-Informatika Vol 1, No 1 (2012)
Publisher : Departemen Ilmu Komputer IPB

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (151.024 KB)

Abstract

Pengguna suatu sistem temu kembali sering kali tidak tepat mengungkapkan kebutuhan informasi yang diinginkannya dalam bentuk kueri. Masalah lain ialah adanya perbedaan pilihan kata antara seorang pengguna dalam kuerinya dan penulis dalam dokumennya. Analisis konteks lokal adalah ekspansi kueri otomatis yang mengombinasikan teknik global dan teknik lokal. Analisis konteks lokal mengurutkan konsep berdasarkan pada kemunculannya dengan seluruh term kueri pada dokumen peringkat teratas dan menggunakan konsep peringkat teratas untuk ekspansi kueri. Pada dasarnya suatu dokumen mempunyai beberapa topik sehingga pada penelitian ini dokumen peringkat teratas dibagi ke dalam beberapa passage. Konsep peringkat teratas diambil dari beberapa passage peringkat teratas. Tujuan penelitian ini ialah mengimplementasikan ekspansi kueri menggunakan analisis konteks lokal. Kinerja dari sistem temu kembali informasi menggunakan analisis konteks lokal bagus dengan nilai ketepatan rata-rata sebesar 60%. Hasil penelitian menunjukkan bahwa kinerja sistem dengan analisis konteks lokal secara signifikan meningkat 6.07% dibandingkan dengan sistem tanpa analisis konteks lokal dengan dokumen-dokumen relevan yang ditemukembalikan berada pada posisi teratas penemukembalian. Selain itu, jumlah dokumen dan passage peringkat teratas yang terambil secara signifikan tidak mempengaruhi nilai ketepatan rata-rata. Faktor yang lebih mempengaruhi adalah jumlah term ekspansi yang ditambahkan. Analisis konteks lokal cukup baik diterapkan pada koleksi dokumen yang memiliki kemiripan cukup tinggi.Kata kunci: analisis konteks lokal, ekspansi kueri
Ekspansi Kueri pada Sistem Temu Kembali Informasi Berbahasa Indonesia Menggunakan Analisis Konteks Lokal Laras Mutiara Diva; Sony Hartono Wijaya
Jurnal Ilmu Komputer dan Agri-Informatika Vol 1 No 1 (2012)
Publisher : Departemen Ilmu Komputer, Institut Pertanian Bogor

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (151.024 KB) | DOI: 10.29244/jika.1.1.22-29

Abstract

Pengguna suatu sistem temu kembali sering kali tidak tepat mengungkapkan kebutuhan informasi yang diinginkannya dalam bentuk kueri. Masalah lain ialah adanya perbedaan pilihan kata antara seorang pengguna dalam kuerinya dan penulis dalam dokumennya. Analisis konteks lokal adalah ekspansi kueri otomatis yang mengombinasikan teknik global dan teknik lokal. Analisis konteks lokal mengurutkan konsep berdasarkan pada kemunculannya dengan seluruh term kueri pada dokumen peringkat teratas dan menggunakan konsep peringkat teratas untuk ekspansi kueri. Pada dasarnya suatu dokumen mempunyai beberapa topik sehingga pada penelitian ini dokumen peringkat teratas dibagi ke dalam beberapa passage. Konsep peringkat teratas diambil dari beberapa passage peringkat teratas. Tujuan penelitian ini ialah mengimplementasikan ekspansi kueri menggunakan analisis konteks lokal. Kinerja dari sistem temu kembali informasi menggunakan analisis konteks lokal bagus dengan nilai ketepatan rata-rata sebesar 60%. Hasil penelitian menunjukkan bahwa kinerja sistem dengan analisis konteks lokal secara signifikan meningkat 6.07% dibandingkan dengan sistem tanpa analisis konteks lokal dengan dokumen-dokumen relevan yang ditemukembalikan berada pada posisi teratas penemukembalian. Selain itu, jumlah dokumen dan passage peringkat teratas yang terambil secara signifikan tidak mempengaruhi nilai ketepatan rata-rata. Faktor yang lebih mempengaruhi adalah jumlah term ekspansi yang ditambahkan. Analisis konteks lokal cukup baik diterapkan pada koleksi dokumen yang memiliki kemiripan cukup tinggi. Kata kunci: analisis konteks lokal, ekspansi kueri
Pemodelan Berbasis Jaringan untuk Pengklasifikasian Kanker Payudara Berdasarkan Data Molekuler Mushthofa; Chamdan L Abdulbaaqiy; Sony Hartono Wijaya; Muhammad Asyhar Agmalaro; Lailan Sahrina Hasibuan
Jurnal Ilmu Komputer dan Agri-Informatika Vol 9 No 1 (2022)
Publisher : Departemen Ilmu Komputer, Institut Pertanian Bogor

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29244/jika.9.1.101-113

Abstract

Cancer is a disease characterized by uncontrolled cell growth. One of the characteristics of uncontrolled growth is the presence of estrogen-receptor-positive (ER+). About 67% of breast cancer test results have ER+. Breast cancer profiles are divided into 4 subtypes, namely: Luminal A, Luminal B, basal-like, and HER-2 enriched. Each category has a different effect on adjuvant chemotherapy. In this study, a network-based approach was used to select features/molecular biomarkers that have the potential to assist modeling and classifying sub-types of breast cancer. The molecular features used are Copy Number Alteration (CNA) and gene expression. The feature selection results were compared with the PAM50 feature-based accuracy from the literature study. The results indicate that the features selected from this network-based approach can obtain a comparable performance w.r.t the original PAM50 features, and can be used as alternative to perform breast cancer subtyping.
Analisis Sentimen Pengguna Twitter terhadap Vaksinasi COVID-19 di Indonesia menggunakan Algoritme Random Forest dan BERT Amin Elhan; Medria Kusuma Dewi Hardhienata; Yeni Herdiyeni; Sony Hartono Wijaya; Julio Adisantoso
Jurnal Ilmu Komputer dan Agri-Informatika Vol 9 No 2 (2022)
Publisher : Departemen Ilmu Komputer, Institut Pertanian Bogor

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29244/jika.9.2.199-211

Abstract

The Covid-19 pandemic has encouraged many stakeholders to be able to adapt to current conditions. One of the programs launched by the government in order to overcome the spread of Covid-19 is to run a vaccination program. In order to find out the public's interest in the Covid-19 vaccination program that was launched, it is necessary to carry out a sentiment analysis. Sentiment analysis is generally done to obtain the latest information from a large corpus. The purpose of this study is to analyze the sentiments of Twitter users towards the Covid-19 vaccination in Indonesia using the Random Forest and BERT Algorithms. The research stages include pre-processing Twitter data related to Covid-19 vaccination topics, sentiment labeling, handling unbalanced data, classifying datasets using the Random Forest and BERT algorithms, as well as analysis and evaluation. After handling unbalanced data, the results of Twitter user sentiment analysis for Covid-19 vaccination in Indonesia yielded an accuracy of 81%, F1-score of 74%, precision of 76%, and recall of 74% using the Random Forest algorithm and an accuracy of 82%, F1-score 79%, precision of 78%, and recall of 79% using the BERT Algorithm. Although the BERT Algorithm has generally a slightly higher performance than the Random Forest Algorithm, the simulation results show that the Random Forest algorithm has significantly lower computation time compared to the BERT algorithm in the considered case.
Pengelompokan Publikasi Ilmiah Berdasarkan Bidang Kepakaran Menggunakan Latent Dirichlet Allocation dan Normalized PSO-K-means Hayatina, Fina Charisma; Wijaya, Sony Hartono; Hardhienata, Medria Kusuma Dewi
Jurnal Ilmu Komputer dan Agri-Informatika Vol. 10 No. 2 (2023)
Publisher : Departemen Ilmu Komputer, Institut Pertanian Bogor

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29244/jika.10.2.121-132

Abstract

Salah satu cara untuk memvalidasi klaim kepakaran dosen adalah dengan meninjau dokumen publikasi ilmiah yang tersedia. Namun, menentukan kelompok kepakaran dari sejumlah dokumen memerlukan pengetahuan yang memadai dan waktu yang relatif lama, sehingga menjadi sulit dilakukan. Penelitian ini bertujuan untuk membangun suatu model yang dapat mengelompokkan dokumen berdasarkan bidang kepakaran. Penelitian ini menggunakan algoritma klasterisasi K-means untuk mengelompokkan dokumen berdasarkan bidang kepakaran dosen. Latent dirichlet allocation digunakan untuk mereduksi dimensi data, dan particle swarm optimization digunakan untuk menentukan centroid awal pada algoritma K-means. Hasil penelitian ini berhasil mengelompokkan dokumen publikasi ilmiah dengan nilai koefisien silhouette sebesar 0.42. Selain itu, penggunaan PSO sebagai penentu centroid optimal pada algoritma K-means dapat meningkatkan nilai koefisien silhouette sebesar 5.56%. Model yang dibangun dievaluasi dengan mencocokkan klaster yang dihasilkan dengan klaim yang diberikan. Hasilnya menunjukkan bahwa sebanyak 75% hasil pencocokan sesuai dan 25% tidak sesuai.
Model Klasifikasi Fase Pertumbuhan Tebu dari Citra Sentinel 1 Multi-temporal Menggunakan Algoritma Random Forest Bramdito, Vandam Caesariadi; Wijaya, Sony Hartono; Sitanggang, Imas Sukaesih
Jurnal Ilmu Komputer dan Agri-Informatika Vol. 10 No. 2 (2023)
Publisher : Departemen Ilmu Komputer, Institut Pertanian Bogor

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29244/jika.10.2.212-223

Abstract

The Special Region of Yogyakarta, a designated sugarcane center, demands special attention for effective extensification efforts, necessitating spatial insights into sugarcane farming. Monitoring of sugarcane fields served to obtain information on the growth phases of sugarcane and its distribution for agricultural extensification strategies. For this reason, it is necessary to carry out image classification using the Random Forest reliable algorithm to classify sugarcane growth phases in multi-temporal Sentinel 1 images. The sugarcane planting calendar Map is conducted from the image classification outcomes and then tested for its accuracy for evaluation. The classification process involves analyzing each image captured monthly throughout 2020, with a dataset comprising 9690 sample pixels across six classification classes: buildings, vegetation, water bodies, rice fields, sugarcane phase class 1, and sugarcane phase class 2. The results show that the Sentinel 1 image consisting of 13 images has an average classification model accuracy of 65.38%. Notably, the image classification achieved its pinnacle performance in October, boasting the highest overall accuracy level at 73.33%, accompanied by an RMSE value of 2.05.
SAE-DNN-GA: Sebuah Pendekatan Klasifikasi Multilabel dalam Prediksi Senyawa Herbal Potensial Untuk Penyakit COVID-19 Wijaya, Eko Praja Hamid; Kusuma, Wisnu Ananta; Wijaya, Sony Hartono
Jurnal Ilmu Komputer dan Agri-Informatika Vol. 11 No. 2 (2024)
Publisher : Sekolah Sains Data, Matematika, dan Informatika. Institut Pertanian Bogor

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29244/jika.11.2.111-121

Abstract

COVID-19 adalah penyakit dengan laju penyebaran yang tinggi. Percepatan proses penemuan obat untuk penyakit tersebut sangat dibutuhkan. Penggunaan kembali obat (drug repurposing) merupakan salah satu alternatif dalam pengembangan dan penemuan obat dengan biaya murah serta waktu yang singkat. Tanaman herbal dapat digunakan sebagai obat dengan khasiat yang lebih baik, efek samping yang lebih sedikit, dan lebih murah. Prediksi interaksi obat-target dan penggunaan kembali obat dapat digunakan untuk mengeksplorasi senyawa herbal potensial. Penelitian ini mengatasi kelemahan klasifikasi biner dengan model DSSL-DTI (Deep Semi Supervised Learning-Drug Target Interaction) yang dioptimasi menggunakan Algoritma Genetika. Tujuan penelitian ini adalah mendeteksi kemungkinan adanya hubungan antar label menggunakan pendekatan klasifikasi multilabel dengan model yang dioptimasi. Data yang digunakan penelitian ini antara lain: data protein, data interaksi senyawa-protein, dan data senyawa herbal. Data protein diperoleh dari situs GeneCards yang berisi kumpulan protein yang berasosiasi dengan COVID-19 dan ditemukan pada manusia. Data interaksi senyawa-protein diperoleh dari situs DrugBank dan SuperTarget. Adapun data senyawa herbal diperoleh dari HerbalDB. Hasil penelitian menunjukkan bahwa dengan menggunakan model SAE-DNN-GA yang diusulkan, prediksi senyawa herbal menghasilkan sepuluh senyawa yang berinteraksi dengan dua protein bernilai relevansi tertinggi, yaitu protein INS (7.094) dan ALB (3.178). Hasil ini diharapkan mampu meningkatkan hasil prediksi kandidat senyawa herbal sebagai obat penyakit COVID-19 menjadi lebih akurat.
Pengembangan Model Prediksi Kelulusan Calon Mahasiswa Sarjana pada Sistem Seleksi SNMPTN IPB Muthahari, Wadudi; Wijaya, Sony Hartono; Syafitri, Utami Dyah
Jurnal Ilmu Komputer dan Agri-Informatika Vol. 12 No. 1 (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.12.1.59-71

Abstract

Since 2019, the SNMPTN selection process at IPB has used web-based selection media and specific algorithms. However, the process has not yet implemented machine learning-based modeling that can provide recommendations on a student's likelihood of being accepted as an IPB student. This study aims to find out what factors influence prospective students passing the IPB SNMPTN pathway and to develop machine learning modeling using Random Forest and Binary Logistic Regression. Four models were built and trained using hyperparameter tuning. The first model uses all features without balancing. The second model uses all features and SMOTE. The third model uses feature selection and SMOTE, and the fourth uses feature selection by Expert Adjustment (EA) and SMOTE. The results show that the models tested using test data with SMOTE data balancing consistently show higher recall values compared to models without data balancing. The third model with Binary Logistic Regression on West Java data and the second model with Binary Logistic Regression on Non-West Java data show the best recall values of 88.93% and 86.91%, respectively. The modeling results also show that the order of college selection, school index category, academic achievements, and program of study choice significantly impact the prediction of applicants’ passing.