Garuda - Garba Rujukan Digital

p-Index From 2021 - 2026

1.383

P-Index

This Author published in this journals

All Journal Jurnal Teknologi Informasi dan Ilmu Komputer Journal of Information Technology and Computer Science JAST : Jurnal Aplikasi Sains dan Teknologi

Imam Cholissodin

Universitas Brawijaya

Author-ID : 437952

Computer Science & IT Control & Systems Engineering Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Environmental Science Other

Published : 41 Documents Claim Missing Document

Claim Missing Document

Articles

1 2 3 4 5

Klasifikasi Sepeda Motor Berdasarkan Karakteristik Konsumen Dengan Metode K-Nearest Neighbour Pada Big Data Menggunakan Hadoop Single Node Cluster Putra, Nanda Agung; Putri, Ardisa Tamara; Prabowo, Dhimas Anjar; Surtiningsih, Listiya; Arniantya, Raissa; Cholissodin, Imam
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 4 No 2: Juni 2017
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

AbstrakPenelitian ini mengusulkan sebuah klasifikasi terhadap sepeda motor berdasarkan karakteristik konsumen. Sepeda motor memiliki beberapa jenis dan merk yang berbeda sehingga menyebabkan banyaknya pilihan yang dimiliki konsumen. Konsumen akan memilih sepeda motor yang diinginkannya berdasarkan latar belakang yang berbeda. Pada penelitian ini, Konsumen akan dikelompokkan berdasarkan sepeda motor yang dibeli sehingga penjual dapat mengetahui karakteristik konsumen yang membeli suatu jenis atau merk tertentu. Karakterisitik konsumen dapat ditentukan dengan usia, jenis kelamin, pendapatan, status pernikahan dan jumlah anak. Berdasarkan karakteristik tersebut perlu dilakukan pengelompokan untuk menentukan merk sepeda motor. Dalam penelitian ini metode yang digunakan yakni K-Nearest Neighbour (K-NN). K-NN merupakan algoritma yang umum digunakan untuk klasifikasi dan mencari kelas dari data uji dengan mayoritas kelompok yang memiliki jarak terdekat. Dataset yang digunakan dalam penelitian ini yaitu karakteristik konsumen. Uji coba dengan dataset tersebut menghasilkan merk sepeda motor dari data uji yang sudah ditentukan.Kata kunci: k-nearest neighbor, klasifikasi, k-nearest neighbor classification, sepeda motor.AbstractThis research proposed a classification of motorcycle based on customer’s characteristics. Motorcycles have different type and brand so that customers have many choices. Customer will choose motorcycle which they want to be based on different background. In this study, the customer will be grouped by motorcycle were purchased so that the seller can know characteristics of customers who buy certain type or brand. Characteristics of customers can be determined by age, gender, income, status and number of children. Based on these characteristic, we have to group for specifying motorcycle’s type. In this research, the method used K-Nearest Neighbor (K-NN). K-NN algorithm is commonly used for classifying and searching for a group of test data with the majority of the group that has the shortest distance. The dataset used in this project is the final consumer characteristics. Trials with the dataset produce motorcycle brand of test data that has been determined. Keywords: k-nearest neighbor, classification, k-nearest neighbor classification, motorcycle.

Optimasi Naïve Bayes Classifier Dengan Menggunakan Particle Swarm Optimization Pada Data Iris Muhamad, Husin; Prasojo, Cahyo Adi; Sugianto, Nur Afifah; Surtiningsih, Listiya; Cholissodin, Imam
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 4 No 3: September 2017
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

AbstrakKlasifikasi adalah proses identifikasi obyek kedalam sebuah kelas, kelompok, atau kategori berdasarkan karakteristik yang telah ditentukan sebelumnya. Secara singkat, klasifikasi merupakan pengelompokan obyek berdasarkan kelompoknya yang biasanya disebut dengan kelas (class). Tak hanya klasifikasi, proses pengelompokkan obyek juga dapat dilakukan dengan menggunakan teknik clustering yang merupakan pengelompokan obyek berdasarkan kemiripan antar obyek. Salah satu metode klasifikasi yang sering digunakan adalah Naïve Bayes Classifier. Menurut beberapa penelitian, Naïve Bayes Classifier memiliki beberapa kelebihan yaitu, cepat dalam proses perhitungan, algoritma yang sederhana dan akurasi yang tinggi. Namun probabilitas pada Naïve Bayes Classifier tidak bisa mengukur seberapa besar tingkat keakuratan sebuah prediksi, hasil akurasi metode ini juga masih kurang jika dibandingkan dengan metode C4.5, selain itu metode naïve bayes juga memiliki kelemahan pada seleksi atribut. Untuk menyelesaikan permasalahan tersebut, algoritma particle swarm optimization (PSO) dapat digunakan untuk melakukan pembobotan atribut untuk meningkatkan akurasi naïve bayes classifier.Kata kunci: Naïve Bayes Classifier, Particle Swarm Optimization, klasifikasi, pembobotan atribut.AbstractClassification is the process of identifying objects into a class, group or category based on the predetermined characteristics. In other words, classification is a process to group objects based on their class. Grouping objects can be done not only by classification but also by clustering, which is grouping objects according to the similarity between objects. One of the most frequently used methods for classification is Naïve Bayes Classifier. According to some researchers, Naïve Bayes methods has its strength which is a simple and fast algorithm that can acquire a high accuracy. However, the probability of Naïve Bayes methods cannot measure the level of accuracy of a prediction, the accuracy of the results of this method is still less than the C4.5 method, and Naïve Bayes method has a deficiency on the selection of attributes. To solve this problem, Particle Swarm Optimization Algorithm (PSO) can be used to give weight to attributes to improve the accuracy of Naïve Bayes Classifier.Keywords: Naïve Bayes Classifier, Particle Swarm Optimization, classification, attribute weighting.

Hybrid K-means Dan Particle Swarm Optimization Untuk Clustering Nasabah Kredit Anggodo, Yusuf Priyo; Cahyaningrum, Winda; Fauziyah, Aprilia Nur; Khoiriyah, Irma Lailatul; Kartikasari, Oktavianis; Cholissodin, Imam
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 4 No 2: Juni 2017
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

AbstrakKredit merupakan suatu pendapatan terbesar bagi bank. Akan tetapi, bank harus selektif dalam menentukan nasabah yang dapat menerima kredit. Permasalahan ini menjadi semakin komplek karena ketika bank salah memberikan kredit kepada nasabah dapat merugikan, selain itu banyaknya parameter penentu dalam penentuan nasabah yang kredit. Clustering merupakan salah satu cara untuk dapat menyelesaikan permasalahan ini. K-means merupakan metode yang simpel dan popular dalam menyelesaikan permasalahan clustering. Akan tetapi, K-means murni tidak dapat memberikan solusi optimum sehingga perlu dilakukan improve untuk mendapatkan solusi optimum. Salah satu metode optimasi yang dapat menyelesaikan permasalahan optimasi dengan baik adalah particle swarm optimization (PSO). PSO sangat membantu dalam proses clustering dengan melakukan optimasi pada titik pusat tiap cluster. Untuk meningkatkan hasil yang lebih baik pada PSO ada beberapa improve yang dilakukan. Pertama penggunaan time-variant inertia untuk membuat nilai w atau inertia dinamis ditiap iterasi. Kedua melakukan kontrol kecepatan partikel atau velocity clamping untuk mendapatkan posisi terbaik. Selain itu untuk mengatasi konvergensi dini dilakukan hybrid PSO dengan random injection. Hasil pengujian menunjukan hybrid PSO K-means memberikan hasil terbesar dibandingkan K-means dan PSO K-means, dimana silhouette dari K-means, PSO K-means, dan hybrid PSO K-means masing-masing 0.57343, 0.792045, 1.Kata kunci: Kredit, Clustering, PSO, K-means, Random InjectionAbstractCredit is the biggest revenue for the bank. However, banks have to be selective in deciding which clients can receive the credit. This issue is becoming increasingly complex because when the bank was wrong to give credit to customers can do harm, apart of that a large number of deciding parameter in determining customer credit. Clustering is one way to be able to resolve this issue. K-means is a simple and popular method for solving clustering. However, K-means pure can’t provide optimum solutions so that needs to be done to get the optimum solution to improve. One method of optimization that can solve the problems of optimization with particle swarm optimization is good (PSO). PSO is very helpful in the process of clustering to perform optimization on the central point of each cluster. To improve better results on PSO there are some that do improve. The first use of time-variant inertia to make the dynamic value of inertial w each iteration. Both control the speed of the particle velocity or clamping to get the best position. Besides to overcome premature convergence do hybrid PSO with random injection. The results of this research provide the optimum results for solving clustering of customer credits. The test results showed the hybrid PSO K-means provide the greatest results than K-means and PSO K-means, where the silhouette of the K-means, PSO K-means, and hybrid PSO K-means respectively 0.57343, 0.792045, 1.Keywords: Credit, Clustering, PSO, K-means, Random Injection

Optimasi Proses Rendering Objek Game 3D Menggunakan Pemrograman CUDA Pada Game Sandbox Craft Rizaldi, Hilmi Ilyas; Pramana, Firadi Surya; R, Bariq Najmi; A. N., Aditya Yudha; Cholissodin, Imam
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 4 No 3: September 2017
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

AbstrakKemajuan dalam pengembangan game khususnya 3D game menumbuhkan perasaan immersive yang lebih nyata. Namun, hal tersebut membutuhkan pengolahan resource yang sangat banyak dan cepat. Kerja Central Processing Unit (CPU) sendiri saja tidak cukup. Oleh karena itu, dibutuhkan adanya pengelola resource tambahan yang dapat digunakan untuk mempercepat proses. Penelitian ini membahas tentang bagaimana Graphics Processing Unit (GPU) dapat melakukan optimasi kerja CPU dalam memproses resource yang sangat banyak. Metode yang dibahas pada penelitian ini adalah shared memory. Shared memory memungkinkan CPU dan GPU untuk berbagi resource yang diproses. Game yang dianalisis pada penelitian ini adalah Craft, yaitu game yang memiliki tipe permainan sandbox layaknya Minecraft. Hasil yang didapatkan membuktikan bahwa metode shared memory dapat melakukan optimasi dari game yang membutuhkan pengolahan resource yang banyak dengan cepat.Kata kunci: games, shared memory, CPU, GPU, CUDA, comparative analysis, optimization, parallel computing AbstractGame development nowadays especially 3D game bring a more realistic immersive feeling. Although, that needs a lots of resource processing and quick processing. That is said, Central Processing Unit (CPU) alone is not enough. Therefore, additional process manager is needed to make the process faster. This research focuses on how Graphics Processing Unit (GPU) can optimize resource processing of CPU. The proposed approach is to use shared memory. Shared memory allows CPU and GPU to share resource processing. The game used in this research is Craft. Craft is the same as Minecraft. It is a game that focuses on sandbox gameplay. The result showed that this approach can greatly optimize game that needed a lots of resource processing.Keywords: games, shared memory, CPU, GPU, CUDA, comparative analysis, optimization, parallel computing

Optimasi Rendering Game 2D Asteroids Menggunakan Pemrograman CUDA Irawan, Fathony Teguh; Maâ€™rufi, Muhammad Rizal; Cholissodin, Imam
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 4 No 4: Desember 2017
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

AbstrakSumber untuk mendapatkan hiburan sangatlah banyak, salah satunya melalui media video game. Minatnya masyarakat terhadap video game dibuktikan dengan besarnya angka pengguna video game. Oleh karena itu, performa video game sangatlah diperhitungkan agar dapat memperluas pasar. Salah satu cara untuk meningkatkan performa dari video game adalah dengan memanfaatkan GPU. Cara untuk membuktikan bahwa performa GPU lebih baik daripada CPU dalam pemrosesan secara parallel adalah dengan cara membandingkan hasil dari proses CPU dibandingkan dengan hasil proses GPU. Paper ini memaparkan perbedaan performa sebuah video game yang diimplementasikan menggunakan CPU yang dibandingkan dengan implementasi GPU.Kata kunci: games, video game, game development, CPU, GPU, CUDA, optimasi, analisisAbstractThere are many sources for having fun, one of them is through video game. Public interest on video game is proven by the large number of video game user. Therefore, the performance of video game is considered to expand the market. One of many ways to improve performance is using GPU processing. The way to prove that GPU processing is faster than CPU processing on parallel process is by comparing the result of GPU processing and CPU processing. This paper describes the differences in performance of video game that is implemented using GPU approach and CPU approach.Keywords: games, video game, game development, CPU, GPU, CUDA, optimization, analysis

Pengembangan Deteksi Citra Mobil untuk Mengetahui Jumlah Tempat Parkir Menggunakan CUDA dan Modified YOLO Jupiyandi, Sisco; Saniputra, Fadhil Rizqullah; Pratama, Yoga; Dharmawan, Muhammad Robby; Cholissodin, Imam
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 6 No 4: Agustus 2019
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Besarnya lahan pada parkir dan jumlah kendaraan roda empat dalam hal ini adalah mobil, dapat menjadi kendala bagi pengendara lain dalam mengetahui posisi parkir mana yang masih dapat digunakan. Sistem pengembangan perparkiran yang ada masih kurang maksimal dalam memanfaatkan lahan dan efisiensi waktunya. Berdasarkan banyaknya kendaraan mobil yang semakin bertambah, maka kebutuhan akan lahan parkir juga semakin dibutuhkan. Banyak sekali sistem yang belum dapat menangani berbagai permasalahan yang ada. Sistem ini dapat mengetahui jumlah slot pada lahan parkir dengan akurat sehingga memudahkan pengelola. Selain itu sistem ini juga dikembangkan agar waktu pencarian lahan parkir oleh pengguna parkir bisa sangat cepat. Sistem ini menggunakan penerapan pemrograman GPU yang dikombinasi dengan Modified Yolo (M-Yolo). GPU pada M-Yolo dibutuhkan untuk mengolah citra sekaligus mengolah data untuk mendeteksi citra mobil dan jumlah mobil secara paralel. Hasil uji coba menunjukkan bahwa dengan menggunakan GPU dibandingkan dengan CPU dapat mempercepat waktu komputasi rata-rata sebesar 0,179 detik dengan rata-rata akurasi sebesar 100%.AbstractThe width of parking lot and the number of cars in the parking lot can be an obstacle for motorists to know the parking area in which part is still empty. Parking systems that exist at this time are still not maximal in the utilization of parking lots and time efficiency. Based on the number of vehicles that are growing, then the need for parking space is also more needed. Many of the existing parking systems have not been able to handle the various problems. This system can know the number of slots on the parking lot, making it easier for operators to know the empty parking lot. In addition, this system will also be designed so that parking time search by parking users doesn’t take a long time. This system uses implementation of GPU programming mixed with Modified Yolo (M-Yolo). GPU on M-Yolo is needed to process images while processing data to detect car and the number of cars using parallel computing. The test results show that using the GPU compared to the CPU can speed up the average computing time by 0.179 seconds and it obtained an average accuracy of 100%.

Pemeringkatan Pencarian pada Buku Pedoman Akademik Filkom UB Menuju Merdeka Belajar dan Free E-Book Pembelajaran Sebagai Prototype Local Smart Micro Search Engine Menggunakan Algoritma Pagerank dan TF-IDF Cholissodin, Imam; Saâ€™rony, Akhmad; Salsabila, Rona; Firmansyah, Ilham; Mahardika, Guedho Augnifico; Pardede, Andreas; Alaydrus, Zaien Bin Umar
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 8 No 5: Oktober 2021
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2021854384

Buku Pedoman Akademik FILKOM Universitas Brawijaya merupakan suatu kebutuhan informasi akademik yang cukup penting, dan juga buku penunjang pembelajaran seperti Free e-Book bagi para mahasiswa. Untuk memperoleh informasi yang relevan terhadap query yang diberikan seringkali belum sesuai dengan kebutuhan pencarian pengguna. Pengguna harus menguasai secara keseluruhan untuk mengetahui dokumen mana yang paling sesuai, dan proses ini akan memakan waktu yang banyak. Sistem ini mampu memberikan rekomendasi dokumen sesuai dengan hasil perhitungan pemeringkatan teks. Proses pemeringkatan teks dapat diselesaikan dengan algoritma PageRank, di mana dokumen yang memiliki bobot pemeringkatan terkecil, memiliki kata terbanyak pada dokumen tersebut. Algoritma ini telah dibuktikan mampu memeberikan feedback dokumen yang relevan melalui dua tahap pengujian. Evaluasi yang dilakukan terhadap dua buah pengujian menghasilkan rata-rata nilai recall tertinggi yaitu 80.6% pada data ke-1, dan data ke-2 didapatkan korelasi terbaik antara precision, recall dan f-measure sebesar 0,98, 0,99, 0,99. AbstractThe Brawijaya University FILKOM Academic Handbook is an important academic information need, as well as learning support books such as Free e-Books for students. To obtain information that is relevant to the query given is often not in accordance with the wishes of the user. Users must master the whole to find out which documents are most suitable, which is where the process will take a lot of time. This system is able to provide document recommendations in accordance with the results of the text ranking calculation. The process of ranking the text can be solved by the PageRank algorithm, where documents that have the smallest ranking weight, have the most words in the document. This algorithm has been proven to be able to provide feedback on relevant documents through two stages of testing. he evaluation conducted on the two tests resulted in the highest average recall value of 80.6% on the 1st dataset, and 2nd dataset the best correlation was obtained between precision, recall and f-measure of 0.98, 0.99, 0.99.

Klasifikasi Tingkat Laju Data Covid-19 Untuk Mitigasi Penyebaran Menggunakan Metode Modified K-Nearest Neighbor (MKNN) Cholissodin, Imam; Evanita, Felicia Marvela; Tedjasulaksana, Jeffrey Junior; Wahyuditomo, Kukuh Wicaksono
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 8 No 3: Juni 2021
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2021834400

COVID-19 atau Coronavirus Disease 2019 merupakan sebuah penyakit yang disebabkan oleh virus yang dapat menular melalui saluran pernapasan pada hewan atau manusia dan menyebabkan ribuan orang meninggal hampir di seluruh dunia, sehingga dinyatakan sebagai sebuah pandemi di banyak negara, termasuk di Indonesia. Kasus COVID-19 pertama kali ditemukan di Indonesia pada tanggal 2 Maret 2020, dalam menangani pandemi COVID-19 pemerintah menerapkan social distancing dengan menjaga jarak antara satu sama lain sejauh lebih dari 1 meter dan menerapkan protokol kesehatan yang telah diatur saat melakukan aktivitas di luar rumah sesuai anjuran World Health Organization (WHO). Rendahnya kesadaran masyarakat Indonesia dalam menerapkan social distancing dan protokol kesehatan menyebabkan bertambahnya kasus positif COVID-19 di Indonesia secara signifikan sehingga banyak korban yang meninggal, oleh karena itu pada penelitian ini kami membuat sistem klasifikasi tingkat laju data COVID-19 untuk mitigasi penyebaran di seluruh provinsi di Indonesia dengan menggunakan metode Modified K-Nearest Neighbor (MKNN) dengan hasil keluaran berupa kelas laju penyebaran yaitu laju penyebaran rendah yang artinya mitigasi penybarannya tinggi, kemudian kelas laju penyebaran sedang yang artinya mitigasi penyebarannya sedang, dan laju penyebaran tinggi yang berarti mitigasi penyebaran rendah dan dijelaskan lebih lanjut pada bagian metodologi penelitian. Hasil keluaran dari sistem bertujuan untuk meningkatkan kesadaran masyarakat Indonesia dalam mencegah COVID-19 dengan melihat kelas laju penyebaran pada masing-masing provinsi di Indonesia. Alasan penggunaan metode Modified K-Nearest Neighbor pada penelitian ini adalah karena metode Modified K-Nearest Neighbor merupakan salah satu metode klasifikasi yang cukup baik, dimana pada metode ini dilakukan pemvalidasian dan pembobotan yang bobot nya ditentukan dengan menghitung fraksi dari tetangga berlabel yang sama dengan total jumlah tetangga. Parameter yang digunakan dalam proses klasifikasi adalah jumlah kasus positif, jumlah orang yang sembuh, dan jumlah orang yang meninggal akibat COVID-19. Data yang digunakan pada penelitian ini berasal dari situs resmi kementerian kesehatan republik Indonesia yang dapat diakses pada link https://infeksiemerging.kemkes.go.id/ dengan jumlah data latih sebanyak 374 data pada tanggal 12 Mei 2020 sampai 22 Mei 2020 dan data uji sebanyak 136 data pada tanggal 23 Mei 2020 sampai tanggal 26 Mei 2020 , hasil akurasi yang dihasilkan adalah 97,79% dengan nilai K = 3. AbstractCOVID-19 or Coronavirus 2019 is a disease caused by a virus that can be transmitted through the respiratory tract to animals or humans and causes more people to die around the world, making it a pandemic in many countries, including Indonesia. COVID-19 cases were first discovered in Indonesia on March 2, 2020. Under the COVID-19 pandemic agreement, the government imposed a social grouping with a grouping of more than 1 meter apart from one another and the transfer of related health protection when carrying out activities outside the home as directed by the World Health Organization(WHO). Considering the Indonesian people in implementing social preservation and protecting health policies increase the positive acquisition of COVID-19 in Indonesia significantly related to the number of victims who died, therefore in this study, we created a COVID-19 data level assessment system for transfer mitigation in all provinces in Indonesia by using the Modified K-Nearest Neighbor (MKNN) method with the output in the form of a spread rate class, namely a low spread rate which means that the spread mitigation is high, then the medium spread rate class which means the spread mitigation is moderate, and the spread rate is high which means low spread mitigation which is further explained in the section on the research methodology. The purpose of the system output is to increase the awareness of the Indonesian people in preventing COVID-19. The parameters used in the classification process are the number of positives, the number of people recovered, and the number of people died by COVID-19 by looking at the class distribution rate in each province in Indonesia. The reason for using the Modified K-Nearest Neighbor method in this research is because the Modified K-Nearest Neighbor method is a fairly good classification method, where this method is validated and weighted whose weight is determined by calculating the fraction of neighbors labeled the same as the total of neighbors number. The data used in this study was released from the official website of the Ministry of Health of the Republic of Indonesia which can be accessed at the link https://infection.infemerging.kemkes.go.id/ with a total of 374 training data from May 12, 2020 to May 22, 2020 and test data As many as 136 data from 23 May 2020 to 26 May 2020, the resulting accuracy was 97.79% with a K = 3.

Penerapan Algoritme Nearest Centroid Neighbor Classifier Based on K Local Means Using Harmonic Mean Distance (LMKHNCN) Untuk Klasifikasi Hasil Kinerja Pegawai Negeri Sipil Hidayatullah, Adam Syarif; Bachtiar, Fitra Abdurrachman; Cholissodin, Imam
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 8 No 6: Desember 2021
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2021834431

Keberhasilan sebuah perusahaan terjadi karena dapat mengelola sumber daya manusianya dengan baik begitu juga sebaliknya. Salah satu instansi yang mengelola sumber daya manusia menggunakan Manajemen Talenta adalah Badan Kepegawaian Daerah (BKD) kota Malang, dengan mengevaluasi pegawainya setiap tahunnya setelah pekerjaan selesai dilakukan. Hal ini menyebabkan hasil pekerjaan yang telah dilakukan tidak optimal, sehingga perlu identifikasi dini pegawai yang memiliki kinerja dibawah rata – rata sehingga dapat dievaluasi dan meminimalisir hasil pekerjaan yang tidak optimal dengan menggunakan teknik klasifikasi. Penelitian ini menggunakan teknik klasifikasi Nearest Centroid Neighbor Classifier Based on K Local Means Using Harmonic Mean Distance (LMKHNCN). Metode ini merupakan metode modifikasi dari metode K-Nearest Neighbor (KNN) dan dibuktikan memiliki performa lebih baik dibandingkan dengan metode aslinya KNN. Dilakukan pengujian F1-Score dan akurasi menggunakan K-Fold Cross Validation untuk mengetahui persebaran akurasi dan juga pengujian mengenai pengaruh normalisasi karena tidak ada informasi normalisasi pada penelitian sebelumnya. Metode pada kasus ini menghasilkan performa klasifikasi yang baik, dibuktikan bahwa hasil akurasi dan F1-Score oleh metode ini berturut – turut ialah mencapai 98,8% dan 98,1%. AbstractThe success of company occurs because is manage human resources well and vice versa. One of institute that mange human resource using Talent Management is Malang city Badan Kepegawaian Daerah (BKD), which evaluates its employee annually after the work is completed. This can cause not optimal work result, so it necessary to early identification of employees who have performance below average performance so that can be evaluated and minimize not optimal result. This study is use classification technique Nearest Centroid Neighbor Classifier Based on K Local Means Using Harmonic Mean Distance (LMKHNCN). This method is modified base algorithm of K-Nearest Neighbor (KNN). F1-Score and Accuracy using K-Fold Cross Validation to measure performance of this method and normalization testing due to no any information about that in previous study. This method is proven to have better performance compared to it original algorithm KNN. The method in this study has produced good classification performance. The result of classification accuracy and F1-Score by this method reach 98,8% dan 98,1%.

Pengembangan Auto-AI Model Generatif Analisis Kompleksitas Waktu Algoritma Untuk Data Multi-Sensor IoT Pada Node-RED Menggunakan Extreme Learning Machine Cholissodin, Imam; Syauqy, Dahnial; Firmanda, Dwi Ady; Aji, Ibrahim; Rahman, Edy; Harahap, Syazwandy; Septino, Fernando
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 9 No 7: Spesial Issue Seminar Nasional Teknologi dan Rekayasa Informasi (SENTRIN) 2022
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2022976738

Awal mulanya, algoritma hanya dipakai untuk solusi penyelesaian persamaan matematika sederhana, seperti aljabar, aritmatika, probabilitas, dan lainnya yang lebih banyak dikerjakan secara manual dan membutuhkan waktu dan upaya yang cukup tinggi seperti pada kasus penghitungan nilai kompleksitas waktu algoritma dengan model rumus T(n), baik untuk algoritma non-rekursif maupun rekursif. Namun dengan perkembangan teknologi komputer untuk AI, Machine Learning maupun Deep Learning, algoritma dengan basis AI tersebut, dalam penelitian ini dikembangkan untuk menemukan solusi general persamaan model T(n) secara otomatis dari desain algoritma sederhana atau kompleks. Langkah dalam penelitian digunakan pembuatan model generatif berbasis algoritma Extreme Learning Machine (ELM) berdasarkan pencatatan nilai waktu komputasi pada beberapa kali pengujian untuk mengotomasi penentuan model persamaan kompleksitas waktu algoritma secara general baik untuk pencarian best case, worst case maupun average case untuk non-rekursif, dan base case dan recurrent case untuk rekursif, maupun keduanya. Hasil komparasi nilai T(n) dari ELM, yang tercepat atau terkecil waktu komputasinya digunakan sebagai rekomendasi algoritma untuk pengolahan data multi-sensor pada Internet of Things (IoT) simulator maupun non-simulator menggunakan Node-RED dengan tambahan platform yaitu flespi dan Heroku, sebagai solusi general untuk semua jenis kasus dan analisis algoritmanya. Berdasarkan pengujian didapatkan selisih nilai antara data aktual dengan hasil prediksi dalam ukuran nilai rata-rata MAPE sebesar 11,90%, yang menunjukkan nilai kesalahan yang cukup kecil. AbstractInitially, algorithms were only used for solving simple mathematical equations such as algebra, arithmetic, probability, and others that were mostly carried out manually and required quite a lot of time and effort as in the case of calculating the value of the time complexity of the algorithm with the formula model of T(n), both for non-recursive and recursive algorithms. However, with the development of computer technology for AI, both Machine Learning and Deep Learning, the AI-based algorithms in this study were developed to identify general solutions to the T(n) model equation automatically from simple or complex algorithm designs. The steps in the study are utilized to create a generative model based on the Extreme Learning Machine (ELM) algorithm according to the recording of computational time values on several tests to automate the determination of time complexity equation model of the algorithm in general including the search of best cases, worst cases, and average cases for non-recursive, and base cases and recurrent cases for recursive, as well as algorithms that contain both. The results of the comparison of T(n) values from ELM revealed that the fastest or smallest computational time is used as the algorithm recommendations for multi-sensor data processing in the Internet of Things (IoT) simulators and non-simulators by utilizing Node-RED with additional platforms i.e., flespi and Heroku, as a general solution for the entire types of cases and analysis of their algorithms. Based on the tests that have been carried out, the difference in value between the actual data and the prediction results in the size of the MAPE average value of 11.90%, which shows a fairly small error value.

Co-Authors ., Maryamah A. N., Aditya Yudha Achmad Jafar Al Kadafi, Achmad Jafar Afida, Latansa Nurry Izza Agnes Rossi Trisna Lestari, Agnes Rossi Ahmad Afif Supianto AJI, IBRAHIM Alaydrus, Zaien Bin Umar Alexander, Mikhael Anang Hanafi, Anang Ardisa Tamara Putri, Ardisa Tamara Arief Andy Soebroto Arniantya, Raissa Asikin, Moh. Fadel Bayu Rahayudi Brigitta Ayu Kusuma Wardhany, Brigitta Ayu Kusuma Budi Darma Setiawan Caesar, Canny Amerilyse Candra Dewi Dahnial Syauqy Daisy Kurniawaty, Daisy Daneswara Jauhari, Daneswara Destyana Ellingga Pratiwi Dharmawan, Muhammad Robby Dinda Novitasari, Dinda Dyan Putri Mahardika, Dyan Putri Efi Riyandani, Efi Evanita, Felicia Marvela Fauzi, Handika Agus Fauziyah, Aprilia Nur Firmanda, Dwi Ady Firmansyah, Ilham Fitra Abdurrachman Bachtiar Ghofur, Afwan H, Luqman Hakim Hanafi, Audi Nuermey Harahap, Syazwandy Hasan, Muhammad Ismail Heru Nurwarsito Hidayatullah, Adam Syarif Husin Muhamad, Husin Idham Triatmaja, Idham Irawan, Fathony Teguh Irma Lailatul Khoiriyah, Irma Lailatul Istiana Rachmi, Istiana Jonemaro, Eriq Muhammad Adams Jupiyandi, Sisco Kartikasari, Oktavianis Ksatria, Willyan Eka Kurnianingtyas, Diva Lailil Muflikhah Latifah Hanum Listiya Surtiningsih, Listiya Luqyana, Wanda Athira M Gilvy Langgawan Putra, M Gilvy Langgawan Maâ€™rufi, Muhammad Rizal Mahardika, Guedho Augnifico Maria Tenika Frestantiya, Maria Tenika Mayangsari, Lintang Resita Muhammad Fhadli, Muhammad MUHAMMAD SYAFIQ Muzayyani, Muhammad Farid Najib, Mochammad Ainun Nanda Agung Putra, Nanda Agung Nur Firra Hasjidla, Nur Firra Nurul Hidayat Pardede, Andreas Prabowo, Dhimas Anjar Pramana, Firadi Surya Prasojo, Cahyo Adi Pratama, Andhica R, Bariq Najmi Rahardian, Brillian Aristyo Rahman, Edy Randy Cahya Wihandika Ratih Kartika Dewi Rekyan Regasari Mardi Putri, Rekyan Regasari Mardi Rina Christanti, Rina Rizaldi, Hilmi Ilyas Robbana, Siti Saâ€™rony, Akhmad Salsabila, Rona Saniputra, Fadhil Rizqullah Santoso, Nurudin Sari, Selly Kurnia Satria, Arrofi Reza Seisarrina, Maulidya Larasaty Septino, Fernando Seruni, Diajeng Sekar Sugianto, Nur Afifah Sukmawati, Annisa Sunaryo, Aryeswara Sutrisno . Sutrisno, Sutrisno Tedjasulaksana, Jeffrey Junior Tusty Nadia Maghfira, Tusty Nadia Umi Rofiqoh, Umi Uswatun Hasanah Vivien Fathuroya, Vivien Wahyuditomo, Kukuh Wicaksono Wayan Firdaus Mahmudy Whenty Ariyanti Winda Cahyaningrum, Winda Winda Estu Nurjanah, Winda Estu Wulandari, Ulfa Lina Yoga Pratama Yuniarsa, M Fahrul Alam Yusuf Priyo Anggodo, Yusuf Priyo Zakiyyah, Rizka Husnun Ziya El Arief, Ziya El Zulianur Khaqiqiyah, Zulianur Zulqornain, Junda Alfiah

Title

Found 41 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 41 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 41 Documents
Search