Garuda - Garba Rujukan Digital

p-Index From 2020 - 2025

15.521

P-Index

This Author published in this journals

All Journal IAES International Journal of Artificial Intelligence (IJ-AI) Jurnal Ilmiah Teknik Elektro Komputer dan Informatika (JITEKI) Jurnal Teknologi Informasi dan Ilmu Komputer Jurnal POINTER Sinkron : Jurnal dan Penelitian Teknik Informatika Journal of Information Technology and Computer Science Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Jurnal Informatika dan Multimedia JAST : Jurnal Aplikasi Sains dan Teknologi TIN: TERAPAN INFORMATIKA NUSANTARA Jurnal Sistem Informasi, Teknologi Informasi, dan Edukasi Sistem Informasi (JUST-SI) DEDIKASI PKM Jurnal Informatika dan Multimedia Enrichment: Journal of Multidisciplinary Research and Development Majority Science Journal

Dian Eka Ratnawati

Brawijaya University, Malang

Author-ID : 440613

Aerospace Engineering Agriculture, Biological Sciences & Forestry Arts Humanities Automotive Engineering Biochemistry, Genetics & Molecular Biology Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Dentistry Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Health Professions Immunology & microbiology Industrial & Manufacturing Engineering Law, Crime, Criminology & Criminal Justice Materials Science & Nanotechnology Mathematics Mechanical Engineering Medicine & Pharmacology Neuroscience Nursing Physics Social Sciences Veterinary Other

Published : 190 Documents Claim Missing Document

Claim Missing Document

Articles

Title

1 2

Pengembangan Metode Klasifikasi Berdasarkan K-Means Dan LVQ Eka Ratnawati, Dian; ., Marji; Muflikhah, Lailil
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 1, No 1 (2014)
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (646.659 KB)

AbstrakPada penelitian ini dikembangkan metode klasifikasi berdasarkan pengelompokan K-Means dan LVQ. Metode-metode klasifikasi yang telah ada jika ada data dengan frekuensi kecil cenderung tidak digunakan dalam pengujian kelas, padahal dimungkinkan data tersebut sangat bermanfaat. Langkah untuk melakukan pengelompokan adalah: melakukan pengelompokkan dengan K-Means. Pengelompokan terus dilakukan sampai mencapai threshold (batasan tertentu). Jika threshold sudah dicapai dan pada satu cluster masih terdapat kelas yang berbeda maka dilakukan pembelajaran dengan menggunakan LVQ. Akurasi gabungan K-Means dan LVQ lebih baik daripada dengan K-Means murni. UntukÂ akurasi rata-rata tertinggi K-Means dan LVQ didapatkan 92%, sedang untuk K-Means murni 82%.Kata kunci: klasifikasi, pengelompokan, K-Means, LVQAbstractThis research will develop methods of classification based on K-Means clustering. Grouping method used is a combination of K-Means and LVQ. Classification methods that have been there if there is a small frequency data tend to be used in the test class, but it is possible they are very useful. Steps to perform grouping is doing the K-Means clustering. Grouping is continues until it reaches the threshold. If the threshold has been reached and there are cluster of different classes then performed using LVQ learning. Accuracy combined K-Means and LVQ is better than with pure K-Means. For the highest average accuracy of K-Means and LVQ gained 92%, while for the K-Means only 82%.Keywords: classification, grouping, K-Means, LVQ

Klustering Dengan K-Means Berbasis LVQ Dan K-Means Berbasis OWA Ratnawati, Dian Eka; ., Indriati
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 2, No 1 (2015)
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (873.466 KB)

Abstrak Pada penelitian ini dilakukan pembandingan hasil klustering pada data car evaluation dengan menggunakan K-Means berbasis LVQ (Learning Vector Quantization) dan K-Means berbasis OWA (Ordered Weighted Averaging). Pada kedua metode ini sama-sama mempergunakan K-Means tetapi yang sudah mengalami modifikasi. Hasil dari penelitian sebelumnya secara terpisah yang membandingkan metode K-Means modifikasi tersebut dengan K-Means konvensional menunjukkan bahwa kedua metode modifikasi tersebut sama-sama lebih baik daripada K-Means konvensional. Tetapi belum pernah ada penelitian yang membandingkan akurasi hasil klustering kedua metode modifikasi tersebut. Sehingga pada penelitian ini dilakukan klustering dengan menggunakan kedua metode tersebut untuk data car evaluation, karena dari penelitian sebelumnya kedua metode tersebut cukup handal dalam melakukan klustering.Â Hasil dari ujicoba menunjukkan rata-rata hasil akurasi dimulai yang tertinggi adalah K-Means berbasis LVQ(86.50%), K-Means berbasis OWA(86,16%) kemudian K-Means konvensional (56,50%). Tetapi dengan urutan atribut yang benar dan pemilihan nilai alpha yang tepat yakni 0.8, K-Means berbasis OWA bisa menghasilkan akurasi yang lebih tinggi yakni 93.33%. Â Kata kunci: K-Means berbasis LVQ, K-Means, K-Means berbasis OWA, bobot Abstract In this paper do a comparison with the results of klustering using K-Means based LVQ (Learning Vector Quantization) and K-Means based OWA (Ordered Weighted Averaging). In both of these methods used K-Means but which has been modified. Results from previous studies have shown that both methods are better than conventional K-Means. But there has never been a study comparing the accuracy of klustering results of the two methods. So in this study conducted klustering using both methods for data car evaluation, because of previous studies both methods are reliable enough to perform klustering In the researchs before it, both method are prefer than conventionalK-Means, but there are no researchs which compare them. So, in the research , we will compare it by using same data that isÂ car evaluation. In order to know what it is method is the best. The result of research are that in the average , K-Means LVQ(86.50%) is more accuracy than K-Means â OWA(86,16%) and conventional K-Means(56,50). But if the order of selection attributes and alpha values is correct ââ, K Means based OWA can generate higher accuracy that is 93.33 % using the alpha value of 0.8 Keywords: K-Means based LVQ, K-Means, K-Means based OWA, weight

Analisis Sentimen Berbasis Aspek Pada Ulasan Pelanggan Restoran Menggunakan Algoritma Support Vector Machine (Studi Kasus: Depot Bamara) Firdaus, Muhammad Fariz; Ratnawati, Dian Eka; Setiawan, Nanang Yudi
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 6: Desember 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2024117564

Ulasan pelanggan berperan penting dalam evaluasi produk dan layanan restoran. Ulasan pelanggan membantu restoran mengidentifikasi kekuatan dan kelemahannya. Depot Bamara adalah rumah makan yang belum efektif dalam memanfaatkan ulasan pelanggan karena kurangnya teknologi dan sumber daya manusia yang ahli dalam menerapkannya. Salah satu solusi yang dapat diimplementasikan adalah menggunakan analisis sentimen berbasis aspek dengan bantuan pembelajaran mesin. Analisis sentimen berbasis aspek memberikan pengetahuan yang lebih berfokus pada setiap aspek restoran, dan penggunaan pembelajaran mesin memungkinkan pemanfaatan ulasan dengan sumber daya manusia minimal. Penelitian menggunakan data ulasan pelanggan tahun 2021-2022 sebanyak 1029 ulasan melalui web scraping di situs Google Review. Kata-kata dalam ulasan diberi bobot menggunakan teknik pembobotan frequency inverse document frequency (TF-IDF) dan diklasifikasi menggunakan algoritma support vector machine (SVM). Model klasifikasi diuji dengan teknik k-fold cross validation, menghasilkan rata-rata accuracy sebesar 92%, menunjukkan performa yang baik. Pengujian juga dilakukan pada masing-masing aspek, menujukkan hasil klasifikasi pada aspek harga memiliki rata-rata accuracy tertinggi, sebesar 96%. Data ulasan dianalisis menggunakan root cause analysis (RCA). Hasil RCA menunjukkan bahwa akar masalah ulasan negatif adalah tidak adanya opsi kepedasan, SOP yang belum ada, pelatihan staf yang belum rutin, dan kurangnya ruang parkir dan penataan tempat duduk saat makan siang. Hasil RCA digunakan untuk membuat rekomendasi setelah berdiskusi dengan stakeholder. Abstract Customer reviews play an important role in the evaluation of restaurant products and services. Customer reviews can help restaurants identify their strengths and weaknesses. Depot Bamara is a restaurant that has not been effective in utilizing customer reviews due to the lack of technology and human resources who are experts in implementing it. One solution that can be implemented is using aspect-based sentiment analysis with the help of machine learning. Aspect-based sentiment analysis provides more focused knowledge on each aspect of the restaurant, and the use of machine learning allows the utilization of reviews with minimal human resources. The research used customer review data in the years 2021-2022 as many as 1029 reviews through web scraping on the Google Review site. Terms found in the reviews were weighted using the frequency inverse document frequency (TF-IDF) weighting technique and classified using the support vector machine (SVM) algorithm. The classification model was tested with k-fold cross validation, resulting in an average accuracy of 92%, indicating good performance. Tests were also carried out on each aspect, showing the classification results on the price aspect had the highest average accuracy, at 96%. The review data was analyzed using root cause analysis (RCA). The RCA results showed that the root causes of negative reviews were the absence of spiciness options, the lack of SOPs, the lack of regular staff training, and the lack of parking spaces and seating arrangements during lunch. The RCA results were used to make recommendations after discussions with stakeholders.

Analisis Sentimen Berbasis Aspek pada Aplikasi Mobile Menggunakan Naïve Bayes berdasarkan Ulasan Pengguna Playstore (Studi Kasus : Jconnect Mobile) Putra, Alland Rifqy; Ratnawati, Dian Eka
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 2: April 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025127556

JConnect Mobile merupakan salah satu aplikasi mobile banking di Indonesia yang dikembangkan oleh Bank Jatim. Hasil pengamatan pada ulasan playstore menunjukkan masih terdapat keluhan pengguna terkait aplikasi JConnect Mobile. Ulasan dari pengguna dapat dimanfaatkan sebagai sumber untuk melakukan peningkatan aplikasi. Salah satu cara untuk melakukan analisis pada ulasan pengguna yaitu dengan analisis sentimen. Penelitian ini melakukan analisis sentimen berbasis aspek untuk mengidentifikasi sentimen positif dan negatif pada ulasan pengguna. Data yang digunakan dalam penelitian ini adalah ulasan pengguna terhadap aplikasi JConnect Mobile di playstore. Aspek yang digunakan yaitu tampilan, fitur dan performa, layanan. Metode yang digunakan dalam penelitian ini yaitu pengumpulan data, pelabelan data, preprocessing teks, klasifikasi dan pengujian, analisis hasil. Klasifikasi dilakukan dengan menggunakan algoritma Naïve Bayes dan pembobotan Term Frequency-Inverse Document Frequency (TF-IDF). Hasil dari analisis sentimen dilakukan Root Cause Analysis (RCA) untuk mengetahui akar permasalahan dari sentimen negatif. Hasil pengujian algoritma Naïve Bayes pada seluruh data didapatkan akurasi sebesar 93.1%, presisi 93.2%, recall 93.1%, dan f1-score 93.1%. Hasil RCA menemukan lima permasalahan utama yang dapat ditingkatkan dari aplikasi. Berdasarkan hasil RCA kemudian dilakukan penyusunan rekomendasi untuk dapat meningkatkan kualitas layanan dari aplikasi. Hasil penelitian ini menghasilkan rekomendasi yang telah diserahkan kepada pihak Bank Jatim sebagai bahan evaluasi dan perbaikan dalam aspek tampilan, fitur, performa, dan layanan aplikasi untuk meningkatkan kepuasan pengguna. Abstract JConnect Mobile is one of the mobile banking applications in Indonesia developed by Bank Jatim. Observations on playstore reviews show that there are still user complaints regarding the JConnect Mobile application. Reviews from users can be utilized as a source for making application improvements. One way to analyze user reviews is with sentiment analysis. This research conducts aspect-based sentiment analysis to identify positive and negative sentiments in user reviews. The data used in this study are user reviews of the JConnect Mobile application in PlayStore. The aspects used are appearance, features and performance, service. The methods used in this research are data collection, data labeling, text preprocessing, classification and testing, result analysis. Classification is done using the Naïve Bayes algorithm and Term Frequency-Inverse Document Frequency (TF-IDF) weighting. The results of sentiment analysis are carried out Root Cause Analysis (RCA) to find out the root causes of negative sentiment. The results of testing the Naïve Bayes algorithm on all data obtained an accuracy of 93.1%, precision of 93.2%, recall of 93.1%, and f1-score of 93.1%. The RCA results found five main problems that can be improved from the application. Based on the RCA results, recommendations are made to improve the service quality of the application. The results of this study resulted in recommendations that have been submitted to the Bank Jatim as evaluation and improvement materials in the aspects of appearance, features, performance, and application services to increase user satisfaction.

Peramalan Penjualan Produk Menggunakan Extreme Gradient Boosting (XGBoost) dan Kerangka Kerja CRISP-DM untuk Pengoptimalan Manajemen Persediaan (Studi Kasus: UB Mart) Winurputra, Raihan; Ratnawati, Dian Eka
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 2: April 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025129451

Manajemen persediaan merupakan masalah yang umum dihadapi oleh bisnis ritel. UB Mart, sebuah bisnis ritel di Kota Malang mengalami permasalahan manajemen persediaan utamanya terkait persediaan produk yang kurang pada produk dengan perputaran penjualan yang sangat cepat. Manajemen persediaan pada UB Mart belum dilakukan menggunakan metode sistematis berbasis data, melainkan masih berdasarkan insting dan intuisi dari pengelola. Upaya yang dapat dilakukan untuk mengatasi permasalahan tersebut adalah dengan melakukan peramalan penjualan. Penelitian bertujuan untuk melakukan peramalan penjualan produk menggunakan model pembelajaran mesin Extreme Gradient Boosting (XGBoost) yang dikombinasikan dengan kerangka kerja Cross-Industry Process for Data Mining (CRISP-DM) sebagai pedoman manajemen proyek. Peramalan penjualan dilakukan dengan memanfaatkan data historis penjualan UB Mart dari bulan Januari 2020 hingga Juni 2023 terhadap 10 produk terpilih. Proses peramalan dilakukan melalui fase utama kerangka kerja CRISP-DM yaitu Business Understanding, Data Understanding, Data Preparation, Modeling, Evaluation, dan Deployment. Fase Modeling melibatkan pengujian penggunaan fitur untuk melatih model dengan performa terbaik. Hasil penelitian menunjukkan penerapan kerangka kerja CRISP-DM dapat memfasilitasi proses peramalan yang terstruktur serta memperkuat validitas hasil dalam konteks bisnis UB Mart. Fitur penanda jumlah transaksi dan fitur penanda transaksi dengan volume besar menunjukkan peran yang signifikan dalam melatih model XGBoost dengan performa terbaik. Model dengan performa terbaik memiliki nilai rata-rata Mean Absolute Error sebesar 11,58 dan nilai rata-rata Root Mean Squared Error sebesar 29,19 yang menunjukkan bahwa model memiliki kemampuan peramalan yang baik. Abstract Inventory management is a common issue faced by retail businesses. UB Mart, a retail business in Kota Malang, is experiencing inventory management problems, particularly related to product shortages on product that have fast sales turnover. Inventory management at UB Mart has not yet been conducted using a systematic, data-driven method, but rather relies solely on the intuition and instincts of the management. One approach to addressing that problem is implementing sales forecasting. This research aims to forecast product sales using the Extreme Gradient Boosting (XGBoost) machine learning model, combined with the Cross-Industry Process for Data Mining (CRISP-DM) framework as project management guideline. The sales forecasting uses UB Mart’s historical sales data from January 2020 to June 2023 for 10 selected products. The forecasting process follows the main phases of the CRISP-DM framework: Business Understanding, Data Understanding, Data Preparation, Modeling, Evaluation, and Deployment. The Modeling phase involves testing feature selection to train the model that can deliver best performance. The results of this research demonstrate that applying the CRISP-DM framework facilitates a structured forecasting process and enhances the validity of the forecast in the context of UB Mart’s business. Transaction count indicators and bulk transaction indicators significantly contribute to training the best-performing XGBoost model. The best-performing model achieved an average Mean Absolute Error of 11,58 and an average Root Mean Squared Error of 29,19, indicating the model’s good ability to forecast.

Analisis Sentimen Terhadap Pendapat Masyarakat Mengenai Pilkada 2024 Menggunakan Metode Support Vector Machine Bayu Satriawan, Eka; Satriawan, Eka Bayu; Wijoyo, Satrio Hadi; Ratnawati, Dian Eka
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 4: Agustus 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.124

Pemilihan Kepada Daerah dan Wakil Kepala Daerah, atau yang lebih dikenal sebagai Pilkada, merupakan pemilihan umum di Indonesia yang dilakukan secara langsung oleh masyarakat yang telah memenuhi ketentuan peraturan perundang-undangan. Twitter/X sebagai platform media sosial yang penting dalam komunikasi digital di Indonesia, menjadi tempat bagi masyarakat untuk menyuarakan pendapat mereka, termasuk pendapat mengenai pilkada. Tujuan penelitian ini adalah menganalisis sentimen masyarakat terhadap Pilkada melalui data yang dikumpulkan dari Twitter/X, serta memberikan wawasan berharga bagi pembuat kebijakan dan pemangku kepentingan dalam merespons aspirasi masyarakat. Analisis sentimen ini diharapkan dapat membantu memahami persepsi publik serta meningkatkan partisipasi dan kepercayaan masyarakat terhadap proses demokrasi. Penelitian ini dimulai dengan pengumpulan data dari Twitter/X. Proses berikutnya melibatkan enam tahap pre-processing, seperti case folding, pembersihan data, tokenizing, slang normalization, stemming, dan filtering. Metode klasifikasi menggunakan Support Vector Machine (SVM) dan pembobotan kata menggunakan Term Frequency-Inverse Document Frequency (TF-IDF) dengan menerapkan teknik oversampling dengan SMOTE untuk menyeimbangkan data. Hasil pengujian SVM berhasil mendapatkan performa tinggi dengan tingkat akurasi sekitar 93,09%, precision sekitar 93,13%, recall sekitar 93,09%, dan f1-score sekitar 93,08%. Analisis menggunakan Root Cause Analysis (RCA) terhadap empat aspek utama: kandidat, kebijakan dan regulasi, proses Pilkada, serta partai politik. Hasil analisis mengungkapkan sumber ketidakpuasan masyarakat terkait Pilkada, termasuk kekhawatiran akan kurangnya pengalaman kandidat, perubahan undang-undang yang dianggap tidak transparan, kelemahan dalam verifikasi identitas pemilih selama proses Pilkada, serta tuntutan untuk peningkatan komunikasi dan kinerja partai politik. Abstract The election of Regional Heads and Deputy Regional Heads, commonly known as Pilkada, is a general election in Indonesia conducted directly by citizens who meet the legal requirements. Twitter/X, as a prominent social media platform in Indonesia's digital communication landscape, serves as a platform for the public to express their opinions, including those about Pilkada. The aim of this study is to analyze public sentiment towards Pilkada using data collected from Twitter/X to provide valuable insights for policymakers and stakeholders in responding to public aspirations. This sentiment analysis is expected to help understand public perceptions and enhance participation and trust in the democratic process. The research begins with data collection from Twitter/X, followed by six pre-processing stages: case folding, data cleaning, tokenizing, slang normalization, stemming, and filtering. The classification method utilizes Support Vector Machine (SVM) and word weighting through Term Frequency-Inverse Document Frequency (TF-IDF), with oversampling techniques using SMOTE to balance the data. The SVM testing results achieved high performance with an accuracy rate of approximately 93,09%, precision of 93,13%, recall of 93,09%, and an f1-score of 93,08%. An analysis using Root Cause Analysis (RCA) was conducted on four key aspects: candidates, policies and regulations, the Pilkada process, and political parties. The analysis revealed sources of public dissatisfaction related to Pilkada, including concerns over candidates' lack of experience, perceived opacity in legislative changes, weaknesses in voter identity verification during the Pilkada process, and demands for improved communication and performance from political parties.

Pengembangan Metode Klasifikasi Berdasarkan K-Means Dan LVQ Eka Ratnawati, Dian; ., Marji; Muflikhah, Lailil
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 1 No 1: April 2014
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

AbstrakPada penelitian ini dikembangkan metode klasifikasi berdasarkan pengelompokan K-Means dan LVQ. Metode-metode klasifikasi yang telah ada jika ada data dengan frekuensi kecil cenderung tidak digunakan dalam pengujian kelas, padahal dimungkinkan data tersebut sangat bermanfaat. Langkah untuk melakukan pengelompokan adalah: melakukan pengelompokkan dengan K-Means. Pengelompokan terus dilakukan sampai mencapai threshold (batasan tertentu). Jika threshold sudah dicapai dan pada satu cluster masih terdapat kelas yang berbeda maka dilakukan pembelajaran dengan menggunakan LVQ. Akurasi gabungan K-Means dan LVQ lebih baik daripada dengan K-Means murni. Untuk akurasi rata-rata tertinggi K-Means dan LVQ didapatkan 92%, sedang untuk K-Means murni 82%.Kata kunci: klasifikasi, pengelompokan, K-Means, LVQAbstractThis research will develop methods of classification based on K-Means clustering. Grouping method used is a combination of K-Means and LVQ. Classification methods that have been there if there is a small frequency data tend to be used in the test class, but it is possible they are very useful. Steps to perform grouping is doing the K-Means clustering. Grouping is continues until it reaches the threshold. If the threshold has been reached and there are cluster of different classes then performed using LVQ learning. Accuracy combined K-Means and LVQ is better than with pure K-Means. For the highest average accuracy of K-Means and LVQ gained 92%, while for the K-Means only 82%.Keywords: classification, grouping, K-Means, LVQ

Klustering Dengan K-Means Berbasis LVQ Dan K-Means Berbasis OWA Ratnawati, Dian Eka; ., Indriati
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 2 No 1: April 2015
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Abstrak Pada penelitian ini dilakukan pembandingan hasil klustering pada data car evaluation dengan menggunakan K-Means berbasis LVQ (Learning Vector Quantization) dan K-Means berbasis OWA (Ordered Weighted Averaging). Pada kedua metode ini sama-sama mempergunakan K-Means tetapi yang sudah mengalami modifikasi. Hasil dari penelitian sebelumnya secara terpisah yang membandingkan metode K-Means modifikasi tersebut dengan K-Means konvensional menunjukkan bahwa kedua metode modifikasi tersebut sama-sama lebih baik daripada K-Means konvensional. Tetapi belum pernah ada penelitian yang membandingkan akurasi hasil klustering kedua metode modifikasi tersebut. Sehingga pada penelitian ini dilakukan klustering dengan menggunakan kedua metode tersebut untuk data car evaluation, karena dari penelitian sebelumnya kedua metode tersebut cukup handal dalam melakukan klustering. Hasil dari ujicoba menunjukkan rata-rata hasil akurasi dimulai yang tertinggi adalah K-Means berbasis LVQ(86.50%), K-Means berbasis OWA(86,16%) kemudian K-Means konvensional (56,50%). Tetapi dengan urutan atribut yang benar dan pemilihan nilai alpha yang tepat yakni 0.8, K-Means berbasis OWA bisa menghasilkan akurasi yang lebih tinggi yakni 93.33%. Kata kunci: K-Means berbasis LVQ, K-Means, K-Means berbasis OWA, bobot Abstract In this paper do a comparison with the results of klustering using K-Means based LVQ (Learning Vector Quantization) and K-Means based OWA (Ordered Weighted Averaging). In both of these methods used K-Means but which has been modified. Results from previous studies have shown that both methods are better than conventional K-Means. But there has never been a study comparing the accuracy of klustering results of the two methods. So in this study conducted klustering using both methods for data car evaluation, because of previous studies both methods are reliable enough to perform klustering In the researchs before it, both method are prefer than conventionalK-Means, but there are no researchs which compare them. So, in the research , we will compare it by using same data that is car evaluation. In order to know what it is method is the best. The result of research are that in the average , K-Means LVQ(86.50%) is more accuracy than K-Means – OWA(86,16%) and conventional K-Means(56,50). But if the order of selection attributes and alpha values is correct , K Means based OWA can generate higher accuracy that is 93.33 % using the alpha value of 0.8 Keywords: K-Means based LVQ, K-Means, K-Means based OWA, weight

Identifikasi Jenis Attention Deficit Hyperactivity Disorder (ADHD) Pada Anak Usia Dini Menggunakan Metode Neighbor Weighted K-Nearest Neighbor (NWKNN) Fadila, Putri Nur; ., Indriati; Ratnawati, Dian Eka
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 3 No 3: September 2016
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

AbstrakFase pertumbuhan dan perkembangan merupakan fase terpenting pada manusia, khususnya pada anak usia dini. Pertumbuhan dan perkembangan pada anak mempengaruhi bagaimana seorang anak tersebut ketika mencapai dewasa baik dari segi mental, fisik, maupun kecerdasaannya. Tentunya tidak semua anak mengalami perkembangan yang normal, bisa saja ada yang mengalami gangguan perkembangan. Salah satu gangguan perkembangan yang sering dialami pada anak usia dini adalah ADHD (Attention Deficit Hyperactivity Disorder). Untuk ADHD sendiri terdapat tiga jenis yaitu Inattention, Impulsif, dan Hyperactivity. Pada penelitian ini akan dilakukan identifikasi jenis ADHD berdasarkan gejala yang muncul menggunakan metode klasifikasi Neighbor Weigted K-Nearest Neighbor (NWKNN). Metode NWKNN merupakan metode perkembangan dari metode KNN, yang membedakan adalah pada NWKNN terdapat proses pembobotan terhadap setiap jenis yang akan di klasifikasikan. Pada penelitian ini akan dilakukan identifikasi jenis yang terdiri atas 4 jenis meliputi Inattention, Impulsif, Hyperactivity, dan Tidak ADHD. Hasil dari penelitian ini menunjukkan bahwa metode NWKNN dapat melakukan identifikasi jenis ADHD dengan baik ketika data latih yang digunakan sebanyak 80 data dengan data uji sebanyak 20 data, nilai K=10, dan nilai E=4 dengan hasil akurasinya mencapai 95%. Pada penelitian ini juga membuktikan bahwa metode NWKNN memiliki rata-rata akurasi 2% lebih baik dibandingkan metode KNN dalam melakukan identifikasi jenis ADHDKata Kunci: Perkembangan, Anak Usia Dini, ADHD, dan Metode NWKNNAbstractGrowth and development are the most important fase for human, especially for early age children. Growth and development indeed give an influence on how the child in mentalism, physical and shrewdness aspect when they are getting older. Not every children has a normal development, some of them can have development disruption. One of development disruptions that happen often for early age children is ADHD (Attention Deficit Hyperactivity Disorder). For ADHD, it has three kinds, which are inattention, impulsif and hyperactivity. In this research, the researcher will detect the kind of ADHD based on symptom arise using Neighbor Weigted K-Nearest Neighbor (NWKNN) method. NWKNN method is one of development methods from KNN method, the different is on NWKNN there is integrity process on every kind which being classified. In this research, there will be done some identification kind which consist of 4 kinds, Inattention, Implusif, Hyperactivity and not ADHD. The result of this research shows that NWKNN method able to done the ADHD identification well when data consist of 80 data training, 20 data testing, K score=10, and E score=4 with accuracy result that reach 95%. In this research also prove that NWKNN method have an accuracy of 2% better than KNN method to detect kind of ADHD.Keywords: Development, Early Age Children, ADHD, and NWKNN Method

Optimasi Komposisi Makanan Untuk Atlet Endurance Menggunakan Metode Particle Swarm Optimization Rachmad, Zikfikri Yulfiandi; Ratnawati, Dian Eka; Arwan, Achmad
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 3 No 2: Juni 2016
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

AbstrakOlahraga adalah aktivitas yang tidak terpisahkan dari kehidupan sehari-hari sebagian besar masyarakat karena dapat menjaga kesehatan tubuh. Salah satu jenis dari olahraga adalah olahraga Endurance (ketahanan). Olahraga ini di tiap tahunnya mengalami peningkatan jumlah atlet yang berpartisipasi. Saat perlombaan atau turnamen olahraga, selain latihan yang rutin, komposisi makanan yang tepat adalah salah satu faktor yang menunjang performa atlet agar menjadi lebih baik. Pada penelitian ini menggunakan metode PSO (Particle Swarm Optimization) untuk menentukan kombinasi bahan makanan untuk memenuhi kebutuhan gizi atlet olahraga endurance dalam sehari. Total bahan makanan yang digunakan sebanyak 125 bahan dan tiap makanan memiliki kandungan gizi berupa protein, lemak, dan karbohidrat. Untuk setiap partikel dalam metode PSO mengandung 14 bahan makanan dengan direpresentasikan nomor bahan makanan dari tabel database bahan makanan. Dari hasil pengujian parameter metode PSO pada penelitian ini diperoleh ukuran populasi terbaik sebesar 200 partikel, jumlah iterasi terbaik sebanyak 80, dan kombinasi nilai C1 dan C2 adalah 1 dan 1. Hasil dari uji coba studi kasus, dapat disimpulkan bahwa sistem dapat memberikan hasil rekomendasi menu makanan yang baik, yaitu yang masih dalam batas tolerasi ±10% selisih kecukupan kebutuhan gizi untuk atlet olahraga Endurance. Kata Kunci: Particle Swarm Optimization, PSO, Komposisi Makanan, Atlet, Olahraga Endurance.AbstractSport is an activity that can’t be separated from daily life because their benefits for health. Endurance sport is one of the sport’s variety. Nowadays, People that interested in Endurance sport are increasing. Thus, when the tournament season or competition are coming, the food compositions for diet are one of factors that had a necessary role for increasing the performance of an athlete in a daily occasion. This research used 125 of foods and each of it contained different proportion of nutritions included protein, fat, and carbohydrate. For each particles in PSO methode contained 14 different food ingredients that will be represented with index based on the database of this research. The giving result of PSO method’s testing that has been conducted are 200 particles for best population, 80 iterations, and the combination for C1 and C2 is 1 and 1. From those result can be concluded that the system of this research able to give a fitting recommendation of food composition, by using the ±10% of tolerance limit of nutrition difference between athlete’s nutrition needs and nutrition recommendation from the system. Keywords: Particle Swarm Optimization, PSO, Food Composition, Athlete, Endurance Sport.

Co-Authors Abdurrahman Airlangga, Aria Abhiram, Muhammad Tegar Achmad Arwan Achmad Ridok Achmad, Riza Putra Adhitya, I Made Yoga Adrian Firmansah, Dani Afif Ridhwan Afrida Djulya Ika Pratiwi Agus Wahyu Widodo Agustin Kartikasari Ahmad Afif Supianto Akbar, Rozaq Aldy Satria Alfa Fadlilah Alifah, Syafira Almira Syawli, Almira Alvian Akmal Nabhan Amonito, Kurnia Ana Mariyam Puspitasari Anak Agung Bagus Arisetiawan Anam, Syaiful Ardhiansyah, Muhammad Hanif Arief Andy Soebroto Arif Pratama Asmoro, Priandhita Sukowidyanti Asroru Maula Romadlon Audia Refanda Permatasari Ayu Dwi Lestari, Cynthia Ayulianita A. Boestari Azizul Hanifah Hadi Bayu Rahayudi Bayu Satriawan, Eka Bayu Septyo Adi Bella Krisanda Easterita Bening Herwijayanti Berton, Freddy Toranggi Buce Trias Hanggara Buce Trias Hanggara Buchori Anantya Firdaus Budi Darma Setiawan Cahyo Gusti Indrayanto Candra Dewi Dany Primanita Kartikasari Darma Setiawan, Budi Darmawan, Riski Davia Werdiastu Denny Manuel Yeremia Sinurat Deny Tisna Amijaya, Fidia Devi Nazhifa Nur Husnina Dewi Yanti Liliana Dhiva Mustikananda Dimas Diandra Audiansyah Dimas Fachrurrozi Azam diniyah, zubaidah Diva, Zahra Djoko Pramono Dwi Ari Suryaningrum Dwi Febry Indarwati Dwi Purwono, Prayoga Dwija Wisnu Brata Dyva Pandhu Adwandha Dzulkarnain, Tsania Dzulkarnain, Tsania - Easterita, Bella Krisanda Edgar Maulana Thoriq Edy Santoso Elfa Fatimah Ema Agasta Entra Betlin Ladauw Eva Agustina Ompusunggu Fadila, Putri Nur Faiz Anggiananta Winantoro Fanka Angelina Larasati Fathin Al Ghifari Fatthul Iman Fauzan Dwi Kurniawan, Fauzan Dwi Fauzidan Iqbal Ghiffari Figgy Rosaliana Firdaus, Muhammad Fariz Fitra Abdurrachman Bachtiar Fitri Dwi Astuti Fitria Yesisca Fitria, Tharessa Ghani Fikri Baihaqi glenando Gusti Ngurah Wisnu Paramartha Hadi Wijoyo, Satrio Hamas, radityo Hana Chyntia Morama Hanggara, Buce Trias Hanifa Maulani Ramadhan Haris Haris, Haris Harris Imam Fathoni Hasibuan, Herida Hafni Hasibuan, Raka Ardiansyah Heru Nurwasito Hilal, Khaliffman Rahmat Hilmy Ramadhan, Achmad Zhafran Huda Minhajur Rosyidin I Dewa Gede Ngurah Bramasta Darmawan Ibnu Aqli Ibnu Aqli, Ibnu Ibrahim Kusuma Ilyas, Muhaimin Imam Cholissodin Imam Cholissodin Imam Cholissodin Immanuel Tri Putra Sihaloho Indriati ., Indriati Indriati Indriati Ismiarta Aknuranda Issa Arwani Issa Arwani Isti Marlisa Fitriani Izza, Aisyah Nurul Jesika Silviana Situmorang Jibril Averroes, Muhammad Juan Michel Hesekiel Kartika, Annisa Wuri Kelvin Anggatanata Kevin Renjiro Khairi Ubaidah Khoba, Ahmad Faiz Khofifatunnabilah, Khofifatunnabilah Krishna Febianda Kusuma, Salsabila Azzahra' Zulfa Lailil Muflikhah Leonardo, Ryan Luqman Rizky Dharmawan M. Ali Fauzi Madjid, Marchenda Fayza Maghfiroh, Sofita Hidayatul Mahendra Data Mahendra Data Mala Nurhidayati Maliha Athiya Rahmani Marji . Marji Marji Marji Marji Marji Marji Maulana Syahril Ramadhan Hardiono Michael Eggi Bastian Mochammad Iskandar Ardiyansyah Rochman Moh Fadel Asikin Muh. Arif Rahman MUHAJIR Muhammad Iqbal Mustofa Muhammad Kevin Sandryan Muhammad Reza Utama Pulungan Muhammad Tanzil Furqon Muhyidin Ubaiddillah Muslimah, Fakhriyyatum Muthia Maharani Nabilah Iftah Nella Naily Zakiyatil Ilahiyah Nanang Yudi Setiawan Nanang Yudi Setiawan Nanda Alifiya Santoso Putri Nanda Petty Wahyuningtyas Nilna Fadhila Ganies Norma Desitasari Novirra Dwi Asri Nugraha Perdana, Aditya Nugraheni, Miftakhul Fitria Nur Adli Ari Darmawand Nur Khilmiyatul Ilmiyah Nuraini Anitasari Nuralam, Inggang Perwangsa Nurul Hidayat Nyimas Ayu Widi Indriana Oceandra Audrey Pandu Adikara, Putra Pangestu Ari Wijaya Panjaitan, RE. Miracle Prahesti, Suherni Prakoso, Ricky Pratomo Adinegoro Priyono, Mochammad Fajri Rahmatullah Rendra Puji Indah Lestari Purnomo, Welly Putra Pandu Adikara Putra, Alland Rifqy Rachmad, Zikfikri Yulfiandi Raden Rizky Widdie Tigusti Rahma, Dzakiyyah Afifah Rahmah, Yusriyah Raisha, Serefika Raja Farhan Ramadha Pohan Rama Humam Syarokha Randy Cahya Wihandika Rani Metivianis Ratih Diah Puspitasari RE. Miracle Panjaitan Rekyan Regasari Mardi Putri, Rekyan Regasari Mardi Retno Indah Rokhmawati, Retno Indah Revi Anistia Masykuroh Rifqi Irfansyah, Nandana Rizal Setya Perdana Rizal Setya Perdana Robiata Tsania Salsabila Aditya Putri Rodiah Rodiah Ryan Leonardo Salsabillah, Dinar Fairus Saparila Worokinasih Saputro, Dimas Satriawan, Eka Bayu Satrio Agung Wicaksono Satrio Hadi Wijoyo Sema Yuni Fraticasari Setiawan, Alexander Christo Setya Perdana, Rizal Setyowati, Andri Shafira Margaretta Sherly Witanto Sherryl Sugiono Sindarto Sigit Pangestu Silvia Ikmalia Fernanda Siregar, Fauziah Syifa R. Siti Fatimah Al Uswah Sobakhul Munir Siroj Sormin, Hartati Penta Angelina Sri Indrayani, Sri Suhhy Ramzini Sukmawati, A'inun Sutrisno Sutrisno Sutrisno, Sutrisno Syaiful Anam Syifa Namira Neztigaty Thifal Fadiyah Basar Titis Sari Kusuma Ulfa Lina Wulandari Utomo, Yoga Cahyo Vina Adelina Welly Purnomo Wibowo, Shinta Dewi Putri Widhy Hayuhardhika Nugraha Putra Wijanarko, Rizqi Winda Fitri Astiti Winurputra, Raihan Wiratama Paramasatya Yahya, Faiz Yolanda Nailil Ula Yudi Setiawan, Nanang Yuita Arum Sari Yunita Dwi Alfiyanti Yure Firdaus Arifin Zahra, Wardah

Title Search

Found 15 Documents Search Journal : Jurnal Teknologi Informasi dan Ilmu Komputer

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 15 Documents
Search
Journal : Jurnal Teknologi Informasi dan Ilmu Komputer