Garuda - Garba Rujukan Digital

Aplikasi Fuzzy Goal Programming (Studi Kasus: UD. Sinar Sakti Manado) Tampinongkol, Felliks; Rindengan, Altien; Latumakulita, Luther
d'CARTESIAN:Jurnal Matematika dan Aplikasi Vol 4, No 2 (2015): September 2015
Publisher : Universitas Sam Ratulangi

Pengoptimalan merupakan salah satu proses penentuan tinggi rendah-nya suatu pendapatan atau memaksimumkan keuntungan, meminimumkan tenaga kerja sesuai dengan yang diinginkan oleh pengambil keputusan. Penentuan solusi optimal sering kali dipakai oleh sebuah perusahaan atau organisasi yang bergerak dibidang pemasaran atau produksi untuk memperoleh informasi yang dibutuhkan. Tujuan dari penelitian ini adalah membuat user interface (UI) untuk menyelesaikan masalah fuzzy goal programming (FGP) dan penentuan hasil solusi optimal pada perusahaan UD. Sinar Sakti Manado. Data yang digunakan merupakan data hasil produksi perusahaan pada tahun 2014. Dari hasil yang diperoleh, jika pengambil keputusan perusahaan menginginkan pendapatan minimum Rp. 250.000.000 dan waktu kerja maximum 2400 jam, maka keuntungan yang akan diperoleh perusahaan sebesar Rp. 318.816.650318.816.650 dengan produk yang harus dihasilkan adalah 2 buah Dresoar uk.250, 28,7646 buah Dresoar uk.150, 2 buah Dresoar uk.100 dan 24,1966 set Sofa Laminating. Kata kunci : Fuzzy Goal Programming, Optimalisasi, User InterfaceCallSend SMSCall from mobileAdd to SkypeYou'll need Skype CreditFree via Skype

Feature extraction of Jabon (Anthocephalus sp) leaf disease using discrete wavelet transform Felliks Feiters Tampinongkol; Yeni Herdiyeni; Elis Nina Herliyana
TELKOMNIKA (Telecommunication Computing Electronics and Control) Vol 18, No 2: April 2020
Publisher : Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12928/telkomnika.v18i2.10714

Jabon (Anthocephalus cadamba (Roxb.) Miq) is one type of forest plants that have very rapid growth until the process of the harvest. One inhibitor is a disease that attacks the leaves in the form of spots and blight that can cause death during the growth process of this tree. The purpose of this process is to detect the object of diseases that attack the leaves of jabon at the time in the nursery. Images of affected jabon leaf disease segmented by reducing the RGB color cylinders to separate the disease object from the background. Reduced channel G-R provides information in the form of disease areas contained in the image of Jabon leaf. Furthermore, the characteristics of leaf disease can be detected well using DWT in the 3-level decomposition process with SVM classification results that can separate both classes of spots and blight by 84.672%.

Identifikasi Penyakit Daun Tomat Menggunakan Gray Level Co-occurrence Matrix (GLCM) dan Support Vector Machine (SVM) Felliks Tampinongkol
Techno Xplore : Jurnal Ilmu Komputer dan Teknologi Informasi Vol 8 No 1 (2023): Techno Xplore: Jurnal Ilmu Komputer dan Teknologi Informasi
Publisher : Teknik Informatika, Fakultas Teknik dan Ilmu Komputer, Universitas Buana Perjuangan Karawang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36805/technoxplore.v8i1.3578

Tumbuhan memiliki peranan penting dalam menjaga keseimbangan ekosistem karena sebagai sumber makanan dalam suatu rantai makanan. Tumbuhan Tomat (Lycopersicon esculentum) merupakan salah satu sumber bahan makanan yang kaya akan nutrisi, gizi dan juga dapat memberikan energi. Tomat banyak digunakan diberbagai negara termasuk Indonesia dan menjadi buruan untuk dikreasikan dalam berbagai rempah masakan, sehingga tomat memiliki peranan dalam perekonomian yang disebabkan oleh banyaknya permintaan. Dalam menjaga pasokan tomat terus tersedia perlu adanya proses budidaya, dalam proses ini tumbuhan tomat mudah diserang oleh hama dan penyakit yang menyebabkan terjadinya bercak dan hawar pada daun tomat. Identifikasi citra daun tomat yang terserang penyakit dapat tersegmentasi pada hasil pengurangan channel warna [Green – Red] dalam citra RGB. Ciri penyakit hasil segmentasi diekstrak menggunakan GLCM dengan sudut 0o dan jarak ketetanggaan nilai antar pixel citra yang digunakan adalah 1 nilai piksel citra. Berdasarkan hasil yang diperoleh nila akurasi terbesar dari model SVM yang digunakan adalah 65% dengan kernel radial basis function, untuk membedakan dua jenis penyakit pada daun tomat. Nilai akurasi model SVM yang diperoleh dari hasil ekstraksi ciri GLCM diambil menggunakan persamaan Energy dan Entropy. Nilai akurasi model masih dapat ditingkatkan dengan menambahkan penciri lain yang terdapat pada GLCM.

Aplikasi Fuzzy Goal Programming (Studi Kasus: UD. Sinar Sakti Manado) Felliks Tampinongkol; Altien Rindengan; Luther Latumakulita
d\'Cartesian: Jurnal Matematika dan Aplikasi Vol. 4 No. 2 (2015): September 2015
Publisher : Sam Ratulangi University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35799/dc.4.2.2015.8650

Pengoptimalan merupakan salah satu proses penentuan tinggi rendah-nya suatu pendapatan atau memaksimumkan keuntungan, meminimumkan tenaga kerja sesuai dengan yang diinginkan oleh pengambil keputusan. Penentuan solusi optimal sering kali dipakai oleh sebuah perusahaan atau organisasi yang bergerak dibidang pemasaran atau produksi untuk memperoleh informasi yang dibutuhkan. Tujuan dari penelitian ini adalah membuat user interface (UI) untuk menyelesaikan masalah fuzzy goal programming (FGP) dan penentuan hasil solusi optimal pada perusahaan UD. Sinar Sakti Manado. Data yang digunakan merupakan data hasil produksi perusahaan pada tahun 2014. Dari hasil yang diperoleh, jika pengambil keputusan perusahaan menginginkan pendapatan minimum Rp. 250.000.000 dan waktu kerja maximum 2400 jam, maka keuntungan yang akan diperoleh perusahaan sebesar Rp. 318.816.650318.816.650 dengan produk yang harus dihasilkan adalah 2 buah Dresoar uk.250, 28,7646 buah Dresoar uk.150, 2 buah Dresoar uk.100 dan 24,1966 set Sofa Laminating. Kata kunci : Fuzzy Goal Programming, Optimalisasi, User InterfaceCallSend SMSCall from mobileAdd to SkypeYou'll need Skype CreditFree via Skype

Perbandingan Metode GLCM dan DWT Dalam Mengekstraksi Ciri Penyakit pada Daun Tomat (Solanum lycopersicum syn) Tampinongkol, Felliks; Herdian, Cevi; Basri, Hasan; Ginting, Jusia A; Purnomo, Yunianto
Techno Xplore : Jurnal Ilmu Komputer dan Teknologi Informasi Vol 8 No 2 (2023): Techno Xplore: Jurnal Ilmu Komputer dan Teknologi Informasi
Publisher : Teknik Informatika, Fakultas Teknik dan Ilmu Komputer, Universitas Buana Perjuangan Karawang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36805/technoxplore.v8i2.5423

Penyakit yang disebabkan oleh pathogen dapat menyebabkan terjadinya kematian pada suatu tanaman tertentu yang terjangkit oleh penyakit tersebut. Pathogen memerlukan inang untuk dapat berkembang biak agar dapat menginfeksi bagian tumbuhan yang masih sehat. Bagian daun pada tumbuhan yang menjadi tempat untuk pathogen berkembang biak, sehingga dapat mengakibatkan kematian jaringan pada daun dan membuat tumbuhan tidak dapat berkembang atau mati. Leaf spot dan leaf blight merupakan penyakit yang disebabkan oleh pathogen dan sering ditemukan pada tumbuhan seperti yang ditemukan pada tomat (Solanum lycopersicum syn). Identifikasi penyakit pada tanaman tomat dapat dilakukan dengan pendekatan image processing menggunakan gambar (image) dari daun tomat yang terkena penyakit berak (spot) dan hawar (blight). Gambar yang digunakan dilakukan proses segmentasi terlebih dahulu untuk memisahkan object penyakit dari background yang bukan area penyakit, area penyakit daun tomat berhasil tersegmentasi pada proses pengurangan antar channel warna Green–Red (GR). Sebaliknya invers channel warna tersebut mengsegmentasi area daun berwarna hijau atau area sehat. Setelah berhasil tersegmentasi selanjutnya image GR dilakukan pengenalan ciri menggunakan dua metode yang berbeda Gray Level Co-occurrence Matrix (GLCM) dan Discrete Wavelet Transform (DWT). Kedua metode dapat mengenali ciri penyakit daun dengan baik berdasarkan pada nilai Energy dan Entropy yang diperoleh. Tahapan selanjutnya dapat menambahkan teknik Machine Learning (ML) agar hasil pengenalan ciri penyakit daun dapat diklasifikasikan dan dijadikan model untuk melatih atau mengenali penyakit daun pada varietas tumbuhan yang lain.

Identifikasi Ciri Link Phishing Menggunakan Algoritma Random Forest Untuk Meningkatkan Keamanan Cyber Tampinongkol, Felliks; Ilham, Rozali; Kamila, Ahya; Purnomo, Yunianto; Herdian, Cevi; Virginia, Stella
Techno Xplore : Jurnal Ilmu Komputer dan Teknologi Informasi Vol 9 No 2 (2024): Techno Xplore: Jurnal Ilmu Komputer dan Teknologi Informasi
Publisher : Teknik Informatika, Fakultas Teknik dan Ilmu Komputer, Universitas Buana Perjuangan Karawang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36805/technoxplore.v9i2.7664

Abstract— Keamanan data digital diera teknologi yang semakin berkembang menjadi salah satu fokus utama yang harus diantisipasi agar tidak terjadi pencurian data atau privasi. Data privasi berupa pesan elektronik (email), nama, nomer handphone, password sampai pada nomer rekening bank tidak boleh sampai diketahui oleh orang yang tidak bertanggung jawab, karena akan menyebabkan dampak yang serius seperti pembobolan rekening bank dan tindak cybercrime yang lain. Salah satu tindak kejahatan cyber yang marak terjadi adalah link phishing, yang membuat korban dapat terkecoh apabila tidak melihat link dengan lebih teliti. Dengan memanfaatkan teknologi Artificial Intelligence (AI) dan Machine Learning (ML) dapat dibuat suatu system yang mampu mendeteksi apakah link tersebut terkategori sebagai link phishing atau legitimate link. Suatu link dapat dikatakan sebagai phishing atau legitimate itu dapat dilihat dari karakteristik link tersebut (features). Setiap link memiliki domain yang unik, keunikan dari domain ini yang digunakan sebagai nilai masukan pada system AI dan diproses menggunakan algoritma Random forests classification. Berdasarkan dengan hasil yang diperoleh system AI yang dirancang menggunakan random forest classification dapat memprediksi atau membedakan link phishing atau legitimate sebesar 0.77% sebagai nilai akurasi model, dengan menggunakan 6 features untuk digunakan sebagai data training. Penggunaan data link dan penambahan features yang akan digunakan sebagai data latih juga dapat dilakukan untuk meningkatkan akurasi dan presisi dari model yang telah diperoleh.

Title

Found 6 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 6 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 6 Documents
Search