Article Per Year (5 Year)
p-Index From 2021 - 2026
5.429
P-Index
This Author published in this journals
All Journal International Journal of Advances in Applied Sciences Tekno : Jurnal Teknologi Elektro dan Kejuruan Jurnal Visi Ilmu Pendidikan TELKOMNIKA (Telecommunication Computing Electronics and Control) Jurnal Informatika Harmonia: Journal of Research and Education International Journal of Artificial Intelligence Research INTENSIF: Jurnal Ilmiah Penelitian dan Penerapan Teknologi Sistem Informasi Knowledge Engineering and Data Science Jurnal Media Elektro : Journal of Electrical Power, Informatics, Telecommunication, Electronics, Computer and Control System ILKOM Jurnal Ilmiah JASIEK (Jurnal Aplikasi Sains, Informasi, Elektronika dan Komputer) Journal of Electronics, Electromedical Engineering, and Medical Informatics Mobile and Forensics International Journal of Visual and Performing Arts Journal of Robotics and Control (JRC) ILKOMNIKA: Journal of Computer Science and Applied Informatics Sains, Aplikasi, Komputasi dan Teknologi Informasi JPP (Jurnal Pendidikan dan Pembelajaran) Frontier Energy System and Power Engineering Jurnal JEETech Science in Information Technology Letters International Journal of Robotics and Control Systems Kaisa: Jurnal Pendidikan dan Pembelajaran ALINIER: Journal of Artificial Intelligence & Applications Fidelity : Jurnal Teknik Elektro SinarFe7 Jurnal Inovasi Teknologi dan Edukasi Teknik Jurnal INFOTEL Karunia: Jurnal Hasil Pengabdian Masyarakat Indonesia
Zaeni, Ilham Ari Elbaith
Universitas Negeri Malang
Aerospace Engineering Agriculture, Biological Sciences & Forestry Arts Humanities Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Health Professions Industrial & Manufacturing Engineering Library & Information Science Materials Science & Nanotechnology Mathematics Mechanical Engineering Neuroscience Physics Social Sciences Other

Published : 52 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search
Journal : Mobile and Forensics

 1 
Pelabelan Kelas Kata Bahasa Jawa Menggunakan Hidden Markov Model Mursyit, Mohammad; Wibawa, Aji Prasetya; Zaeni, Ilham Ari Elbaith; Rosyid, Harits Ar
Mobile and Forensics Vol 2, No 2 (2020)
Publisher : Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12928/mf.v2i2.2450

Abstract

Part of Speech Tagging atau POS Tagging adalah proses memberikan label pada setiap kata dalam sebuah kalimat secara otomatis. Penelitian ini menggunakan algoritma Hidden Markov Model (HMM) untuk proses POS Tagging. Perlakuan untuk unknown words menggunakan Most Probable POS-Tag. Dataset yang digunakan berupa 10 cerita pendek berbahasa Jawa terdiri dari 10.180 kata yang telah diberikan tagsetBahasa Jawa. Pada penelitian ini proses POS Tagging menggunakan dua skenario. Skenario pertama yaitu menggunakan algoritma Hidden Markov Model (HMM) tanpa menggunakan perlakuan untuk unknown words. Skenario yang kedua menggunakan HMM dan Most Probable POS-Tag untuk perlakuan unknown words. Hasil menunjukan skenario pertama menghasilkan akurasi sebesar 45.5% dan skenario kedua menghasilkan akurasi sebesar 70.78%. Most Probable POS-Tag dapat meningkatkan akurasi pada POS Tagging tetapi tidak selalu menunjukan hasil yang benar dalam pemberian label. Most Probable POS-Tag dapat menghilangkan probabilitas bernilai Nol dari POS Tagging Hidden Markov Model. Hasil penelitian ini menunjukan bahwa POS Tagging dengan menggunakan Hidden Markov Model dipengaruhi oleh perlakuan terhadap unknown words, perbendaharaan kata dan hubungan label kata pada dataset.  Part of Speech Tagging or POS Tagging is the process of automatically giving labels to each word in a sentence. This study uses the Hidden Markov Model (HMM) algorithm for the POS Tagging process. Treatment for unknown words uses the Most Probable POS-Tag. The dataset used is in the form of 10 short stories in Javanese consisting of 10,180 words which have been given the Javanese tagset. In this study, the POS Tagging process uses two scenarios. The first scenario is using the Hidden Markov Model (HMM) algorithm without using treatment for unknown words. The second scenario uses HMM and Most Probable POS-Tag for treatment of unknown words. The results show that the first scenario produces an accuracy of 45.5% and the second scenario produces an accuracy of 70.78%. Most Probable POS-Tag can improve accuracy in POS Tagging but does not always produce correct labels. Most Probable POS-Tag can remove zero-value probability from POS Tagging Hidden Markov Model. The results of this study indicate that POS Tagging using the Hidden Markov Model is influenced by the treatment of unknown words, vocabulary and word label relationships in the dataset.
Single Exponential Smoothing-Multilayer Perceptron Untuk Peramalan Pengunjung Unik Jurnal Elektronik Ferdinand, Miftakhul Anggita Bima; Wibawa, Aji Prasetya; Zaeni, Ilham Ari Elbaith; Rosyid, Harits Ar
Mobile and Forensics Vol 2, No 2 (2020)
Publisher : Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12928/mf.v2i2.2034

Abstract

Jumlah kunjungan rerata pengunjung unik per hari pada jurnal elektronik menunjukkan bahwa hasil terbitan karya ilmiah website tersebut menarik. Sehingga jumlah pengunjung unik dijadikan indikator penting dalam mengukur keberhasilan sebuah jurnal elektronik untuk memenuhi perluasan, penyebaran dan percepatan sistem akreditasi jurnal. Pengunjung Unik merupakan jumlah pengunjung per Internet Address (IP) yang mengakses sebuah jurnal elektronik dalam kurun waktu tertentu. Terdapat beberapa metode yang biasa digunakan untuk peramalan, diantaranya adalah Multilayer Perceptron (MLP).  Kualitas data berpengaruh besar dalam membangun model MLP yang baik, karena sukses tidaknya permodelan pada MLP sangat dipengaruhi oleh data input. Salah satu cara untuk meningkatkan kualitas data adalah dengan melakukan smoothing pada data tersebut. Pada penelitian ini digunkan metode peramalan Multilayer Perceptron berdasarkan penelitian sebelumnya dengan kombinasi data training dan testing 80%-20% dengan asitektur 2-1-1 dan learning rate 0,4. Selanjutnya untuk meningkatkan kualitas data dilakukan smoothing dengan menerapkan metode Single Exponential Smoothing. Dari penelitian yang dilakukan diperoleh hasil terbaik menggunakan alpha 0.9 dengan hasil akurasi MSE 94.02% dan RMSE 75.54% dengan lama waktu eksekusi 580,27 detik. The number of visits by the average unique visitor per day on electronic journals shows that the published scientific papers on the website are interesting. So that the number of unique visitors is used as an important indicator in measuring the success of an electronic journal to meet the expansion, dissemination and acceleration of the journal accreditation system. Unique Visitors is the number of visitors per Internet Address (IP) who access an electronic journal within a certain period of time. There are several methods commonly used for forecasting, including the Multilayer Perceptron (MLP). Data quality has a big influence in building a good MLP model, because the success or failure of modeling in MLP is greatly influenced by the input data. One way to improve data quality is by smoothing the data. In this study, the Multilayer Perceptron forecasting method was used based on previous research with a combination of training data and testing 80% -20% with a 2-1-1 architecture and a learning rate of 0.4. Furthermore, to improve data quality, smoothing is done by applying the Single Exponential Smoothing method. From the research conducted, the best results were obtained using alpha 0.9 with MSE accuracy of 94.02% and RMSE 75.54% with a long execution time of 580.27 seconds.
Single Exponential Smoothing-Multilayer Perceptron Untuk Peramalan Pengunjung Unik Jurnal Elektronik Ferdinand, Miftakhul Anggita Bima; Wibawa, Aji Prasetya; Zaeni, Ilham Ari Elbaith; Rosyid, Harits Ar
Mobile and Forensics Vol. 2 No. 2 (2020)
Publisher : Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12928/mf.v2i2.2034

Abstract

Jumlah kunjungan rerata pengunjung unik per hari pada jurnal elektronik menunjukkan bahwa hasil terbitan karya ilmiah website tersebut menarik. Sehingga jumlah pengunjung unik dijadikan indikator penting dalam mengukur keberhasilan sebuah jurnal elektronik untuk memenuhi perluasan, penyebaran dan percepatan sistem akreditasi jurnal. Pengunjung Unik merupakan jumlah pengunjung per Internet Address (IP) yang mengakses sebuah jurnal elektronik dalam kurun waktu tertentu. Terdapat beberapa metode yang biasa digunakan untuk peramalan, diantaranya adalah Multilayer Perceptron (MLP). Kualitas data berpengaruh besar dalam membangun model MLP yang baik, karena sukses tidaknya permodelan pada MLP sangat dipengaruhi oleh data input. Salah satu cara untuk meningkatkan kualitas data adalah dengan melakukan smoothing pada data tersebut. Pada penelitian ini digunkan metode peramalan Multilayer Perceptron berdasarkan penelitian sebelumnya dengan kombinasi data training dan testing 80%-20% dengan asitektur 2-1-1 dan learning rate 0,4. Selanjutnya untuk meningkatkan kualitas data dilakukan smoothing dengan menerapkan metode Single Exponential Smoothing. Dari penelitian yang dilakukan diperoleh hasil terbaik menggunakan alpha 0.9 dengan hasil akurasi MSE 94.02% dan RMSE 75.54% dengan lama waktu eksekusi 580,27 detik. The number of visits by the average unique visitor per day on electronic journals shows that the published scientific papers on the website are interesting. So that the number of unique visitors is used as an important indicator in measuring the success of an electronic journal to meet the expansion, dissemination and acceleration of the journal accreditation system. Unique Visitors is the number of visitors per Internet Address (IP) who access an electronic journal within a certain period of time. There are several methods commonly used for forecasting, including the Multilayer Perceptron (MLP). Data quality has a big influence in building a good MLP model, because the success or failure of modeling in MLP is greatly influenced by the input data. One way to improve data quality is by smoothing the data. In this study, the Multilayer Perceptron forecasting method was used based on previous research with a combination of training data and testing 80% -20% with a 2-1-1 architecture and a learning rate of 0.4. Furthermore, to improve data quality, smoothing is done by applying the Single Exponential Smoothing method. From the research conducted, the best results were obtained using alpha 0.9 with MSE accuracy of 94.02% and RMSE 75.54% with a long execution time of 580.27 seconds.
Pelabelan Kelas Kata Bahasa Jawa Menggunakan Hidden Markov Model Mursyit, Mohammad; Wibawa, Aji Prasetya; Zaeni, Ilham Ari Elbaith; Rosyid, Harits Ar
Mobile and Forensics Vol. 2 No. 2 (2020)
Publisher : Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12928/mf.v2i2.2450

Abstract

Part of Speech Tagging atau POS Tagging adalah proses memberikan label pada setiap kata dalam sebuah kalimat secara otomatis. Penelitian ini menggunakan algoritma Hidden Markov Model (HMM) untuk proses POS Tagging. Perlakuan untuk unknown words menggunakan Most Probable POS-Tag. Dataset yang digunakan berupa 10 cerita pendek berbahasa Jawa terdiri dari 10.180 kata yang telah diberikan tagset Bahasa Jawa. Pada penelitian ini proses POS Tagging menggunakan dua skenario. Skenario pertama yaitu menggunakan algoritma Hidden Markov Model (HMM) tanpa menggunakan perlakuan untuk unknown words. Skenario yang kedua menggunakan HMM dan Most Probable POS-Tag untuk perlakuan unknown words. Hasil menunjukan skenario pertama menghasilkan akurasi sebesar 45.5% dan skenario kedua menghasilkan akurasi sebesar 70.78%. Most Probable POS-Tag dapat meningkatkan akurasi pada POS Tagging tetapi tidak selalu menunjukan hasil yang benar dalam pemberian label. Most Probable POS-Tag dapat menghilangkan probabilitas bernilai Nol dari POS Tagging Hidden Markov Model. Hasil penelitian ini menunjukan bahwa POS Tagging dengan menggunakan Hidden Markov Model dipengaruhi oleh perlakuan terhadap unknown words, perbendaharaan kata dan hubungan label kata pada dataset. Part of Speech Tagging or POS Tagging is the process of automatically giving labels to each word in a sentence. This study uses the Hidden Markov Model (HMM) algorithm for the POS Tagging process. Treatment for unknown words uses the Most Probable POS-Tag. The dataset used is in the form of 10 short stories in Javanese consisting of 10,180 words which have been given the Javanese tagset. In this study, the POS Tagging process uses two scenarios. The first scenario is using the Hidden Markov Model (HMM) algorithm without using treatment for unknown words. The second scenario uses HMM and Most Probable POS-Tag for treatment of unknown words. The results show that the first scenario produces an accuracy of 45.5% and the second scenario produces an accuracy of 70.78%. Most Probable POS-Tag can improve accuracy in POS Tagging but does not always produce correct labels. Most Probable POS-Tag can remove zero-value probability from POS Tagging Hidden Markov Model. The results of this study indicate that POS Tagging using the Hidden Markov Model is influenced by the treatment of unknown words, vocabulary and word label relationships in the dataset.
Co-Authors A.N. Afandi Adam Rachmawan Adib Nur Sasongko Aditama Yudha Atmanegara Adjie Rosyidin Afifah Salim Afnan Habibi, M. Afrian, Ronny Agung Bella Putra Utama Aji Prasetya Wibawa Aji Wibawa Akhmad Afrizal Rizqi Amalia Sufa Andrew Nafalski Andy Hermawan Anggraeni Budiarti Anik N. Handayani Anik Nur Handayani Arengga Wibowo, Danang Arifin, Samsul Aripriharta - Aripriharta Aripriharta Arya Kusuma Wardhana Arya Tandy Hermawan Atmaja, Nimas Hadi Dessy Rif’a Anzani Dian Candra Lestari Dony Setiawan Dwiyanto, Felix Andika Dyah Lestari Eko Pambagyo Setyobudi Elmusyah, Hakkun Erinda, Hayyu Fahreza Al Rafi, Muhammad Alif Fanani, Erianto Faozan Fauzi, Rochmad Fawaidul Badri Febi Elvara Aprilia Felix Andika Dwiyanto Felix Andika Dwiyanto Ferdiansyah, Dodik Septian Ferdinand, Miftakhul Anggita Bima Fitriana Kurniawati Gunawan Gunawan Gunawan Gwinny Tirza Rarastri Hakkun Elmunsyah Hanny Prasetya Hariyadi Hari Putranto Harits Ar Rosyid Hartono, Nickolas Hendrawan, William Hartanto Hidayah Kariima Fithri Hsien-I Lin I Made Wirawan Irvan, Mhd Ismail, Amelia Ritahani Ivatus Sunaifah Kartika Kirana Kevin Raihan Khafit Zaman Kotaro Hirasawa Liliek Rahayu M. Adib Nursasongko Maftuh Ahnan Mahisha Laila Moh. Iqbal Ardiansyah Mohamad Iqbal Mokh Sholihul Hadi Muhammad Arrazy Muhammad Firmansyah Muhammad Hafiizh Muhammad Iqbal Akbar Muhammad Khusairi Osman Muhammad Rifai Muhammad Syauqi Muhammad Usman Mursyit, Mohammad Nafalski, Andrew Ningtyas, Yana Nurfadila, Piska Dwi Nusantar, Alrizal Akbar Nusantar Akbar Prana Ihsanuddin, Adika Puji Santoso Pundhi Yuliawati Rasidy, Ahmad Himawari Retno Indah Rokhmawati Ridwan Shalahuddin Rina Dewi Indahsari Riris Andriani Rizal Kholif Nurrohman Ronny Afrian Samsul Arifin Setumin, Samsul Setyorini Setyorini Shandy Darmawan Simbolon, Triyanti Siti Sendari Sugiono, Bhima Satria Rizki Sujito Sujito Suyono Suyono Syaad Patmanthara Syafaat, Mokhammad Tri Atmadji Sutikno Utama, Agung Bella Putra Wibisono, M. Nurwiseso Yandhika Surya Akbar Gumilang Yogi Dwi Mahandi Yosi Kristian Zafifatuz Zuhriyah