Article Per Year (5 Year)
p-Index From 2021 - 2026
2.99
P-Index
This Author published in this journals
All Journal ComEngApp : Computer Engineering and Applications Journal International Journal of Renewable Energy Development Journal of ICT Research and Applications CESS (Journal of Computer Engineering, System and Science) Indonesia Symposium on Computing Indonesian Journal on Computing (Indo-JC) Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) JIKO (Jurnal Informatika dan Komputer) JURNAL MEDIA INFORMATIKA BUDIDARMA Jiko (Jurnal Informatika dan komputer) KOMPUTEK Charity : Jurnal Pengabdian Masyarakat Jurnal Nasional Teknik Elektro dan Teknologi Informasi eProceedings of Engineering Dike International Journal of Renewable Energy Development
Danang Triantoro Murdiansyah
Telkom University
Arts Humanities Chemistry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Earth & Planetary Sciences Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering Mechanical Engineering Social Sciences

Published : 45 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 45 Documents
Search

 1   2   3   4   5 
Steganografi Menggunakan Blok Permutasi Dan Algoritma Genetika Andrian Yoga Pratama; Danang Triantoro Murdiansyah; Jondri Nasri
eProceedings of Engineering Vol 3, No 2 (2016): Agustus, 2016
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

In this final task do the process combination of steganography using Block Permutation Image Steganography (BPIS) and genetic algorithms. Steganography is the art and science of writing hidden messages or techniques to hide messages, so except the sender and receiver no one knows or realizes that there is a secret message. One technique that can be used in this process is the Block Permutation Image Steganography (BPIS). BPIS is an algorithm that serves to change the message or confidential information in the form of a set of binary sequences, then of the binary sequence that is encrypted using a permutation vector. In the end the result of the algorithm BPIS will be reprocessed using genetic algorithms and approaches Least Significant Bit (LSB). The initial hypothesis of this final task is Block Permutation Image Steganography (BPIS) and genetic algorithms with spatial domain techniques can be used in the optimization process of message insertion text on a digital image bitmap format (.bmp), so it will have a level higher security and quality of digital imagery remains good. From the research and trials that have been done show that the combination of the block permutation methods and genetic algorithms can be used in steganography. So the secret message can be inserted in the media cover image and extracted back from stego image. By applying the method of block permutation, the system has a higher security level, as well as genetic algorithm the insertion location messages can be optimized and the quality of the image will remains good. Keyword: Steganography, Block Permutation Image Steganography, Genetic Algorithm, spatial domain, Least Significant Bit, stego image, BMP
Deteksi Kanker Berdasarkan Klasifikasi Microarray Data Menggunakan Principal Component Analysis Dan Backpropagation Termodifikasi Dengan Conjugate Gradient Powell-beale Sugeng Hadi Wirasna; Adiwijaya Adiwijaya; Danang Triantoro Murdiansyah
eProceedings of Engineering Vol 4, No 1 (2017): April, 2017
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Kanker merupakan penyebab utama dalam kematian. Dalam setiap tahun diperkiran kanker akan terus meningkat karena tidak sehatnya gaya pola hidup. Pada beberapa dekade terakhir microarray berperan penting dalam diagnosis kanker. Microarray merupakan teknologi yang dapat menyimpan ribuan gen yang diambil dalam beberapa sel manusia sekaligus. Microarray memiliki dimensi data yang sangat besar oleh karena itu, untuk meningkatkan akurasi diagnosis kanker tersebut maka dibandingkan dengan teknik tradisional hal tersebut dilakukan dengan cara pengurangan dimensi dengan menggunakan Principal Component Analysis (PCA) dan Modified Back Propagation (MBP). MBP merupakan modifikasi dari Backpropagation Standart (BP)ISSN : 2355-9365 e-Proceeding of Engineering : Vol.4, No.1 April 2017 | Page 1247yang menerapkan metode Jaringan Syaraf Tiruan (JST) dengan algoritma Conjugate Gradient Powell-Beale untuk mempercepat proses pelatihan. Pada tugas akhir ini telah berhasil membuktikan bahwa Modifed Backpropagation (MBP) dan reduksi data menggunakan Principal Component Analisys (PCA) menunjukkan hasil lebah cepat dalam melakukan proses pelatihan. Hasil rata – rata dari pengujian menggunakan backpropagation termodifikasi dan PCA adalah performansi dari masing – masing dengan teknik linesearch Charalambous sebesar 72.38% dan Goldensection sebesar 79.33%. Metode ini juga bagus dalam hal waktu pelatihan, mengingat waktu rata – rata yang diperlukan 2.30 detik untuk linesearch Charalambous sedangkan Goldensection memerlukan 2.50 detik. Kata Kunci : kanker, microarray, principal component analysis (PCA), modified back propagation (mbp), conjugate gradient Powell-Beale.
Prediksi Penyakit Menggunakan Algoritma K-means Dan Ga Untuk Reduksi Dimensi Dengan Mengintegrasikan Svm Pada Data Berdimensi Tinggi Jodi Noordiansyah; Fhira Nhita; Danang Triantoro Murdiansyah
eProceedings of Engineering Vol 3, No 2 (2016): Agustus, 2016
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Dimensionality adalah salah satu tantangan dalam data mining, tantangan ini meliputi jumlah atribut yang begitu besar sehingga sering disebut dengan curse of dimensionality. Semakin besar jumlah atribut maka semakin memakan waktu dan memerlukan upaya komputasi yang berlebihan sehingga data sulit untuk ditangani. Hal yang diperlukan untuk mengatasi tantangan ini adalah dengan cara mereduksi dimensi dari data tersebut. Teknik reduksi yang dibahas pada tugas akhir ini adalah dengan menggunakan algoritma K-Means dengan cara pengelompokan data pada setiap cluster. Algoritma ini digunakan untuk mereduksi record yang kemudian dilanjutkan oleh GA sebagai feature selection untuk memilih atribut-atribut yang paling optimal berdasarkan nilai fitness tertinggi. Pencarian nilai fitness dilakukan dengan menggunakan metode klasifikasi yaitu SVM. Hasil dari pengujian sistem menghasilkan data yang direduksi oleh K-Means memiliki akurasi yang lebih rendah untuk dataset tertentu dibandingkan tanpa menggunakan K-Means. Atribut optimal yang dihasilkan GA bervariasi berdasarkan parameter yang digunakan. Data yang digunakan adalah data penyakit berdimensi tinggi berupa ekspresi gen yaitu colon tumor dan leukemia. Akurasi rata-rata terbaik yang didapat pada data colon tumor adalah 92.86% dengan jumlah atribut terpilih yaitu 983 atribut, sedangkan untuk data leukemia selalu menghasilkan atribut yang berkualitas dengan rata-rata akurasi 100%. Kata kunci : dimensionality, data mining, K-Means, GA, SVM
Prediksi Penyakit Menggunakan Algoritma K-nearest Neighbour Dan Algoritma Genetika Untuk Data Berdimensi Tinggi Hana Rufaidha; Fhira Nhita; Danang Triantoro Murdiansyah
eProceedings of Engineering Vol 3, No 2 (2016): Agustus, 2016
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Data mining menjadi salah satu cara untuk memahami teknik-teknik tertentu dalam mengolah data, sehingga dapat diperoleh informasi yang tersembunyi pada suatu data. Dalam proses nya, pengolahan data memiliki dimensi yang tinggi sehingga sulit untuk ditangani. Curse of dimensionality atau kutukan dimensi merupakan permasalahan nyata yang terkait dengan dimensi tinggi, sehingga proses pengolahan data menjadi kurang efektif. Evolutionary Data Mining merupakan salah satu solusi yang dapat mengatasi permasalahan data berdimensi tinggi. Genetic Algorithm (GA) merupakan salah satu algoritma Eas yang sangat berguna untuk memecahkan masalah pada proses pencarian (searching) dan proses optimasi (optimization). Algoritma K- Nearest Neighbour (KNN) merupakan algoritma data mining yang dapat digunakan untuk melakukan klasifikasi pada data dan Genetic Algorithm (GA) dapat membantu memaksimalkan klasifikasi akurasi subset dari atribut. Dengan menggunakan metode tersebut, diharapkan akan menghasilkan suatu akurasi prediksi diatas 75%. Kata kunci : data dimensi tinggi, evolutionary data mining, k-nearest neighbor, algoritma genetika
Optimasi Kapasitas Penyimpanan Stego-image Menggunakan Algoritma Particle Swarm Optimization Sahlya Handayati; Danang Triantoro Murdiansyah; Z K A Baizal
eProceedings of Engineering Vol 3, No 3 (2016): Desember, 2016
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Manusia telah menyembunyikan pesan rahasia dengan berbagai metode dan variasi salah satunya adalah Steganography. Steganography merupakan pengembangan dari teknik pengamanan data. Saat ini telah banyak metode untuk steganography, misalnya metode LSB, HC-RIOT coder, DCT, dan DWT. Kebanyakan penelitian baru-baru ini menerapkan Discrete Wavelet Transform (DWT) karena aplikasi yang luas dalam standar kompresi gambar baru, JPEG2000. Oleh karena itu pada tugas akhir akan diterapkan Discrete Wavelet Transform dan Particle Swarm Optimization pada steganography untuk mengoptimasi kapasitas penyimpanan stego-image. Algoritma Particle Swarm Optimization beserta Optimal Pixel Adjustment Process juga diterapkan untuk mendapatkan fungsi pemetaan yang optimal untuk mengurangi perbedaan antara Cover image dan Stego-image. Optimal Pixel Adjustment Process dilakukan setelah menyisipkan pesan kedalam Cover image. Hasil akhir dari optimasi kapasitas menggunakan algoritma Particle Swarm Optimization 59.1199 dB untuk PSNR dan 50 % untuk capacity Kata Kunci: Steganography, Discrete Wavelet Transform, Particle Swarm Optimization, Optimal Pixel Adjustment Process.
Optimasi Kapasitas Penyimpanan Menggunakan Algoritma Genetika Miranti Andhita Scantya; Z K A Baizal; Danang Triantoro Murdiansyah
eProceedings of Engineering Vol 3, No 3 (2016): Desember, 2016
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

-
Prediksi Indeks Harga Saham Menggunakan Metode Gabungan Support Vector Regression Dan Random Forest Barini Harahap; Rian Febrian Umbara; Danang Triantoro Murdiansyah
eProceedings of Engineering Vol 3, No 3 (2016): Desember, 2016
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Indeks harga saham adalah indikator atau cerminan pergerakan harga saham. Indeks merupakan salah satu pedoman bagi investor untuk menanamkan modal investasi di pasar modal khususnya saham. Penelitian ini memprediksi harga penutupan indeks harga saham pada hari ke (t+1), (t+5), (t+10), (t+20), dan (t+30) menggunakan metode gabungan Support Vector Regression (SVR) dan Random Forest (RF) lalu membandingkannya dengan menggunakan metode Support Vector Regression dan Random Forest . Data yang digunakan pada penelitian ini adalah data Indeks Harga Saham Gabungan Indonesia selama lima tahun (2011-2015). Hasil yang didapat pada penelitian ini adalah nilai MAPE metode SVR lebih kecil untuk prediksi hari ke (t+1) dan (t+5) dengan nilai MAPE sebesar 1.9119% dan 4.5691%, sedangkan untuk prediksi hari ke (t+10), (t+20), dan (t+30) metode yang memiliki nilai MAPE terkecil adalah metode SVR-RF dengan nilai MAPE sebesar 4.1173%, 8.6391%, dan 9.1708%. Dari hasil penelitian ini dapat disimpulkan bahwa metode SVR baik untuk prediksi jangka pendek sedangkan metode SVR-RF baik untuk prediksi jangka panjang. Kata kunci : Prediksi, Indeks Harga Saham, IHSG, Support Vector Regression, Random Forest.
Implementasi Algoritma Genetika Dan Jaringan Syaraf Tiruan Untuk Klasifikasi Penyakit Tumor Usus Besar Aldi Riyadi Ramadhan; Danang Triantoro Murdiansyah; Annisa Aditsania
eProceedings of Engineering Vol 5, No 3 (2018): Desember 2018
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak Tumor usus besar merupakan salah satu penyakit paling umum yang dapat menyebabkan kematian, di mana setengah juta kasus tumor usus besar terjadi setiap tahun di seluruh dunia. Kasus kematian dapat dicegah dengan melakukan diagnosis yang akurat sehingga pasien bisa mendapatkan pertolongan yang te-pat dan cepat. Diagnosis dilakukan dengan memperoleh informasi dari data DNA pasien yang berbentuk microarray memiliki ribuan atribut. Pada penelitian ini dipakai data ekspresi gen pasien tumor colon(tumor usus bensar), yang diambil dari Kent Ridge Biomedical Data Set Repository. Dimensi data ekspresi gen ber-jumlah ribuan hingga jutaan atribut sehingga proses komputasi memakan waktu dan upaya yang lebih besar. Maka dari itu dibutuhkan metode untuk melakukan reduksi dimensi, namun tetap menggunakan data-data terbaik yang mampu memberikan hasil yang akurat. Pada penelitian ini dilakukan penggabungan metode algoritma genetika serta jaringan syaraf tiruan atau lebih sering disebut AG-JST Hybrid yang mampu melakukan reduksi dimensi dan tetap menggunakan data-data terbaik. Hasil terbaik yang diberikan pada pengujian dengan AG-JST adalah reduksi dimensi data DNA sebesar 47% dan akurasi 89%. Kata kunci : DNA, Tumor usus besar, Algoritma Genetika, Jaringan Syaraf Tiruan, Hybrid. Abstract Colon tumors are one of the most common diseases that can cause death, where half a million cases of colon tumors occur every year around the world. Death cases can be prevented by making an accurate diagnosis so that patients can get the right and fast help. Diagnosis is done by obtaining information from patient DNA data in the form of textit microarray which has thousands of attributes. However, the dimensions of human DNA data amount to thousands to millions of attributes so the computational process takes more time and effort. Therefore we need a method to reduce dimensions, but still use the best data that can provide accurate results. In this study, a combination of genetic algorithm and artificial neural networks or more commonly called AG-JST textit Hybrid is capable of reducing dimensions and still using the best data. The best results given for testing with AG-ANN are the reduction of DNA data dimensions by 47 % and accuracy of 89 Keywords: DNA, Colon Tumor, Genetich Algorithm, Artificial Neural Networks, Hybrid.
Diagnosa Penyakit Jantung Koroner Pada Pasien Dengan Mengunakan Fuzzy Inference System Muhamad Paisal Hanip; Danang Triantoro Murdiansyah; Annisa Aditsania
eProceedings of Engineering Vol 6, No 1 (2019): April 2019
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak Penyakit Jantung Koroner (PJK) merupakan keadaan dimana terjadi penimbunan plak pembuluh darah koroner. Hal ini menyebabkan arteri koroner menyempit atau tersumbat. Arteri koroner merupakan arteri yang menyuplai darah ke otot jantung dengan membawa oksigen yang banyak. Penelitian ini menggunakan sistem fuzzy untuk mendiagnosa tingkat keparahan penyakit jantung koroner. Variabel input yang digunakan dalam penelitian yaitu Usia, Jenis kelamin, Tipe nyeri dada, Tekanan darah, Kolesterol, Gula darah, Restecg, Thalach, Nyeri dada, Oldpeak, Slope, Ca, Thal, Diagnosa. Dalam pembuatan sistem digunakan 90 data yang kemudian dibagi menjadi 2 jenis data yaitu 70 data training dan 20 data testing. Hasil dari penelitian tentang aplikasi sistem fuzzy untuk diagnosa penyakit jantung koroner yaitu diperoleh tingkat keakuratan pada metode defuzzifikasi centroid sebesar 92,8% untuk data training dan 90% untuk data testing, sedangkan untuk metode defuzzifikasi MOM diperoleh tingkat keakuratan data training sebesar 85,7% dan data testing sebesar 90%. Berdasarkan hasil penelitian, dapat dikatakan bahwa metode defuzzifikasi centroid lebih baik dibanding sistem defuzzifikasi MOM untuk sistem diagnosa penyakit jantung koroner, sehingga, dapat disimpulkan bahwa dengan menggunakan sistem fuzzy dengan defuzzifikasi centroid, kemungkinan benar dalam mendiagnosa Penyakit Jantung Koroner (PJK) sebesar 92,8%. Kata kunci : penyakit,jantung koroner,fuzzy,centroid,MOM,defuzzifikasi Abstract Coronary Heart Disease (CHD) is a condition where there is accumulation of coronary artery plaque. This causes the coronary arteries to narrow or become blocked. Coronary arteries are arteries that supply blood to the heart muscle by carrying large amounts of oxygen. This study uses a fuzzy system to diagnose the severity of coronary heart disease. Input variables used in the study are age, sex, cp, trestbps, chol, fbs, restecg, thalach, exang, oldpeak, slope, ca, thal. In making the system used 90 data which is then divided into 2 types of data, namely 70 training data and 20 testing data. The results of the research on the application of fuzzy systems for the diagnosis of coronary heart disease are obtained the level of accuracy in the centroid defuzzification method of 92.8% for training data and 90% for testing data, while for the MOM defuzzification method the training data accuracy rate is 85.7% and data testing of 90%. Based on the results of the study, it can be said that the centroid defuzzification method is better than the MOM defuzzification system for the coronary heart disease diagnosis system, so, it can be concluded that by using a fuzzy system with centroid defuzzification, it is likely correct in diagnosing Coronary Heart Disease (CHD) 92.8%. Keywords : disease, coronary heart, fuzzy, centroid, MOM, defuzzification
Implementasi Algoritma Modified K-nearest Neighbor (mknn) Untuk Klasifikasi Penyakit Kanker Payudara M Ikhsan Perdana Putra; Danang Triantoro Murdiansyah; Annisa Aditsania
eProceedings of Engineering Vol 6, No 1 (2019): April 2019
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak Kanker payudara adalah salah satu penyakit mematikan di dunia.Menurut data WHO tahun 2013,penderita kanker payudara di dunia meningkat dari 12,7 juta kasus pada tahun 2008 menjadi 14,1 kasus juta pada tahun 2012.Sedangkan jumlah kematian meningkat dari 7,6 juta orang tahun 2008 menjadi 8,2 juta pada tahun 2012[1]. Dikarenakan semakin tinggi penyakit kanker payudara penting untuk mengetahui dan mencegah penyakit tersebut. Penelitian ini menggunakan data dari “UCI – Machine Learning Repository Breast Cancer Winconsin”. Data yang diklasifikasikan terbagi atas 2 kelas yaitu kanker payudara jinak dan kanker payudara ganas. Tujuan dari penelitian ini adalah mengelompokkan penyakit tersebut termasuk kategori jinak atau ganas berdasarkan data yang ada. Penelitian ini menggunakan dataset breast cancer Wisconsin. Metode yang digunakan dalam penelitian ini adalah algoritma Modified K-Nearest Neighbor(MKNN). Hasil pengujian menunjukkan bahwa nilai K sangat mempengaruhi akurasi. Rata-rata akurasi cenderung menurun jika nilai K dinaikkan dan akurasi akan meningkat jika data latihnya dinaikkan. Hasil akurasi tertinggi pada pengujian ini sebesar 97.61 % dengan K=1 dan data latih 90%. Kata kunci : Kanker Payudara, Modified K-Nearest Neighbor(MKNN) Abstract Breast cancer is one of the deadliest diseases in the world. According to WHO data in 2013, breast cancer patients in the world increased from 12.7 million cases in 2008 to 14.1 million cases in 2012. While the number of deaths increased from 7.6 million people in 2008 became 8.2 million in 2012 [1]. Because the higher breast cancer is important to know and prevent the disease. This study uses data from "UCI - Machine Learning Repository Breast Cancer Wisconsin". Data classified are divided into 2 classes, namely benign breast cancer and malignant breast cancer. The purpose of this study is to classify the disease including benign or malignant categories based on existing data. This study uses the Wisconsin breast cancer dataset. The method used in this study is the Modified K-Nearest Neighbor (MKNN) algorithm. The test results show that the K value is very affect accuracy. Average accuracy tends to decrease if the value of K is increased and accuracy will increase if the training data is increased. The highest accuracy results in this test are 97.61% with K = 1 and training data 90%. . Keywords: breast cancer, Modified K-Nearest Neighbor(MKNN)
Co-Authors Aditya Pratama, Rangga Adiwijaya Aldi Riyadi Ramadhan Ali Helmut Andrian Yoga Pratama Annisa Aditsania Arief Chaerudin Aura Sukma Andini Barini Harahap Berlian Kaida Palma Chaerudin, Arief Dany Dwi Prayoga Dede Tarwidi Della Alfarydy Akbar Devi Pratami Dwi Nugroho Dwi Yanita Apriliyana Ekky Wicaksana Emir Husni Emir Husni, Emir Favian Dewanta Felix Octavianus Hasudungan Ferdian Yulianto fh Nhita Fhira Nhita Fikri Rozan Imadudin Gege Safet Yanto Raharjo Gery Nugroho Haditira, Ragil Haga Simada Ginting Hana Rufaidha Ika Arum Puspita Imadudin, Fikri Rozan Isman Kurniawan Jodi Noordiansyah Jondri Jondri Kemas M Lhaksmana Kemas Muslim Lhaksmana Kemas Rahmat Saleh Wiharja Litasari Widyastuti, Litasari Lukito Agung Waskito M Ikhsan Perdana Putra M. Hady Setiawan Mahendra, Muhammad Hafizh Mahmud Imrona Merry Sofhia Tambunan Miranti Andhita Scantya Muhamad Paisal Hanip Muhammad Ramadhan Gandidi Muhammad Zakiyullah Romdlony Narwan Ginanjar Narwan Ginanjar, Narwan Nida Mujahidah Azzahra Nurul Ikhsan Ragil Haditira Reza Rendian Septiawan Rian Febrian Umbara Sahlya Handayati Sugeng Hadi Wirasna Tiwa Ramdhani Umar Ali Ahmad Wicaksana, Ekky Widi Astuti Widi Astuti Youga Pratama Yuwantoro Mukhlisin ZK Abdurahman Baizal