Garuda - Garba Rujukan Digital

Comparative analysis of classification algorithms for critical land prediction in agricultural cultivation areas Deden Istiawan
Jurnal Teknologi dan Sistem Komputer Volume 8, Issue 4, Year 2020 (October 2020)
Publisher : Department of Computer Engineering, Engineering Faculty, Universitas Diponegoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.14710/jtsiskom.2020.13668

Currently, the identification of critical land, that has been physically, chemically, and biologically damaged, uses a geographic information system. However, it requires a high cost to get the high resolution of satellite images. In this study, a comparison framework is proposed to determine the performance of the classification algorithms, namely C.45, ID3, Random Forest, k-Nearest Neighbor, and Naïve Bayes. This research aims to find out the best algorithm for the classification of critical land in agricultural cultivation areas. The results show that the highest accuracy Random Forest algorithm was 93.10 % in predicting critical land, and the naïve Bayes has the lowest performance, with 89.32 % of accuracy in predicting critical land.

Implementation of C4.5 Algorithm for Critical Land Prediction in Agricultural Cultivation Areas in Pemali Jratun Watershed Deden Istiawan; Laelatul Khikmah
Indonesian Journal of Artificial Intelligence and Data Mining Vol 2, No 2 (2019): September 2019
Publisher : Universitas Islam Negeri Sultan Syarif Kasim Riau

Watershed is a complex system that is built on physical systems, biological systems and human systems that are related to each other. Each component has a distinctive nature and its existence is related to other components so as to form a unified ecosystem. Land use that does not pay attention to the conservation requirements of land and water causes land degradation which ultimately results in critical land. The impact of critical land is not only the withdrawal of soil properties, but also results in a decrease in production functions. Prediction of the critical level of land is needed to reduce the level of damage to the watershed, so that it can be used for policy making by the relevant agencies. In this research C4.5 algorithm will be applied to predictions of critical land in agricultural cultivation areas using critical land parameters. Based on the results of the research on critical land classification of agricultural cultivation areas in the jratun pemali watershed it can be concluded that the C.45 algorithm can be implemented to predict critical land in agricultural cultivation areas with an accuracy rate of 92.47%.

Perbandingan Algoritma C4.5, Naïve Bayes dan K-Nearest Neighbour untuk Prediksi Lahan Kritis di Kabupaten Pemalang Nur Khotimah; Deden Istiawan
Prosiding University Research Colloquium Proceeding of The 7th University Research Colloquium 2018: Mahasiswa (student paper presentation)
Publisher : Konsorsium Lembaga Penelitian dan Pengabdian kepada Masyarakat Perguruan Tinggi Muhammadiyah 'Aisyiyah (PTMA) Koordinator Wilayah Jawa Tengah - DIY

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (197.286 KB)

Keberadaan lahan merupakan aspek penting dalam kehidupanmanusia dan makhluk hidup lainnya, akan tetapi persoalan kerusakanhutan dan lahan terus terjadi dan mengalami peningkatan sehinggamengakibatkan lahan menjadi kritis. Data dan informasi mengenaidegradasi hutan dan lahan seringkali tidak mengacu kepada formatdan struktur database yang dapat dipertanggungjawabkan.Sehinggasalah satu faktor penting dalam menentukan kesuksesanpemetaanpenggunaan lahan guna meningkatkan fungsi hutan lindungdan hutan konservasiterletak pada pemilihan skema klasifikasilahannya. Klasifikasi dapat diselesaikan dengan menggunakan teknikdata mining. Klasifikasi termasuk dalam tipe supervised learning yangartinya dibutuhkan data pelatihan untuk membangun suatu modelklasifikasinya. Terdapat lima kategori klasifikasi yaitu berbasisstastistik, berbasis jarak, berbasis pohon keputusan, berbasis jaringansaraf, dan berbasis aturan. Tiap kategori klasifikasi memiliki banyakpilihan algoritma. Algoritma yang paling sering digunakan adalahalgoritma C4.5, Naïve Bayes, dan k-Nearest Neighbour (k-NN).Penelitian ini akan membandingkan hasil klasifikasi dari tigaalgoritma tersebut untuk mengetahui algoritma mana yang memilikikinerja paling baik dalam memprediksi berdasarkan nilai akurasi.Data yang digunakan yaitu data lahan lahan kritis daerah hutanlindung dan hutan konservasi Kabupaten Pemalang .Hasil daripenelitian ini diperoleh C4.5 memiliki akurasi paling tinggi sebesar77,75 % disusul Naïve Bayes 77,49% dan terakhir k-NN memilikiakurasi sebesar 73,91%.

Penerapan Partition Entropy Index, Partition Coefficient Index dan Xie BeniIndex untuk Penentuan Jumlah Klaster Optimal pada Algoritma Fuzzy C-Means dalam Pemetaan Tingkat Kesejahteraan Penduduk Jawa Tengah Syayidati Mashfuufah; Deden Istiawan
Prosiding University Research Colloquium Proceeding of The 7th University Research Colloquium 2018: Mahasiswa (student paper presentation)
Publisher : Konsorsium Lembaga Penelitian dan Pengabdian kepada Masyarakat Perguruan Tinggi Muhammadiyah 'Aisyiyah (PTMA) Koordinator Wilayah Jawa Tengah - DIY

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (376.755 KB)

Kemiskinan merupakan salah satu indikator ekonomi untuk melihattingkat kesejahteraan penduduk di suatu daerah. Menurut data BPSpada September 2016, Jawa Tengah tercatat sebagai provinsi dengantingkat kemiskinan tertinggi di Jawa. Dalam strategi penanggulangankemiskinan dibutuhkan data kemiskinan yang akurat sesuaikarakteristik tingkat kesejahteraan, sehingga pemerintah dapatmenghasilkan kebijakan yang tepat sasaran dan tepat guna. Untukpengelompokkan tingkat kesejahteraan kabupaten/kota di JawaTengah diusulkan algoritma Fuzzy C-Means (FCM). FCM memilikikelebihan dalam ketepatan penempatan pusat klaster dan sangat stabilterhadap outlier, namun jumlah klaster dalam FCM harus ditentukanterlebih dahulu sebelum melakukan penelitian. Untuk penentuanjumlah klaster optimal pada algoritma FCM, pada penelitian inidiusulkan Cluster Validity Index (CVI). CVI merupakan sebuah ukuranvaliditas untuk menemukan jumlah klaster optimal yang sepenuhnyadapat menjelaskan struktur data dengan cara mengukur derajatkekompakan dalam satu klaster dan separasi antar klaster. Padapenelitian ini diusulkan CVI Partition Entropy Index (PEI), PartitionCoefficient Index (PCI) dan Xie Beni Index (XBI). Hasil penelitianmenunjukkan jumlah klaster optimal berdasarkan CVI adalah duaklaster. Klaster pertama terdiri dari 22 kabupaten/kota dan klasterkedua terdiri dari 13 kabupaten/kota.

Penerapan Algoritma Self Organizing Maps Untuk Pemetaan Penyandang Kesejahteraan Sosial (PMKS) di Provinsi Jawa Tengah Tahun 2016 Amrul Hafiludien; Deden Istiawan
Prosiding University Research Colloquium Proceeding of The 7th University Research Colloquium 2018: Mahasiswa (student paper presentation)
Publisher : Konsorsium Lembaga Penelitian dan Pengabdian kepada Masyarakat Perguruan Tinggi Muhammadiyah 'Aisyiyah (PTMA) Koordinator Wilayah Jawa Tengah - DIY

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (374.627 KB)

Masalah Kesejahteraan Sosial atau Penyandang MasalahKesejahteraan Sosial (PMKS) adalah seseorang atau keluarga karenaadanya suatu hambatan, kesulitan atau gangguan tidak bisamelaksanakan fungsi sosialnya dan karenanya tidak dapat menjalinhubungan yang serasi serta kreatif dengan lingkungannya sehinggatidak dapat memenuhi kebutuhan hidupnya baik jasmani, rohani,sosial secara memadai dan wajar. Pengelompokan daerahberdasarkan indikator Penyandang Masalah Kesejahteraan Sosial(PMKS) sangat penting dilakukan untuk memperoleh gambaranmasalah PMKS sehingga dapat mengambil kebijakan dalam halmenentukan sasaran dan memberikan rekomendasi untuk intervensipenyandang kesejahteraan sosial di tingkat provinsi Jawa Tengah.Banyak penelitian yang telah dilakukan untuk menganalisis datasecara efektif dan efisien, salah satunya dengan data mining. Dalamdata mining salah satu metode yang dapat digunakan untukpengelompokan adalah olgaritma Self Organizing Maps. SelfOrganizing Maps(SOM) diperkenalkan oleh kohonen pada tahun 1982,SOM digunakan untuk mengimplementasikan data berdimensi tinggidan memvisualisasikanya secara teratur kedalam dimensi rendah..Kemampuan dalam visualisasi ini dapat mengatasi masalah dalammetode cluster lain yang sulit jika data berdimensi tinggi.

PENENTUAN PUSAT AWAL KLASTER ALGORITMA K-MEANS UNTUK PEMETAAN TINGKAT KESEJAHTERAAN DI PROVINSI JAWA TENGAH Deden Istiawan
Prosiding University Research Colloquium Proceeding of The 8th University Research Colloquium 2018: Bidang MIPA dan Kesehatan
Publisher : Konsorsium Lembaga Penelitian dan Pengabdian kepada Masyarakat Perguruan Tinggi Muhammadiyah 'Aisyiyah (PTMA) Koordinator Wilayah Jawa Tengah - DIY

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (309.182 KB)

Kesejahteran mempunyai arti yang relatif, dinamis dan kuantitatif. Sampai saat ini rumusanya tidak pernah selesai karena akan terus berkembang seiring dengan perkembangan zaman. Kesejahteraan secara umum adalah suatu keadaan dimana segenap warga negara selalu berada dalam kondisi yang serba kecukupan dalam segala kebutuhannya. Kemiskinan di Provinsi Jawa Tengah masih berada di atas kemiskinan nasional. Pengelompokkan kemiskinan merupakan salah satu cara untuk mengidentifikasi karakteristik tingkat kesejahteraan rakyat pada tiap daerah agar dalam mengambil kebijakan dan strategi pembangunan tepat sasaran dan tepat guna. Algoritma K-means merupakan salah satu algoritma klastering yang paling sering digunakan untuk pengelompokan objek dikarena kemudahan dalam pengaplikasianya dan sangat efisien untuk mengelompokan data yang besar, namun algoritma K-means memiliki kelemahan pada pemilihan pusat awal klaster secara acak, sehingga menyebabkan kinerja algoritma K-means menurun. Pada penelitian ini diusulkan metode penentuan pusat awal klaster pada algoritma K-means. Hasil penelitian menunjukan bahwa metode yang diusulkan memiliki kinerja yang lebih baik daripada algoritma K-means Standar.

Analisis Indeks Kerukunan Umat Beragama di Provinsi Kalimantan Barat Arif Gunawan Santoso; Deden Istiawan; Laelatul Khikmah
Intizar Vol 28 No 2 (2022): Intizar
Publisher : Pusat Penelitian dan Penerbitan Lembaga Penelitian dan Pengabdian kepada Masyarakat Universitas Islam Negeri Raden Fatah Palembang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.19109/intizar.v28i2.14113

Penelitian ini bertujuan untuk mengetahui tingkat kerukunan umat beragama serta memperoleh informasi pemetaan kekuatan dan kerentanan hubungan antar umat beragama di Provinsi Kalimantan Barat. Penelitian ini menggunakan metode kuantitatif, dengan teknik pengumpulan data melalui metode survei dengan menggunakan kuesioner sebagai alat untuk mengumpulkan data dari responden. Dengan menggunakan teknik multistage clustered random sampling terpilih sampel sebanyak 400 responden yang tersebar di empat Kabupaten/Kota di Provinsi Kalimantan Barat. Hasil penelitian ini menunjukkan menunjukkan bahwa indeks kerukunan umat beragama termasuk dalam kategori indeks tinggi dengan skor 79.11 untuk kerukunan umat beragama di Provinsi Kalimantan Barat. Secara spesifik dimensi toleransi dan kerjasama terkategori tinggi dan dimensi kesetaraan terkategori sangat tinggi.

Perbandingan Algoritma C4.5, NaÃ¯ve Bayes dan K-Nearest Neighbour untuk Prediksi Lahan Kritis di Kabupaten Pemalang Nur Khotimah; Deden Istiawan
Prosiding University Research Colloquium Proceeding of The 7th University Research Colloquium 2018: Mahasiswa (student paper presentation)
Publisher : Konsorsium Lembaga Penelitian dan Pengabdian kepada Masyarakat Perguruan Tinggi Muhammadiyah 'Aisyiyah (PTMA) Koordinator Wilayah Jawa Tengah - DIY

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

Keberadaan lahan merupakan aspek penting dalam kehidupanmanusia dan makhluk hidup lainnya, akan tetapi persoalan kerusakanhutan dan lahan terus terjadi dan mengalami peningkatan sehinggamengakibatkan lahan menjadi kritis. Data dan informasi mengenaidegradasi hutan dan lahan seringkali tidak mengacu kepada formatdan struktur database yang dapat dipertanggungjawabkan.Sehinggasalah satu faktor penting dalam menentukan kesuksesanpemetaanpenggunaan lahan guna meningkatkan fungsi hutan lindungdan hutan konservasiterletak pada pemilihan skema klasifikasilahannya. Klasifikasi dapat diselesaikan dengan menggunakan teknikdata mining. Klasifikasi termasuk dalam tipe supervised learning yangartinya dibutuhkan data pelatihan untuk membangun suatu modelklasifikasinya. Terdapat lima kategori klasifikasi yaitu berbasisstastistik, berbasis jarak, berbasis pohon keputusan, berbasis jaringansaraf, dan berbasis aturan. Tiap kategori klasifikasi memiliki banyakpilihan algoritma. Algoritma yang paling sering digunakan adalahalgoritma C4.5, NaÃ¯ve Bayes, dan k-Nearest Neighbour (k-NN).Penelitian ini akan membandingkan hasil klasifikasi dari tigaalgoritma tersebut untuk mengetahui algoritma mana yang memilikikinerja paling baik dalam memprediksi berdasarkan nilai akurasi.Data yang digunakan yaitu data lahan lahan kritis daerah hutanlindung dan hutan konservasi Kabupaten Pemalang .Hasil daripenelitian ini diperoleh C4.5 memiliki akurasi paling tinggi sebesar77,75 % disusul NaÃ¯ve Bayes 77,49% dan terakhir k-NN memilikiakurasi sebesar 73,91%.

Penerapan Partition Entropy Index, Partition Coefficient Index dan Xie BeniIndex untuk Penentuan Jumlah Klaster Optimal pada Algoritma Fuzzy C-Means dalam Pemetaan Tingkat Kesejahteraan Penduduk Jawa Tengah Syayidati Mashfuufah; Deden Istiawan
Prosiding University Research Colloquium Proceeding of The 7th University Research Colloquium 2018: Mahasiswa (student paper presentation)
Publisher : Konsorsium Lembaga Penelitian dan Pengabdian kepada Masyarakat Perguruan Tinggi Muhammadiyah 'Aisyiyah (PTMA) Koordinator Wilayah Jawa Tengah - DIY

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

Kemiskinan merupakan salah satu indikator ekonomi untuk melihattingkat kesejahteraan penduduk di suatu daerah. Menurut data BPSpada September 2016, Jawa Tengah tercatat sebagai provinsi dengantingkat kemiskinan tertinggi di Jawa. Dalam strategi penanggulangankemiskinan dibutuhkan data kemiskinan yang akurat sesuaikarakteristik tingkat kesejahteraan, sehingga pemerintah dapatmenghasilkan kebijakan yang tepat sasaran dan tepat guna. Untukpengelompokkan tingkat kesejahteraan kabupaten/kota di JawaTengah diusulkan algoritma Fuzzy C-Means (FCM). FCM memilikikelebihan dalam ketepatan penempatan pusat klaster dan sangat stabilterhadap outlier, namun jumlah klaster dalam FCM harus ditentukanterlebih dahulu sebelum melakukan penelitian. Untuk penentuanjumlah klaster optimal pada algoritma FCM, pada penelitian inidiusulkan Cluster Validity Index (CVI). CVI merupakan sebuah ukuranvaliditas untuk menemukan jumlah klaster optimal yang sepenuhnyadapat menjelaskan struktur data dengan cara mengukur derajatkekompakan dalam satu klaster dan separasi antar klaster. Padapenelitian ini diusulkan CVI Partition Entropy Index (PEI), PartitionCoefficient Index (PCI) dan Xie Beni Index (XBI). Hasil penelitianmenunjukkan jumlah klaster optimal berdasarkan CVI adalah duaklaster. Klaster pertama terdiri dari 22 kabupaten/kota dan klasterkedua terdiri dari 13 kabupaten/kota.

Penerapan Algoritma Self Organizing Maps Untuk Pemetaan Penyandang Kesejahteraan Sosial (PMKS) di Provinsi Jawa Tengah Tahun 2016 Amrul Hafiludien; Deden Istiawan
Prosiding University Research Colloquium Proceeding of The 7th University Research Colloquium 2018: Mahasiswa (student paper presentation)
Publisher : Konsorsium Lembaga Penelitian dan Pengabdian kepada Masyarakat Perguruan Tinggi Muhammadiyah 'Aisyiyah (PTMA) Koordinator Wilayah Jawa Tengah - DIY

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

Masalah Kesejahteraan Sosial atau Penyandang MasalahKesejahteraan Sosial (PMKS) adalah seseorang atau keluarga karenaadanya suatu hambatan, kesulitan atau gangguan tidak bisamelaksanakan fungsi sosialnya dan karenanya tidak dapat menjalinhubungan yang serasi serta kreatif dengan lingkungannya sehinggatidak dapat memenuhi kebutuhan hidupnya baik jasmani, rohani,sosial secara memadai dan wajar. Pengelompokan daerahberdasarkan indikator Penyandang Masalah Kesejahteraan Sosial(PMKS) sangat penting dilakukan untuk memperoleh gambaranmasalah PMKS sehingga dapat mengambil kebijakan dalam halmenentukan sasaran dan memberikan rekomendasi untuk intervensipenyandang kesejahteraan sosial di tingkat provinsi Jawa Tengah.Banyak penelitian yang telah dilakukan untuk menganalisis datasecara efektif dan efisien, salah satunya dengan data mining. Dalamdata mining salah satu metode yang dapat digunakan untukpengelompokan adalah olgaritma Self Organizing Maps. SelfOrganizing Maps(SOM) diperkenalkan oleh kohonen pada tahun 1982,SOM digunakan untuk mengimplementasikan data berdimensi tinggidan memvisualisasikanya secara teratur kedalam dimensi rendah..Kemampuan dalam visualisasi ini dapat mengatasi masalah dalammetode cluster lain yang sulit jika data berdimensi tinggi.

Title

Found 23 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 23 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 23 Documents
Search