Articles
<![CDATA[Implementasi Integrasi Seleksi Data dan Extreme Learning Machine (IDELM) Untuk Klasifikasi DNA Bakteri Patogen ]]>
<![CDATA[Umi - Mahdiyah]]>;
<![CDATA[Lilia Sinta Wahyuniar]]>
<![CDATA[ Prosiding SI MaNIs (Seminar Nasional Integrasi Matematika dan Nilai-Nilai Islami) Vol 3 No 1 (2019): Prosiding SI MaNIs (Seminar Nasional Integrasi Matematika dan Nilai Islami) ]]>
Publisher : <![CDATA[Mathematics Department ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[PCR adalah salah satu metode untuk mendeteksi keberadaan mikroba dalam tubuh. Dibanding metode lain, metode ini tergolong akurat, cepat, dan bisa diandalkan. Keuntungan PCR lainnya adalah sekuens DNA dari mikroba atau strain infeksi yang baru ditemukan. Selanjutnya data DNA yang ditemukan tersebut dilakukan pencarian masuk pada jenis DNA apa, sehingga dibutuhkan metode yang optimal. Sekuensing DNA dapat dimanfaatkan untuk menentukan identitas maupun fungsi gen atau fragmen DNA lainnya dengan cara membandingkan sekuens-nya dengan sekuens DNA lain yang sudah diketahui. Integrasi Seleksi data dan Extreme Learning Machine ini dipilih sebagai metode untuk klasifikasi DNA karena data DNA merupakan data yang besar serta karakteristik datanya yang kebanyakan adalah data yang imbalance. Pada proses penelitian data yang akan diolah terlebih dahulu diuraikan fragmennya, selanjutnya dilakukan ekstraksi fitur, kemudian dilakukan proses klasifikasi. Hasil dari pengklasifikasian tersebut diperoleh precision, recall, gmean, dan akurasi masing-masing sebesar 0.818, 1, 0.9045, dan 0.90.]]>
<![CDATA[STUDY COMPARISON BACKPROPOGATION, SUPPORT VECTOR MACHINE, AND EXTREME LEARNING MACHINE FOR BIOINFORMATICS DATA ]]>
<![CDATA[umi mahdiyah]]>;
<![CDATA[M. Isa Irawan]]>;
<![CDATA[Elly Matul Imah]]>
<![CDATA[ Jurnal Ilmu Komputer dan Informasi Vol 8, No 1 (2015): Jurnal Ilmu Komputer dan Informasi (Journal of Computer Science and Information) ]]>
Publisher : <![CDATA[Faculty of Computer Science - Universitas Indonesia ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (324.272 KB)
|
DOI: 10.21609/jiki.v8i1.284
<![CDATA[A successful understanding on how to make computers learn would open up many new uses of computers and new levels of competence and customization. A detailed understanding on information- processing algorithms for machine learning might lead to a better understanding of human learning abilities and disabilities. There are many type of machine learning that we know, which includes Backpropagation (BP), Extreme Learning Machine (ELM), and Support Vector Machine (SVM). This research uses five data that have several characteristics. The result of this research is all the three investigated models offer comparable classification accuracies. This research has three type conclusions, the best performance in accuracy is BP, the best performance in stability is SVM and the best performance in CPU time is ELM for bioinformatics data.]]>
<![CDATA[PEGARUH PEMBELAJARAN DARING DENGAN GOOGLE CLASSROOM DAN GOOGLE MEET TERHADAP MINAT BELAJAR MATEMATIKA DISKRIT ]]>
<![CDATA[LILIA SINTA WAHYUNIAR]]>;
<![CDATA[Siti Rochana]]>;
<![CDATA[Umi Mahdiyah]]>;
<![CDATA[Niska Shofia]]>;
<![CDATA[Suryo Widodo]]>
<![CDATA[ AKSIOMA: Jurnal Program Studi Pendidikan Matematika Vol 10, No 2 (2021) ]]>
Publisher : <![CDATA[UNIVERSITAS MUHAMMADIYAH METRO ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (438.795 KB)
|
DOI: 10.24127/ajpm.v10i2.3635
<![CDATA[Masa pandemi, semua sekolah dan universitas menerapkan pembelajaran daring. Pembelajaran daring dapat dilakukan dengan berbagai cara diantaranya dengan menggunakan google classroom dan google meet. Perkuliahan matematika diskrit dilaksanakan dengan menggunakan google classroom dan google meet. Tujuan dari penelitian ini adalah untuk mengetahui pegaruh pembelajaran daring dengan google classroom dan pengaruh pembelajaran darng dengan google meet terhadap minat belajar mahasiswa pada mata kuliah matematika diskrit serta untuk mengetahui pengaruh pembelajaran daring dengan google clasroom dan google meet secara bersama-sama terhadap minat belajar matematika diskrit. Metode penelitian yang digunakan adalah kuantitatif. Teknik pengambilan sampel pada penelitian ini adalah menggunakan Simple Random Sampling. Pengambilan data pada penelitian ini menggunakan angket/kuisioner dengan menggunakan skala likert 1 sampai 4. Variabel pada penelitian ini terdiri dari variabel bebas dan variabel terikat. Variabel bebas terdiri dari 2 variabel yaitu variabel pertama pembelajaran daring dengan google classroom (X1) dengan 3 indikator, variabel kedua pembelajaran daring dengan google meet (X2) dengan 4 indikator. Variabel terikat dari penelitian ini adalah minat belajar (Y) dengan 4 indikator. Hasil dari penelitian ini adalah pembelajaran daring dengan google classroom memberikan pengaruh positif sebesar 1,354 terhadap minat belajar matematika diskrit, pembelajaran daring dengan google meet memberikan pengaruh sebesar -0,540 terhadap minat belajar matematika diskrit. Pembelajaran daring dengan google classroom dan pembelajaran daring dengan google meet secara bersama-sama mempunyai pengaruh sebesar 55% terhadap minat belajar matematika diskrit, sedangkan sisanya 45% dipengaruhi oleh variabel di luar penelitian ini.]]>
<![CDATA[Pencarian Rongga Berpotensi Binding Site pada Protein dengan Menggunakan Support Vector Machine (SVM) ]]>
<![CDATA[Umi Mahdiyah]]>
<![CDATA[ Limits: Journal of Mathematics and Its Applications Vol 14, No 2 (2017) ]]>
Publisher : <![CDATA[Institut Teknologi Sepuluh Nopember ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (2825.595 KB)
|
DOI: 10.12962/limits.v14i2.3079
<![CDATA[Bioinformatika merupakan ilmu multidisipliner yang melibatkan berbagai bidang ilmu. Salah satu aplikasi dari bioinformatika adalah dalam proses desain obat berbantuan komputer. Dalam desain obat berbantuan komputer salah satu langkah awal yang dibutuhkan adalah mencari suatu rongga pada protein, rongga tersebut nantinya untu melekat suatu ligan(partikel kecil) maupun protein yang merupakan partikel atau protein dari calon obat. Dalam penelitian ini untuk pencarian binding site digunakan metode klasifikasi dengan Support Vector Machine. Hasil dari pencarian binding site dengan metode ini menunjukkan akurasi G-Mean yang cukup tinggi yaitu 0,903 atau 90,3]]>
<![CDATA[KLASIFIKASI DNA MENGGUNAKAN FITUR N-MERS DENGAN INTEGRASI SELEKSI DATA DAN ELM (IDELM) SEBAGAI CLASSIFIER ]]>
<![CDATA[Umi Mahdiyah]]>
<![CDATA[ Joutica Vol 4, No 2 (2019) ]]>
Publisher : <![CDATA[Universitas Islam Lamongan ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (413.873 KB)
|
DOI: 10.30736/jti.v4i2.317
<![CDATA[DNA merupakan unsur yang sangat penting dan mendasar pada setiap organisme. Sekuensing DNA dapat dimanfaatkan untuk menentukan identitas suatu organisme dengan cara membandingkan urutan DNA nya dengan DNA lain yang sudah diketahui. Integrasi Seleksi data dan Extreme Learning Machine (IDELM) ini dipilih karena data DNA merupakan data yang besar serta karakteristik datanya yang kebanyakan adalah data yang imbalance. Pada proses penelitian data yang akan diolah terlebih dahulu diuraikan fragmennya dengan simulator MetaSim, selanjutnya dilakukan ekstraksi fitur dengan menggunakan n-mers, kemudian dilakukan proses klasifikasi dengan IDELM. Hasil dari pengklasifikasian tersebut memiliki performa yang baik, karena dengan ekstraksi fitur 3-mers maupun 4-mers performanya di atas 80%.]]>
<![CDATA[Sensitivity analysis of the SMARTER and MOORA methods in decision making of achieving students ]]>
<![CDATA[Intan Nur Farida]]>;
<![CDATA[Umi Mahdiyah]]>;
<![CDATA[Akbar Fastio Hari Setiawan]]>
<![CDATA[ JURNAL INFOTEL Vol 14 No 3 (2022): August 2022 ]]>
Publisher : <![CDATA[LPPM INSTITUT TEKNOLOGI TELKOM PURWOKERTO ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.20895/infotel.v14i3.751
<![CDATA[Evaluation of student learning in Islamic boarding schools is still limited to the results of exams conducted in writing which can lead to the determination of student achievement using simple criteria, resulting in less than optimal results. In addition, the importance of selecting criteria to suit the learning characteristics of the Islamic boarding school students. The purpose of this study is to assist the process of evaluating student learning based on the value of the criteria, sub-criteria, and priorities. The method used is Rank Order Centroid in assigning weight values to the criteria applied to the Simple Multi-Attribute Rating Technique Exploiting Ranks (SMARTER) and Multi-Objective Optimization By Ratio Analysis (MOORA) methods. This study produces the same alternative value in the first rank. To calculate the accuracy is done by using sensitivity analysis according to the results of preference values in each method. Based on the sensitivity analysis shows that in the first sensitivity calculation the lowest value is obtained. The sensitivity value of the SMARTER method on the first sensitivity is 0.0714. While the first sensitivity value of the MOORA method is 0.0076. So the best method is owned by the MOORA method because it has the lowest sensitivity value.]]>
<![CDATA[PENERAPAN METODE HOLT WINTERS UNTUK PERAMALAN HARGA SAHAM PT PRODIA WIDYAHUSADA TBK ]]>
<![CDATA[Prasetyo, Muhammad Ary]]>;
<![CDATA[Mahdiyah, Umi]]>;
<![CDATA[Swanjaya, Daniel]]>
<![CDATA[ SKANIKA: Sistem Komputer dan Teknik Informatika Vol 6 No 2 (2023): Jurnal SKANIKA Juli 2023 ]]>
Publisher : <![CDATA[Universitas Budi Luhur ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.36080/skanika.v6i2.3051
<![CDATA[The increase in the growth of Indonesian investors is partly due to the Covid-19 pandemic. Investors are moving their assets to investment instruments. One of them is stocks. The research aims to do stock forecasting or prediction to make it easier for investors to determine their investment decisions. Forecasting is an activity to calculate future conditions by utilizing past data and data that affect the situation to be predicted. This research uses forecasting methods with two Holt Winters methods, namely the Additive method and the Multiplicative method with PT Prodia Widyahusada TBK stock price data. To determine the feasibility of the forecasting model, this study uses MAPE to determine the error rate of the method in forecasting. The results of forecasting using the Holt Winters Additive and Holt Winters Multiplicative methods get MAPE values that are both very good. The MAPE value in stock forecast use Holt Winters Additive model method gets a value of 1.81% while the MAPE value in stock forecasting using the Holt Winters Multiplicative method gets a value of 2.06%. From the results of the research that has been done, it can be concluded that the MAPE value in stock forecasting using the Holt Winters Additive model method has the smallest error rate]]>
<![CDATA[KLASIFIKASI KUALITAS CITRA CABAI DENGAN MENGGUNAKAN ALGORITMA GRADIEN BOOSTING ]]>
<![CDATA[Mahdiyah, Umi]]>;
<![CDATA[Wahyuniar, Lilia Sinta]]>;
<![CDATA[Rochana, Siti]]>
<![CDATA[ JAMI: Jurnal Ahli Muda Indonesia Vol. 4 No. 1 (2023): Juni 2023 ]]>
Publisher : <![CDATA[Akademi Komunitas Negeri Putra Sang Fajar Blitar ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.46510/jami.v4i1.137
<![CDATA[Objektif. Kementerian Pertanian Indonesia memiliki tujuan untuk meningkatkan penggunaan teknologi oleh petani dengan target 65-80% pada tahun 2020 dan 80-95% pada tahun 2024. Hal ini diharapkan dapat meningkatkan efisiensi dan ekonomi dalam sektor pertanian yang merupakan sektor penting dalam perekonomian Indonesia. Salah satu upaya untuk mencapai hal tersebut adalah dengan melakukan klasifikasi kualitas cabai berbasis citra. Material and Metode. Dalam penelitian ini algoritma Gradien Boosting digunakan untuk melakukan klasifikasi citra cabai. Untuk simulasinya menggunakan aplikasi python. Hasil. Rata-rata performa dari Gradient Boosting cukup baik untuk klasifikasi kualitas cabai berbasis citra. Akan tetapi pada kasus kelas “dried” selalu ada perbedaan dibandingkan kelas lain, karena banyak datanya jauh lebih besar dibandingkan yang lain, serta vasriasi data citranya lebih banyak. Kesimpulan. Performa dari Gradien boosting cukup baik untuk klasifikasi kualitas cabai dengan nilai precision, recall, F-Score dan akurasinya adalah sekitar 69,7%, 69,1% 69,7%, dan 76%]]>
<![CDATA[Pencarian Rongga Berpotensi Binding Site pada Protein dengan Menggunakan Support Vector Machine (SVM) ]]>
<![CDATA[Umi Mahdiyah]]>
<![CDATA[ Limits: Journal of Mathematics and Its Applications Vol. 14 No. 2 (2017): Limits: Journal of Mathematics and Its Applications Volume 14 Nomor 2 Edisi No ]]>
Publisher : <![CDATA[Pusat Publikasi Ilmiah LPPM Institut Teknologi Sepuluh Nopember ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Bioinformatika merupakan ilmu multidisipliner yang melibatkan berbagai bidang ilmu. Salah satu aplikasi dari bioinformatika adalah dalam proses desain obat berbantuan komputer. Dalam desain obat berbantuan komputer salah satu langkah awal yang dibutuhkan adalah mencari suatu rongga pada protein, rongga tersebut nantinya untu melekat suatu ligan(partikel kecil) maupun protein yang merupakan partikel atau protein dari calon obat. Dalam penelitian ini untuk pencarian binding site digunakan metode klasifikasi dengan Support Vector Machine. Hasil dari pencarian binding site dengan metode ini menunjukkan akurasi G-Mean yang cukup tinggi yaitu 0,903 atau 90,3]]>
<![CDATA[Pengukuran Kemiripan Makna Menggunakan Cosine Similarity dan Basis Data Sinonim Kata ]]>
<![CDATA[Sanjaya, Ardi]]>;
<![CDATA[Setiawan, Ahmad Bagus]]>;
<![CDATA[Mahdiyah, Umi]]>;
<![CDATA[Farida, Intan Nur]]>;
<![CDATA[Prasetyo, Aprisa Risky]]>
<![CDATA[ Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 4: Agustus 2023 ]]>
Publisher : <![CDATA[Fakultas Ilmu Komputer, Universitas Brawijaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.25126/jtiik.2024106864
<![CDATA[Penelitian ini bertujuan untuk memberikan alternatif dalam menguji kemiripan makna antar 2 kalimat. Pembentukan database sinonim kata dilakukan dengan mengelompokkan kata berdasar sinonim atau yang memiliki kesamaan arti. Masing-masing kelompok kata diberikan ID unik. Selanjutnya setiap kelompok kata dipecah untuk diuraikan menjadi kata tunggal, disimpan pada tabel kata dengan melabeli ID kata dan ID sinonim. ID sinonim didasarkan pada ID unik pada tabel sinonim. Dalam pengujian kemiripan makna, masing-masing kalimat akan di urai menjadi kata dan tiap-tiap kata akan dicocokkan berdasarkan tabel kata dengan acuan ID sinonim. ID Sinonim yang didapat kemudian dilakukan pengukuran jarak vektor dan kemiripan menggunakan rumus cosine similarity. Berdasarkan pengujian dan analisa yang telah dilakukan, dari 25 pengujian didapati 24 nilai kemiripan mengalami peningkatan prosentase. Hal tersebut dikarenakan penggunaan ID yang didasarkan pada kelompok kata dan irisan saat proses pembobotan mampu meningkatkan nilai kemiripan. Rata-rata nilai kemiripan pada penggunaan ID sebagai vektor hitung adalah 94,48% dan rata-rata nilai kemiripan pada metode atau alur pembanding adalah sebesar 69,96%. AbstractThis study aims to provide an alternative in testing the similarity of meaning between 2 sentences. The formation of a word synonym database is done by grouping words based on synonyms or those that have the same meaning. Each group of words is assigned a unique ID. Furthermore, each group of words is broken down to be broken down into single words, stored in the word table labeled word ID and synonym ID. Synonym ID is based on the unique ID in the synonym table. In testing the similarity of meaning, each sentence will be broken down into words and each word will be matched based on the word table with synonym ID references. The synonym ID obtained is then measured by measuring the vector distance and similarity using the cosine similarity formula. Based on the tests and analyzes that have been carried out, out of 25 tests it was found that 24 similarity values experienced an increase in the percentage. This is because the use of ID based on word groups and slices during the weighting process can increase the similarity value. The average similarity value in the use of ID as a calculating vector is 94.48% and the average similarity value in the comparison method or plot is 69.96%.]]>
