Garuda - Garba Rujukan Digital

PERBANDINGAN METODE KLASIFIKASI LEARNING VECTOR QUANTIZATION DENGAN DISKRIMINAN FISHER PADA DATA BUNGA IRIS Dani Rofianto; Oki Arifin; Dewi Kania Widyawati
JSR : Jaringan Sistem Informasi Robotik Vol 7, No 1 (2023): JSR: Jaringan Sistem Informasi Robotik
Publisher : AMIK Mitra Gama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58486/jsr.v7i1.209

Klasifikasi merupakan masalah penting dalam dunia ilmu data, dimana model dibangun untuk memprediksi label atau kelas pada suatu data berdasarkan fitur-fitur yang dimilikinya. Pembangunan model dan penggunaannya untuk melakukan klasifikasi adalah pekerjaan utama dalam klasifikasi. Berbagai metode klasifikasi telah dikembangkan, termasuk Learning Vector Quantization (LVQ) dan Diskriminan Fisher. Penelitian ini bertujan untuk membandingkan metode klasifikasi LVQ dan Diskriminan Fisher pada data bunga iris untuk menentukan metode yang lebih efektif dan efisien dalam melakukan klasifikasi. Hasil penelitian menunjukkan bahwa kedua metode mampu melakukan klasifikasi dengan akurasi yang cukup tinggi. Namun, terdapat perbedaan dalam kinerja kedua metode tersebut. Metode LVQ menghasilkan akurasi tertinggi sebesar 96.29% dengan waktu proses 4.56 second, sedangkan metode Diskriminan Fisher menghasilkan akurasi sebesar 100% dengan waktu proses 0.1 second. Hal ini menunjukkan bahwa metode Diskriminan Fisher lebih unggul dalam melakukan klasifikasi pada data bunga iris. Selain itu, hasil pengukuran waktu eksekusi menunjukkan bahwa metode Diskriminan Fisher lebih cepat dalam melakukan klasifikasi dibandingkan dengan metode LVQ.

DESAIN SISTEM PENDUKUNG KEPUTUSAN STATUS KESTABILAN KAPAL ROLL ON-ROLL OVER (RORO) BERBASIS FUZZY SUGENO Dani Rofianto; Jaka Fitra; Khusnatul Amaliah; Fathurrahman Kurniawan Ikhsan
JSR : Jaringan Sistem Informasi Robotik Vol 7, No 2 (2023): JSR: Jaringan Sistem Informasi Robotik
Publisher : AMIK Mitra Gama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58486/jsr.v7i2.302

Stabilitas kapal adalah aspek krusial dalam industri pelayaran, terutama pada kapal angkutan antar pulau yang melayani sejumlah besar penumpang dan kendaraan setiap harinya. Upaya untuk mengurangi risiko kecelakaan transportasi laut, terutama pada kapal RORO, memerlukan pendekatan yang cermat. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan sebuah sistem pendukung keputusan yang mengadopsi logika Fuzzy untuk memberikan informasi tentang status kestabilan kapal kepada awak kapal (ABK) yang memungkinkan mereka untuk mengambil tindakan yang tepat dan cepat. Sistem yang dirancang menggunakan sensor gyroscope untuk mengukur derajat kemiringan kapal. Informasi dari sensor ini digunakan untuk menentukan status kestabilan kapal. Hasil penelitian menunjukkan bahwa logika Fuzzy dapat efektif digunakan pada sistem komputasi terbatas seperti microcontroller dan microprocesor untuk mengatasi permasalahan yang terkait dengan kapal angkutan antar pulau. Penelitian ini berpotensi meningkatkan keamanan dan kenyamanan perjalanan laut.

Perbandingan Metode Klasifikasi SOM Dan LVQ Pada Data Bunga Iris Dengan Parameter Dimodifikasi: Comparison of SOM and LVQ Classification Methods on Iris Data With Modified Parameters Oki Arifin; Dani Rofianto
Decode: Jurnal Pendidikan Teknologi Informasi Vol. 3 No. 1: MARET 2023
Publisher : Program Studi Pendidikan Teknologi Infromasi UMK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51454/decode.v3i1.135

Klasifikasi mempunyai dua tugas utama yaitu membuat model sebagai prototype dan menggunakan model untuk mengklasifikasi atau memprediksi pada objek data lain. Metode klasifikasi yang banyak digunakan diantaranya adalah Self Organizing Maps (SOM) dan Learning Vector Quantization (LVQ). Penelitian ini bertujuan untuk membandingkan performa algoritma SOM dan LVQ dalam klasifikasi data bunga iris. Skema yang digunakan dalam penelitian ini adalah memodifikasi parameter dalam beberapa percobaan. Berdasarkan hasil percobaan yang telah dilakukan, nilai α dan β sangat mempengaruhi hasil klasifikasi. Algoritma SOM memiliki akurasi terbaik ketika α=0.01 dan β=0.01 dengan akurasi 97.77%, sedangkan algoritma LVQ akurasi maksimal diperoleh ketika nilai α=0.1 dan β=0.05 dengan akurasi 88.88%. Selanjutnya dalam penelitian ini diketahui bahwa banyaknya iterasi yang digunakan berpengaruh terhadap hasil klasifikasi pada kedua algoritma. Akan tetapi waktu proses (running time) pada SOM tidak begitu berpengaruh ketika dilakukan perubahan jumlah iterasi. Berbeda dengan LVQ dimana banyaknya iterasi yang digunakan sangat mempengaruhi waktu eksekusi program. Semakin banyak iterasi, semakin lama juga waktu eksekusi program yang dijalankan.

Cyber Threat Detection Using an Ensemble Model Approach for Phishing Website Identification Rofianto, Dani; Safitri, Egi; Amaliah, Khusnatul; Fitra, Jaka; Hijriani, Astria
Innovation in Research of Informatics (Innovatics) Vol 6, No 2 (2024): September 2024
Publisher : Department of Informatics, Siliwangi University, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37058/innovatics.v6i2.12530

The development of digital technology has had a significant impact on various aspects of life, including an increase in cybersecurity threats, especially phishing attacks. Phishing is a method of cyber fraud that manipulates victims to provide sensitive information by posing as a trusted entity. This research aims to develop and evaluate the effectiveness of several machine learning algorithms in detecting phishing websites. The methods used in this research include the application of Random Forest, Extra Trees, Multiple Layer Perceptron, Ada Boost, and Decision Tree algorithms on website datasets containing the characteristics of phishing and non-phishing sites. Performance evaluation is performed by measuring the accuracy, precision, recall, and F1 value of each algorithm. In addition, a voting technique is applied to combine the results of the best-performing algorithms with the aim of improving the overall detection accuracy. The results showed that the voting technique was able to provide superior results compared to the use of a single algorithm, with significant improvements in accuracy and recall values. These findings reinforce the importance of ensemble approaches in machine learning to improve phishing detection capabilities, which in turn contributes to improved cybersecurity.

Implementasi Sistem Telemetri Monitoring Gas serta Suhu dan Kelembaban Pada Kandang Ayam Closed House Berbasis IoT Fitra, Jaka; Rofianto, Dani; Amaliah, Khusnatul
JoMMiT Vol 8 No 1 (2024): Artikel Jurnal Volume 8 Issue 1, Juni 2024
Publisher : Politeknik Negeri Media Kreatif

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46961/jommit.v8i1.1266

Internet of Things (IoT) adalah teknologi yang memungkinkan benda-benda di sekitar dapat terhubung dengan jaringan internet. Implementasi teknologi IoT diterapkan dalam berbagai bidang, khususnya di bidang peternakan, untuk melakukan monitoring gas, suhu dan kelembaban pada kandang ayam Closed house. Monitoring gas serta suhu dan kelembaban pada kandang ayam Closed house dirasa masih kurang efektif, karena proses monitoring gas, suhu dan kelembaban pada kandang ayam masih dilakukan secara konvensional dan belum memanfaatkan teknologi jaringan internet. Oleh karena itu, perlu dibuat sistem yang dapat memonitoring keadaan gas, suhu dan kelembaban pada kandang ayam Closed house dengan memanfaatkan jaringan internet dengan menggunakan sensor DHT11, Sensor MQ-135 serta module ESP8266 NodeMCU sebagai mikrokontroller yang memproses dan mengirimkan data sehingga hasilnya bisa dilihat di Smartphone. Tujuan sistem monitoring telemetri gas, suhu dan kelembaban kandang ayam berbasis IoT untuk membantu meningkatkan kecepatan proses dan akurasi monitoring kandang dalam rangka menjaga pertumbuhan ayam dengan baik.

Diabetes Mellitus Disease Prediction using Machine Learning Algorithms Safitri, Egi; Rofianto, Dani; Purwati, Neni; Kurniawan, Hendra; Karnila, Sri
JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol 12, No 4 (2024)
Publisher : Jurusan Informatika Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/justin.v12i4.84620

Diabetes mellitus is a chronic disease with a rapidly increasing global prevalence, affecting around 422 million people, predominantly in low- and middle-income countries. Effective management of diabetes requires early detection and timely intervention. This study aims to develop an accurate predictive model for diabetes mellitus using three machine learning algorithms: Random Forest, Logistic Regression, and Decision Tree. The Pima Indians Diabetes dataset, comprising 768 patient records with various health indicators, was utilized for model training and evaluation. Exploratory data analysis revealed significant correlations between glucose levels, BMI, age, and diabetes risk. The dataset was split into 80% training and 20% testing sets. Models were validated using cross-validation and evaluated based on accuracy, precision, recall, and F1-score. Results indicated that Logistic Regression achieved the highest accuracy (75%) and balanced performance in identifying both positive and negative cases. Decision Tree excelled in recall, while Random Forest showed a slightly lower balance between precision and recall. The ROC curve analysis demonstrated that Random Forest had the highest AUC (0.82), followed by Logistic Regression (0.81) and Decision Tree (0.73). This study confirms that machine learning algorithms can effectively predict diabetes, providing valuable tools for early detection and intervention, ultimately reducing the global burden of diabetes mellitus.

PELATIHAN FOTOGRAFI DAN FOTO EDITING PRODUK MENGGUNAKAN KAMERA SMARTPHONE UNTUK UMKM LAMPUNG Rofianto Dani; Eko Win Kenali; Jaka Fitra; Khusnatul Amaliah; Halim Fathoni
Jurnal Abimana (Jurnal Pengabdian Kepada Masyarakat Nasional) Vol 1 No 1 (2024): Mei
Publisher : Pusat Penelitian dan Pengabdian Kepada Masyarakat Politeknik Negeri Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25181/abimana.v1i1.3502

Pertumbuhan ekonomi digital yang pesat di Indonesia telah mengubah paradigma bisnis dengan penyebaran internet yang semakin merata di kalangan masyarakat. Lonjakan penggunaan internet dan media sosial, terutama selama pandemi COVID-19, mencapai lebih dari 202 juta individu, di mana sekitar 170 juta di antaranya aktif menggunakan media sosial. Dalam konteks ekonomi digital yang berkembang pesat, peran smartphone menjadi sangat vital. Kualitas kamera smartphone yang semakin baik, fitur pengeditan gambar yang canggih, dan harganya yang terjangkau menjadikannya solusi ideal bagi pelaku bisnis, terutama Usaha Mikro, Kecil, dan Menengah (UMKM), yang ingin mempertahankan dan meningkatkan kinerja bisnis mereka. Penelitian ini bertujuan untuk memberikan pelatihan fotografi produk menggunakan smartphone, khususnya untuk UMKM Binaan Polinela. Kami mengidentifikasi bahwa pelatihan teknik fotografi produk dengan smartphone menjadi kunci untuk membantu UMKM menciptakan foto produk yang lebih estetik dan profesional. Dengan smartphone yang semakin merakyat, pelatihan semacam itu mengurangi risiko pasar dan menyediakan kualitas gambar yang bersaing dengan kamera profesional. Hasil dari pelatihan teknik fotografi produk menggunakan smartphone berdampak positif pada kualitas gambar produk UMKM. Perubahan ini juga berkaitan dengan peningkatan daya tarik produk dan merek, yang tercermin dalam peningkatan penjualan dan kesadaran merek. Hal ini memberikan bukti bahwa pelatihan semacam ini memiliki potensi untuk meningkatkan pertumbuhan bisnis UMKM di era ekonomi digital yang berkembang pesat di Indonesia.

Pelatihan Pemanfaatan Teknologi AI dan Canva untuk Optimalisasi Labeling Produk Gapoktan Kogasera Tani Lampung Tengah Rofianto, Dani; Amaliah, Khusnatul; Win Kenali, Eko; Fitra, Jaka; K Ikshan, Fathurrahman; Safitri, Egi
Jurnal Abimana (Jurnal Pengabdian Kepada Masyarakat Nasional) Vol 1 No 2 (2024): Desember
Publisher : Pusat Penelitian dan Pengabdian Kepada Masyarakat Politeknik Negeri Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25181/abimana.v1i2.3753

Desain kemasan dan labeling merupakan aspek penting dalam pemasaran produk, terutama bagi usaha mikro, kecil, dan menengah (UMKM). Gapoktan Kogasera Tani, yang berlokasi di Lampung Tengah, menghadapi tantangan dalam meningkatkan branding produk bawang goreng "Yasera" akibat keterbatasan pengetahuan dan keterampilan dalam desain kemasan yang menarik. Penelitian ini bertujuan untuk mengembangkan dan mengimplementasikan pelatihan pemanfaatan teknologi AI dan Canva untuk optimalisasi desain labeling produk. Pelatihan ini mencakup penggunaan Canva berbasis AI untuk meningkatkan kualitas desain visual serta ChatGPT untuk optimalisasi copywriting yang lebih efektif. Hasil penelitian menunjukkan adanya perubahan signifikan dalam desain kemasan setelah pelatihan. Desain baru lebih menarik secara visual dengan pemilihan warna, tipografi, dan tata letak yang lebih modern dan profesional. Copywriting pada kemasan juga lebih persuasif dan informatif, yang berfungsi meningkatkan daya tarik konsumen. Evaluasi terhadap kemasan baru menunjukkan bahwa penerapan teknologi AI dan Canva berhasil meningkatkan kualitas branding visual, yang pada gilirannya meningkatkan daya saing produk di pasar. Pelatihan ini memberikan dampak positif bagi UMKM, khususnya Gapoktan Kogasera Tani, dalam meningkatkan strategi pemasaran melalui desain kemasan yang optimal.

Performance Evaluation Of SVM With Parameter Optimization On Credit Card Fraud Data Subset Using SMOTE Mahardika, Ahmad Farrel; Fahrezi, Irza Nuzul; Alleredha, Muhammad Hadya; Amaliah, Khusnatul; Rofianto, Dani
IJISTECH (International Journal of Information System and Technology) Vol 9, No 1 (2025): The June Edition
Publisher : Sekolah Tinggi Ilmu Komputer (STIKOM) Tunas Bangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30645/ijistech.v9i1.398

This study evaluates the performance of the Support Vector Machine (SVM) algorithm in detecting credit card fraud by overcoming the class imbalance problem using the Synthetic Minority Oversampling Technique (SMOTE) technique and parameter optimization through Grid Search. The dataset used is sourced from Kaggle, consists of 10,001 transactions, and has been balanced. SMOTE is applied exclusively to the training data to prevent data leakage. The optimization process produces the best parameters at a value of C = 10 and gamma = 0.1. Model evaluation is carried out using recall, precision, F1-score, and AUC-ROC metrics. The results show a significant increase in performance in recognizing fraudulent transactions. The final model recorded a recall of 0.68, precision 0.90, F1-score 0.77, and AUC-ROC 0.98. These findings prove that the combination of SMOTE techniques and parameter optimization can improve the effectiveness of SVM in classifying minority classes more accurately. This approach is considered to have great potential to be applied in automated fraud detection systems in the financial sector.

Performance Evaluation Of SVM With Parameter Optimization On Credit Card Fraud Data Subset Using SMOTE Mahardika, Ahmad Farrel; Fahrezi, Irza Nuzul; Alleredha, Muhammad Hadya; Amaliah, Khusnatul; Rofianto, Dani
IJISTECH (International Journal of Information System and Technology) Vol 9, No 1 (2025): The June Edition
Publisher : Sekolah Tinggi Ilmu Komputer (STIKOM) Tunas Bangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30645/ijistech.v9i1.398

This study evaluates the performance of the Support Vector Machine (SVM) algorithm in detecting credit card fraud by overcoming the class imbalance problem using the Synthetic Minority Oversampling Technique (SMOTE) technique and parameter optimization through Grid Search. The dataset used is sourced from Kaggle, consists of 10,001 transactions, and has been balanced. SMOTE is applied exclusively to the training data to prevent data leakage. The optimization process produces the best parameters at a value of C = 10 and gamma = 0.1. Model evaluation is carried out using recall, precision, F1-score, and AUC-ROC metrics. The results show a significant increase in performance in recognizing fraudulent transactions. The final model recorded a recall of 0.68, precision 0.90, F1-score 0.77, and AUC-ROC 0.98. These findings prove that the combination of SMOTE techniques and parameter optimization can improve the effectiveness of SVM in classifying minority classes more accurately. This approach is considered to have great potential to be applied in automated fraud detection systems in the financial sector.

Title

Found 14 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 14 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 14 Documents
Search