Claim Missing Document
Check
Articles

Found 5 Documents
Search

IDENTIFIKASI PENYAKIT BRUCELLOSIS PADA DAGING SAPI BERDASARKAN ANALISIS TEKSTUR MENGGUNAKAN GRAY LEVEL COOCURENT MATRIX (GLCM) Muhammad Fachrurrozi Nasution; Rika Rosnelly; Jazmi Hadi Matondang; Mega Marisani Ziraluo; Eri Triwanda
Device Vol 13 No 1 (2023): Mei
Publisher : Fakultas Teknik dan Ilmu Komputer (FASTIKOM) UNSIQ

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32699/device.v13i1.4123

Abstract

Seiring dengan meningkatnya konsumsi daging sapi di masyarakat, membuat orang yang tak bertanggung jawab memanfaatkan kondisi dengan menjual daging sapi yang tidak layak konsumsi kepada masyarakat, hal ini terjadi karena kurangnya pengetahuan masyarakat tentang ciri-ciri daging sapi berkualitas, untuk mengetahui kualitas daging sapi dapat ditentukan dari tekstur daging sapi. Pada umumnya masyarakat menggunakan penglihatan kasat mata untuk menentukan kualitas daging sapi. Namun, cara tersebut masih kurang efektif karena mata memiliki kelemahan untuk melihat suatu objek secara detail. Penelitian ini bertujuan dalam menganalisis tekstur daging sapi untuk mengidentifikasi kualitas daging sapi dengan menggunakan proses pengolahan citra. Diharapkan dengan penelitian ini, menghasilkan perbedaan terhadap jenis daging yang terkena penyakit brucellosis berdasarkan tekstur daging sapi menggunakan metode Gray Level Co-Occurrence Matrix (GLCM). Parameter yang dianalisis adalah Contrast, Correlation, Energy, Homogeneity. Parameter tersebut akan diterapkan pada citra daging sapi sehat dan daging sapi terpapar brucellosis untuk dicari nilai dari masing - masing parameter. Hasil yang didapatkan, terdapat kesimpulan bahwa penyakit brucellosis dapat dikenali berdasarkan hasil proses ekstraksi fitur citra dengan metode GLCM. Lanjutan yang dapat dilakukan dari penelitian ini, diperlukan metode klasifikasi dalam membedakan citra daging sapi terpapar brucellosis atau daging sehat secara lebih detail.
Penerapan SPK dengan Metode TOPSIS untuk Pemilihan Ketua OSIS Hts, Dedek Indra Gunawan; Edi, Firman; Indriani, Ulfa; Tambunan, Frinto; Nasution, M. Fachrurrozi
JIKTEKS : Jurnal Ilmu Komputer dan Teknologi Informasi Vol. 3 No. 01 (2024): Desember
Publisher : Faatuatua Media Karya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70404/jikteks.v3i01.123

Abstract

Penelitian ini bertujuan untuk menerapkan metode TOPSIS (Technique for Order of Preference by Similarity to Ideal Solution) dalam pemilihan Ketua OSIS di sebuah sekolah. Pemilihan Ketua OSIS memerlukan pertimbangan yang objektif berdasarkan berbagai kriteria, seperti kepemimpinan, komunikasi, pengalaman, prestasi akademik, dan partisipasi dalam kegiatan sekolah. Metode TOPSIS digunakan untuk memberikan peringkat pada kandidat berdasarkan kedekatannya dengan solusi ideal positif dan solusi ideal negatif. Penelitian ini dimulai dengan penentuan kriteria dan bobotnya, diikuti dengan pengumpulan data kandidat, normalisasi matriks keputusan, serta perhitungan jarak ke solusi ideal positif dan negatif. Hasil penelitian menunjukkan bahwa metode TOPSIS dapat menghasilkan peringkat kandidat secara objektif, membantu pihak sekolah dalam memilih Ketua OSIS yang paling sesuai dengan kebutuhan dan harapan sekolah.
ALGORITMA K-MEANS UNTUK KLASTERISASI JUMLAH JEMAAH HAJI YANG DIBERANGKATKAN KE TANAH SUCI MEKAH MENURUT KABUPATEN/KOTA DI PROVINSI SUMATERA UTARA Nasution, Muhammad Fachrurrozi; Nababan, Labuan; Marbun, Ernida; Sinambela, Lamtiur; Hts, Dedek Indra Gunawan
Device Vol 15 No 1 (2025): Mei
Publisher : Fakultas Teknik dan Ilmu Komputer (FASTIKOM) UNSIQ

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32699/device.v15i1.9239

Abstract

Setiap tahun, Provinsi Sumatera Utara memberangkatkan ribuan jemaah haji ke Tanah Suci Mekah. Distribusi jumlah jemaah yang berasal dari berbagai kabupaten/kota menunjukkan pola yang beragam dan perlu dianalisis lebih lanjut guna mendukung perencanaan dan pengambilan keputusan oleh instansi terkait. Penelitian ini bertujuan untuk melakukan klasterisasi terhadap jumlah jemaah haji berdasarkan wilayah kabupaten/kota di Provinsi Sumatera Utara menggunakan algoritma K-Means, salah satu metode unsupervised learning yang efektif untuk pengelompokan data. Data yang digunakan dalam penelitian ini merupakan data sekunder jumlah jemaah haji dari setiap kabupaten/kota yang diperoleh dari sumber resmi. Proses klasterisasi dilakukan melalui beberapa tahapan, yaitu inisialisasi centroid awal, penghitungan jarak Euclidean, pengelompokan data berdasarkan kedekatan terhadap centroid, dan pembaruan posisi centroid hingga proses konvergen. Untuk menentukan jumlah klaster yang optimal, digunakan metode Elbow. Hasil analisis menunjukkan bahwa data dapat dibagi ke dalam tiga klaster utama, yaitu klaster dengan jumlah jemaah tinggi, sedang, dan rendah. Visualisasi klaster membantu memperlihatkan distribusi spasial yang lebih jelas dari masing-masing kelompok wilayah. Implementasi algoritma K-Means dalam penelitian ini membuktikan bahwa metode klasterisasi dapat digunakan secara efektif dalam menganalisis data demografis, khususnya dalam konteks pelayanan ibadah haji. Seluruh proses analisis dilakukan menggunakan Google Colab, yang memfasilitasi komputasi berbasis cloud dan mendukung visualisasi data secara interaktif.
CLASSIFICATION OF K-NEAREST NEIGHBOR (K-NN) AND CONVOLUTIONAL NEURAL NETWORK (CNN) FOR THE IDENTIFICATION OF BRONCHITIS DISEASE IN TODDLERS USING GLCM FEATURE EXTRACTION BASED ON THORAX X-RAY IMAGES Nasution, M. Fachrurrozi; Wanayumini, Wanayumini; Roesnelly, Rika
PROCEEDING OF INTERNATIONAL CONFERENCE ON EDUCATION, SOCIETY AND HUMANITY Vol 2, No 1 (2024): Second International Conference on Education, Society and Humanity
Publisher : PROCEEDING OF INTERNATIONAL CONFERENCE ON EDUCATION, SOCIETY AND HUMANITY

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

Abstract

K-Nearest Neighbor (K-NN) is a classification method that seeks the majority class from the k-nearest neighbors of a sample to be classified. Meanwhile, Convolutional Neural Network (CNN) is a type of artificial neural network specifically designed to recognize patterns in image data. The features are then extracted using GLCM (Gray Level Co-occurrence Matrix) from Thorax X-Ray images. This research aims to develop two classification approaches, namely K-Nearest Neighbor (K-NN) and Convolutional Neural Network (CNN), to detect bronchitis disease in toddlers based on Thorax X-Ray images. Feature extraction based on the Gray Level Co-occurrence Matrix (GLCM) is used to transform images into numerical features that can be processed by classification algorithms. The results from both methods will be combined based on various evaluation metrics, such as accuracy, precision, recall, F1-score, etc
Pengenalan Business Intelligence Guna Meningkatkan Kemampuan Melakukan Analisis Data Nababan, Labuan; Nasution, M. Fachrurrozi; Ginting, Hendro; Sinambela, Lamtiur; Panjaitan, Sri Wahyuni; M. Imam Santoso
ORAHUA : Jurnal Pengabdian Kepada Masyarakat Vol. 3 No. 01 (2025): Juli
Publisher : Faatuatua Media Karya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70404/orahua.v3i01.163

Abstract

Bisnis Intelegence (BI) adalah serangkaian teknologi, aplikasi, dan praktik yang digunakan untuk mengumpulkan, menganalisis, dan menyajikan data untuk mendukung pengambilan keputusan bisnis yang lebih baik. Tujuan utama BI adalah untuk mengubah data mentah menjadi informasi yang berguna yang dapat membantu perusahaan dalam merencanakan strategi, memahami tren pasar, dan meningkatkan efisiensi operasional.Penerapan BI dapat meningkatkan kemampuan analisis data dengan memberikan berbagai alat dan teknik untuk menggali wawasan yang lebih dalam dari data yang dimiliki. Tujuan Kegiatan pengabdian ini adalah siswa dapat meningkatan kemampuan untuk menganalisis data lebih mendalam, efisien, dan tepat, sehingga siswa dapat mengidentifikasi peluang baru, meningkatkan daya saing, serta mengoptimalkan operasional bisnis. Dengan kemampuan analisis data yang lebih baik, siswa dapat lebih mudah merumuskan strategi bisnis yang tepat dan responsif terhadap perubahan pasar yang dapat mereka terapkan dalam bisnis atau ditempat mereka nantinya jika sudah bekerja.