Claim Missing Document
Check
Articles

Found 34 Documents
Search

Analisis Sub-graph Query Pada Jaringan Komunikasi Data Email Dengan Pendekatan Graphrel Ludovica Gorganusa; Kemas Rahmat Saleh Wiharja
eProceedings of Engineering Vol 2, No 3 (2015): Desember, 2015
Publisher : eProceedings of Engineering

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

Abstract

Graph database adalah alat pemodelan data yang bersifat sederhana sampai kompleks. Dengan berisikan node dan edge, suatu data dapat dimodelkan untuk memudahkan analisis suatu proses dalam bentuk query. Graph database lebih unggul daripada relational database karena bisa menangani data yang tidak terstruktur dan semi terstruktur. Pemodelan data kedalam bentuk graph bisa bermacam-macam. Misalnya saja kasus email, yang sifatnya dalam skala besar dan dinamis. Satu alamat email bisa menampung ribuan email dari ratusan pengguna email dengan alamat email berbeda. Tentu database yang disajikan akan memakan banyak tabel dengan atribut yang sama, hanya isinya yang berbeda. Untuk satu alamat tujuan perlu dibentuk satu tabel baru yang menampung data email komunikasi antar pengguna. Lain halnya dengan menggunakan pemodelan dengan graph database. Dari kasus tersebut memerlukan pendekatan sebuah framework relational yang berbasis dekomposisi dan Selektivitas-Aware untuk pengolahan sub-graph query, yaitu graphREL. Dengan berbasis dekomposisi, graphREL bisa menerapkan konsep B-Tree yang biasa hanya dipakai dalam pemodelan relational database.. Kata kunci : graph database, email, framework relational, berbasis dekomposisi, selectivityaware, graphREL, B-Tree
Analisis Aspek Behavioral Pada Business Process Model And Notation Menggunakan Causal Footprints Donny Faturrachman; Dana Sulistiyo Kusumo; Kemas Rahmat Saleh Wiharja
eProceedings of Engineering Vol 2, No 3 (2015): Desember, 2015
Publisher : eProceedings of Engineering

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

Abstract

Dari sekian banyaknya model proses bisnis dapat menimbulkan masalah baru seperti model proses bisnis yang dibuat mengalami duplikasi antara satu model proses bisnis dengan yang lainnya sehingga menyebabkan repository menjadi penuh atau menjadi keberagaman pada model proses bisnis. Dalam mengatasi masalah tersebut salah satu cara adalah dengan menganalisis similarity (kemiripan) antara model proses bisnis. Analisis tingkat kesamaan proses bisnis sangat diperlukan dalam penyederhanaan dan penyatuan berbagai proses bisnis yang ada. Analisis dilakukan pada aspek behavioral, karena behavioral similarity memiliki kelebihan daripada label dan structural similarity dimana pada saat melakukan pengukuran similiarity, memperhatikan relasi tidak langsung sehingga perhitungan similarity yang didapat tidak mengalami penurunan. Metode yang digunakan adalah Causal Footprints, sebuah graph untuk mereprentasikan behavior antara dua node dari suatu model proses bisnis, dinamakan look-back links dan look-ahead links. Untuk mendukung proses similarity perlu ditunjang oleh bahasa pemodelan proses yang memiliki activity nodes dan control nodes seperti Business Process Model and Notation (BPMN) juga memiliki format struktur data XML. Pengujian dilakukan dengan menggunakan tiga model BPMN yang dibandingkan sebagai query dan variant. Berdasarkan hasil pengujian, similarity BPMN pertama  terhadap BPMN kedua sebesar 63 % begitu juga sebaliknya, BPMN kedua terhadap BPMN ketiga sebesar 75 % begitu juga sebaliknya, dan BPMN pertama terhadap BPMN ketiga sebesar 74 % begitu juga sebaliknya. Faktor yang mempengaruhi nilai similarity adalah jumlah node, pertukaran BPMN sebagai query dengan variant, intersection dan link. Kata Kunci : BPMN, behavioral similarity, causal footprints, syntactic similarity.
Analisa Dan Implementasi Graph Summarization Dengan Metode Canal Wisnu Riyan Pratama Putra; Kemas Rahmat Saleh Wiharja; Alfian Akbar Gozali
eProceedings of Engineering Vol 2, No 2 (2015): Agustus, 2015
Publisher : eProceedings of Engineering

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

Abstract

Abstract— Pemodelan data menggunakan graph telah diterapkan oleh banyak aplikasi dan sistem berskala besar dalam berbagai bidang. Data tersebut direpresentasikan sebagai graph dengan node yang mewakili sebuah objek dan edge menandakan hubungan antara dua objek. Untuk memahami karakteristik graph, maka dibutuhkan teknik graph summarization. Pada penelitian ini digunakan metode CANAL (Categorization of Attributes with Numerical Values based on Attribute Values and Link Structures of Nodes) untuk meringkas graph. Metode ini merupakan pengembangan dari metode Aggregation-Based Graph Summarization yang melakukan peringkasan dengan mengelompokkan serta menggabung node kedalam sebuah super node kemudian mengggali pengetahuan dari data untuk menemukan cutoff yang digunakan dalam pengelompokan node secara otomatis. Metode CANAL memperbaiki metode graph summarization SNAP dan k-SNAP yang masih mempunyai kelemahan dalam menangani data dengan atribut numerik[2]. Kedua metode tersebut hanya dapat menangani categorical node attribute, sehingga ketika dihadapkan dengan atribut numerik pengguna masih harus melakukan pengelompokan secara manual berdasarkan pengetahuan mereka terhadap data yang digunakan. Hasil dari sistem yang akan dibangun merupakan sebuah graph summary yang merepresentasikan pattern hubungan antar kelompok dalam ringkasan. Pattern tersebut dapat digunakan untuk membantu memahami informasi yang tersembunyi didalam graph asli. Dari summary yang dihasilkan oleh metode CANAL kemudian dinilai kualitasnya dan dibandingkan dengan kualitas summary dengan cutoff manual. Perbandingan tersebut menunjukkan bahwa kualitas summary dari CANAL memiliki kualitas baik yang setara dengan kualitas summary dengan cutoff manual. Keywords—graph summarization, Aggregation-Based Graph Summarization, node attribute, link structure, interestingness measure.
Implementasi Prinsip MDL untuk Kompresi Graph Database Menggunakan Algoritma Greedy Harris Febryantony Z; Kemas Rahmat Saleh Wiharja; Alfian Akbar Gozali
eProceedings of Engineering Vol 2, No 1 (2015): April, 2015
Publisher : eProceedings of Engineering

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

Abstract

Graph secara konsep merupakan abstraksi yang secara fundamental telah lama dipakai, yang memungkinkan untuk memodelkan pada sistem di dunia nyata. Begitu pula pada data, data jenis apapun dapat dimodelkan relasi antar data tersebut menggunakan graph. Graph database diadopsi untuk memudahkan dan membantu dalam memahami, memodelkan, serta menganalisis suatu proses. Graph database sangat cocok digunakan pada data bersifat tidak terstruktur dan semi terstruktur dibanding relational database yang mana memiliki kelemahan jika data dan ukuran tabel bertambah menyebabkan kemungkinan join antar tabel sangat besar. Dalam aplikasinya jumlah data pada graph database semakin lama akan berkembang semakin besar menjadi jutaan bahkan miliaran node dan edge, sehingga cost untuk untuk melakukan analisa dan visualisasi graph databse menjadi sangat besar untuk kemampuan sistem saat ini. Untuk menyelesaikan permasalahan tersebut maka diperlukan suatu metode untuk mengurangi ukuran dari graph tetapi tetap menyimpan informasi-informasi penting dari graph. Dengan menerapkan prinsip Rissaenen’s Minimum Description Length (MDL) dan melakukan penggabungan secara greedy serta mengombinasikan dengan representasi graph G yang terdiri dari Graph Summary dan sebuah set Correction, maka dapat dihasilkan graph database yang dikompres dengan baik. Kata Kunci: graph database, graph summarization, graph representation, MDL principle, lossles, lossy, compression, greedy, Rissaenen’s Minimum Description Length
Implementasi Dan Analisis Visualisasi Graph Pada Graph Statis Menggunakan Representasi Visual Treemap Lukman Arie Susanto; Kemas Rahmat Saleh Wiharja; Shinta Yulia Puspitasari
eProceedings of Engineering Vol 2, No 3 (2015): Desember, 2015
Publisher : eProceedings of Engineering

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

Abstract

Implementasi graph dapat diterapkan di bidang sosial network, transportasi, biokimia, dan lain-lain. Visualisasi graph pada media sosial menghubungkan antar orang untuk saling bertukar informasi. Pada bidang transportasi menggambarkan jalur atau jalan dengan tempat tertentu sebagai node atau titik. Permasalahan yang timbul jika data tersebut sangat besar maka akan menimbulkan masalah dalam hal visualisasi graph tersebut. Tampilan graph yang besar mempengaruhi pengguna menjadi tidak dapat membaca dan memahami data-data pada visualisasi graph. Selain itu karena data yang besar membuat node-node dan sisi saling overlap dan menggunakan ruang tampilan yang besar. Implementasi treemap pada tugas akhir ini adalah menggunakan data graph berarah dengan konten dataset social network wiki vote. Selain itu juga output yang ditampilkan yaitu berupa visualisasi treemap 2D. Implementasi treemap ini juga dapat berinteraksi dengan user untuk melihat hubungan antar node. Hasil yang diperoleh dari penelitian ini adalah bahwa dengan menggunakan data graph berarah, maka data yang tampil pada visualisasi lebih banyak daripada jumlah dari dataset. Selain itu juga visualisasi treemap ini efektif karena user dapat melihat node yang dipilih terhubung ke node mana saja. Tetapi kekurangan yang didapat adalah bahwa user terlebih dahulu harus mencari node yang ingin dipilih sehingga hal ini menjadi tidak efisien karena membutuhkan waktu yang lebih banyak. Penelitian yang akan datang diharapkan dapat menggunakan visualisasi graph dengan representasi visual yang lain selain treemap dan juga menggunakan graph yang dinamis. Kata kunci : graph berarah, treemap, visualisasi
Utilizing GP 2 for Restaurant Recommendation Nitamayega; Gia Septiana Wulandari; Kemas Rahmat Saleh Wiharja
Indonesia Journal on Computing (Indo-JC) Vol. 9 No. 1 (2024): April, 2024
Publisher : School of Computing, Telkom University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34818/INDOJC.2024.9.1.907

Abstract

The increasing diversity of food and beverage providers poses a challenge for people to find a restaurant that aligns with their preferences. Restaurant recommendation systems can address this problem by providing accurate and relevant suggestions. Although there are many previous studies have explored various recommendation methodologies, the utilization of knowledge graph implemented with GP 2 is still limited. Knowledge graphs can represent complex information in a structured way, while GP 2 is a graph-specific programming language that has a simple syntax. This research focuses on the implementation of a knowledge graph-based restaurant recommendation system with GP 2. The recommendation scheme built can provide the best accuracy, reaching 84.97%. This shows that the knowledge graph-based restaurant recommendation system with GP 2 can demonstrate the effectiveness of the system in providing accurate and relevant recommendations, showing the potential of knowledge graph and GP 2 for the development of recommendation systems in the future and being an effective solution to overcome recommendation problems.
Implementation Graph Sampling and Aggregation (GraphSAGE) Method for Job Recommendation System Wijaya, Dewa Made; Wiharja, Kemas Rahmat Saleh
JURNAL MEDIA INFORMATIKA BUDIDARMA Vol 8, No 1 (2024): Januari 2024
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/mib.v8i1.7105

Abstract

Finding job is currently a challenge, especially for final-year students. Career Development Centre (CDC) is a service that is provided by a university for its students. However, a more sophisticated system is needed that not only provides job information but provides job recommendations based on their interests, skills, and experience. Developing a GraphSAGE-based job recommendation system can help provide suitable jobs according to user preferences. GraphSAGE works by embedding nodes or feature vectors at each node or node in a graph. GraphSAGE aggregates information from neighbouring nodes and propagates that information using different model layers. By combining the feature information of each node, the resulting representation can be richer in information and also more accurate. The development of the GraphSAGE system uses a dataset from the "Job Recommendation Challenge" from Kaggle which consists of 3 data, namely job data, user dataset, and applicant dataset. This study also uses GAT to provide a value or weight for each node before GraphSAGE process the graph. Based on experimental results, this GraphSAGE model has an accuracy value of 97.5% and this value is 13% greater than its comparison, namely FNN (Feedforward Neural Network) commonly used at tabular dataset. This comparison helps us know that which the best model we have to use to the dataset. The model also tested on the Movie dataset, Food dataset, and Epinions dataset.
Comparative Analysis of Transformer Models in Object Detection and Relationship Determination on COCO Dataset Hafizh, Raihan Atsal; Wiharja, Kemas Rahmat Saleh; Fikriansyah, Muhammad Arya
JURNAL MEDIA INFORMATIKA BUDIDARMA Vol 8, No 1 (2024): Januari 2024
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/mib.v8i1.7158

Abstract

This research investigates the integration of object detection and relationship prediction models to enhance image interpretability, addressing the core question: What challenges necessitate a Comparative Analysis of Object Detection and Transformer Models in Relationship Determination? A robust object detection model exhibits commendable performance, especially at lower Intersection over Union (IoU) thresholds and for larger objects, laying a solid foundation for subsequent analyses. The transformer models, including GIT, GPT-2, and PromptCap, are evaluated for their language generation capabilities, showcasing noteworthy performance metrics, including novel keyword-based metrics. The study transparently addresses limitations related to dataset constraints and potential challenges in model generalization, offering a clear rationale for the research. The evaluation of both object detection and transformer models provides valuable insights into the dynamic interplay between visual and linguistic understanding in image comprehension. By candidly acknowledging limitations, including data constraints and model generalization, this research paves the way for future refinements, addressing identified limitations and exploring broader application domains. The comprehensive approach to understanding the interplay between visual and textual elements contributes to the evolving landscape of computer vision and natural language processing research.
Layout Generation: Automated Components Placement for Advertising Poster using Transformer-based from Layout Graph Ramadhanti, Aisyah Dliya; Wiharja, Kemas Rahmat Saleh; Nurzakiah, Azmi; Yustiawan, Yoga
Kinetik: Game Technology, Information System, Computer Network, Computing, Electronics, and Control Vol. 9, No. 4, November 2024
Publisher : Universitas Muhammadiyah Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22219/kinetik.v9i4.2035

Abstract

In the digital era, graphic design plays an important role in a company's marketing strategy, especially advertising posters that can convey messages to the audience. However, the process of creating attractive and informative posters takes a long time, especially the component placement on the layout. This research aims to develop a layout generator system that automatically places components on the layout using one of the transformer-based models. The transformer-based model used is a Graph Transformer with edge features called SGTransformer, which accepts input data as a graph. SGTransformer consists of several graph transformer layers that will calculate the attention of node and edge features on the input layout graph. A layout graph describes the spatial relationship between components in a layout. The SGTransformer model was trained by using advertising poster datasets collected from social media. The performance of the model were evaluated using the evaluation metrics commonly used in the layout generation domain such as Alignment, Overlap, Max IoU, and FID. The scores obtained from each evaluation metric are 0.025, 1.274, 0.325, and 8.575 respectively. The model evaluation results show that SGTransformer can produce structured and more diverse layouts although there are still challenges such as overlap between components.  Code and other materials will be released at https://github.com/syahdeee/Layout-Generator.
Knowledge graph completion for scholarly knowledge graph Taufiqurrahman, Taufiqurrahman; Wiharja, Kemas Rahmat Saleh; Wulandari, Gia Septiana
Bulletin of Social Informatics Theory and Application Vol. 8 No. 2 (2024)
Publisher : Association for Scientific Computing Electrical and Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31763/businta.v8i2.657

Abstract

Scholarly knowledge graph is a knowledge graph that is used to represent knowledge contained in scientific publication documents. The information we can find in a scientific publication document is as follows: author, institution, name of journal/conference, and research topic. A knowledge graph that has been built is usually still not perfect. Some incomplete information may be found. To add the missing information, we can use knowledge graph completion, which is a method for finding missing or incorrect relationships to improve the quality of a knowledge graph. Knowledge graph completion can be carried out on a scholarly knowledge graph by adding new entities and relationships to produce further information in the scholarly knowledge graph. The data added to the scholarly knowledge graph are only other papers of first author entity, the research field of first author entity, and a description of the conference/journal entity. The result shows that the scholarly knowledge graph was completed by adding 81% correct data for other papers of first author entity, 80.3% correct data for the research field of first author entity, and 53.9% correct data for the description of the conference/journal.