Garuda - Garba Rujukan Digital

Penerapan Stratified Sampling pada Klasifikasi Gambar Penyakit Daun Padi dengan Metode K-Nearest Neighbor Rizqi, Tasya Anisah
Seminar Nasional Official Statistics Vol 2024 No 1 (2024): Seminar Nasional Official Statistics 2024
Publisher : Politeknik Statistika STIS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34123/semnasoffstat.v2024i1.2023

Cultivation of rice plants, which is the staple food of Indonesian people, will experience a decline in yields in 2023, causing losses for farmers. Rice cultivation has obstacles such as disease which causes rice yields to decrease. This research aims to classify rice leaf disease using the KNN method by applying stratified sampling to RGB image extraction, so that farmers can easily maintain the stability of rice yields which decrease over time. The data used is rice leaf disease image data in .png format which consists of 3 classes, namely bacterial leaf blight, bacterial leaf streak, and brown leaf spot. The digital image processing used is an RGB image which is extracted and the average value of the red, green, and blue layers is taken. This research produces a superior KNN classificarion accuracy value on RGB images using stratified sampling of 73% compared to random sampling of 69%.

Perbandingan Metode K-Means dan OPTICS dalam Penggerombolan Kemiskinan Multidimensi di Indonesia Sari, Devi Permata; Rizqi, Tasya Anisah; Fitrianto, Anwar; M.S, Erfiani; Jumansyah, L.M. Risman Dwi
KUBIK Vol 9, No 2 (2024): KUBIK: Jurnal Publikasi Ilmiah Matematika
Publisher : Jurusan Matematika, Fakultas Sains dan Teknologi, UIN Sunan Gunung Djati Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15575/kubik.v9i2.39877

Kemiskinan multidimensi tetap menjadi tantangan serius di Indonesia meskipun telah mengalami penurunan dalam beberapa tahun terakhir. Penelitian ini bertujuan menganalisis dan membandingkan pola kemiskinan multidimensi di 34 provinsi Indonesia menggunakan metode K-Means dan OPTICS Clustering. Data kemiskinan multidimensi yang digunakan mencakup aspek ekonomi, pendidikan, ketenagakerjaan, dan standar hidup dari Badan Pusat Statistik. Analisis statistik deskriptif mengungkapkan kesenjangan signifikan antar provinsi dalam berbagai dimensi kemiskinan, dengan korelasi tertinggi sebesar 0,4 antara dimensi pendidikan dan status ketenagakerjaan. K-Means Clustering mengidentifikasi 5 cluster provinsi dengan karakteristik beragam, menunjukkan adanya trade-off antara akses fasilitas dan tingkat kemiskinan. Sementara itu, OPTICS Clustering menghasilkan 2 cluster utama, dengan cluster 1 terdiri dari 24 provinsi yang memiliki kondisi cenderung homogen dan cluster 2 terdiri dari 7 provinsi dengan karakteristik yang berbeda secara signifikan. Perbandingan performa menunjukkan OPTICS unggul dengan nilai Silhouette Index dan WCSS yang lebih baik dibandingkan K-Means. Temuan ini memberikan kontribusi penting dalam analisis kemiskinan multidimensi di Indonesia dan dapat dimanfaatkan untuk merancang program pengentasan kemiskinan yang lebih terlokalisasi sesuai karakteristik masing-masing cluster.

Perbandingan Metode K-Means dan OPTICS dalam Penggerombolan Kemiskinan Multidimensi di Indonesia Sari, Devi Permata; Rizqi, Tasya Anisah; Fitrianto, Anwar; M.S, Erfiani; Jumansyah, L.M. Risman Dwi
KUBIK Vol 9, No 2 (2024): KUBIK: Jurnal Publikasi Ilmiah Matematika
Publisher : Jurusan Matematika, Fakultas Sains dan Teknologi, UIN Sunan Gunung Djati Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15575/kubik.v9i2.39877

Kemiskinan multidimensi tetap menjadi tantangan serius di Indonesia meskipun telah mengalami penurunan dalam beberapa tahun terakhir. Penelitian ini bertujuan menganalisis dan membandingkan pola kemiskinan multidimensi di 34 provinsi Indonesia menggunakan metode K-Means dan OPTICS Clustering. Data kemiskinan multidimensi yang digunakan mencakup aspek ekonomi, pendidikan, ketenagakerjaan, dan standar hidup dari Badan Pusat Statistik. Analisis statistik deskriptif mengungkapkan kesenjangan signifikan antar provinsi dalam berbagai dimensi kemiskinan, dengan korelasi tertinggi sebesar 0,4 antara dimensi pendidikan dan status ketenagakerjaan. K-Means Clustering mengidentifikasi 5 cluster provinsi dengan karakteristik beragam, menunjukkan adanya trade-off antara akses fasilitas dan tingkat kemiskinan. Sementara itu, OPTICS Clustering menghasilkan 2 cluster utama, dengan cluster 1 terdiri dari 24 provinsi yang memiliki kondisi cenderung homogen dan cluster 2 terdiri dari 7 provinsi dengan karakteristik yang berbeda secara signifikan. Perbandingan performa menunjukkan OPTICS unggul dengan nilai Silhouette Index dan WCSS yang lebih baik dibandingkan K-Means. Temuan ini memberikan kontribusi penting dalam analisis kemiskinan multidimensi di Indonesia dan dapat dimanfaatkan untuk merancang program pengentasan kemiskinan yang lebih terlokalisasi sesuai karakteristik masing-masing cluster.

Perbandingan Metode K-Means dan OPTICS dalam Penggerombolan Kemiskinan Multidimensi di Indonesia Sari, Devi Permata; Rizqi, Tasya Anisah; Fitrianto, Anwar; M.S, Erfiani; Jumansyah, L.M. Risman Dwi
KUBIK Vol 9 No 2 (2024): KUBIK: Jurnal Publikasi Ilmiah Matematika
Publisher : Jurusan Matematika, Fakultas Sains dan Teknologi, UIN Sunan Gunung Djati Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15575/kubik.v9i2.39877

Kemiskinan multidimensi tetap menjadi tantangan serius di Indonesia meskipun telah mengalami penurunan dalam beberapa tahun terakhir. Penelitian ini bertujuan menganalisis dan membandingkan pola kemiskinan multidimensi di 34 provinsi Indonesia menggunakan metode K-Means dan OPTICS Clustering. Data kemiskinan multidimensi yang digunakan mencakup aspek ekonomi, pendidikan, ketenagakerjaan, dan standar hidup dari Badan Pusat Statistik. Analisis statistik deskriptif mengungkapkan kesenjangan signifikan antar provinsi dalam berbagai dimensi kemiskinan, dengan korelasi tertinggi sebesar 0,4 antara dimensi pendidikan dan status ketenagakerjaan. K-Means Clustering mengidentifikasi 5 cluster provinsi dengan karakteristik beragam, menunjukkan adanya trade-off antara akses fasilitas dan tingkat kemiskinan. Sementara itu, OPTICS Clustering menghasilkan 2 cluster utama, dengan cluster 1 terdiri dari 24 provinsi yang memiliki kondisi cenderung homogen dan cluster 2 terdiri dari 7 provinsi dengan karakteristik yang berbeda secara signifikan. Perbandingan performa menunjukkan OPTICS unggul dengan nilai Silhouette Index dan WCSS yang lebih baik dibandingkan K-Means. Temuan ini memberikan kontribusi penting dalam analisis kemiskinan multidimensi di Indonesia dan dapat dimanfaatkan untuk merancang program pengentasan kemiskinan yang lebih terlokalisasi sesuai karakteristik masing-masing cluster.

Perbandingan Metode K-Means dan OPTICS dalam Penggerombolan Kemiskinan Multidimensi di Indonesia Sari, Devi Permata; Rizqi, Tasya Anisah; Fitrianto, Anwar; M.S, Erfiani; Jumansyah, L.M. Risman Dwi
KUBIK Vol 9 No 2 (2024): KUBIK: Jurnal Publikasi Ilmiah Matematika
Publisher : Jurusan Matematika, Fakultas Sains dan Teknologi, UIN Sunan Gunung Djati Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15575/kubik.v9i2.39877

Kemiskinan multidimensi tetap menjadi tantangan serius di Indonesia meskipun telah mengalami penurunan dalam beberapa tahun terakhir. Penelitian ini bertujuan menganalisis dan membandingkan pola kemiskinan multidimensi di 34 provinsi Indonesia menggunakan metode K-Means dan OPTICS Clustering. Data kemiskinan multidimensi yang digunakan mencakup aspek ekonomi, pendidikan, ketenagakerjaan, dan standar hidup dari Badan Pusat Statistik. Analisis statistik deskriptif mengungkapkan kesenjangan signifikan antar provinsi dalam berbagai dimensi kemiskinan, dengan korelasi tertinggi sebesar 0,4 antara dimensi pendidikan dan status ketenagakerjaan. K-Means Clustering mengidentifikasi 5 cluster provinsi dengan karakteristik beragam, menunjukkan adanya trade-off antara akses fasilitas dan tingkat kemiskinan. Sementara itu, OPTICS Clustering menghasilkan 2 cluster utama, dengan cluster 1 terdiri dari 24 provinsi yang memiliki kondisi cenderung homogen dan cluster 2 terdiri dari 7 provinsi dengan karakteristik yang berbeda secara signifikan. Perbandingan performa menunjukkan OPTICS unggul dengan nilai Silhouette Index dan WCSS yang lebih baik dibandingkan K-Means. Temuan ini memberikan kontribusi penting dalam analisis kemiskinan multidimensi di Indonesia dan dapat dimanfaatkan untuk merancang program pengentasan kemiskinan yang lebih terlokalisasi sesuai karakteristik masing-masing cluster.

Image Classification of Rice Leaf Diseases with KNN Based Model using Stratified-KCV Rizqi, Tasya Anisah; Anwar Fitrianto; Kusman Sadik
Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol 9 No 5 (2025): October 2025
Publisher : Ikatan Ahli Informatika Indonesia (IAII)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29207/resti.v9i5.6590

Rice is a staple food for people in the world, especially Indonesia. The rice harvest decreased in 2023, reducing harvest productivity and causing losses for farmers. Rice cultivation is often affected by diseases that hinder rice harvests. SKCV is a resampling method that performs more accurately because it can ensure that class frequencies are maintained. RGB and VGG16 are image processing methods that extract images into numerics. RGB image extraction is done by taking the average value of the red, green, and blue layers while VGG16 image extraction is done by taking the value of visual pattern features such as edges, textures, and object shapes. In this study, rice leaf diseases were classified using KNN-based models, including KNN, WKNN, CDNN, and ECDNN. This classification was performed to determine which method had better performance using SKCV and comparing the results of RGB and VGG16 image extraction. This classification also produces a comparison of SKCV and KCV results to determine the best resampling performance. The results of the analysis that have been carried out show that the ECDNN method produces the highest accuracy of 81.20% in classifying rice leaf diseases using SKCV with VGG16 extraction followed by CDNN and WKNN each at 68.80%, and KNN at 56.20% while RGB extraction only produces an accuracy of 43.8% using ECDNN and CDNN, 56.20% using WKNN, and 50% using KNN. The results of this rice leaf diseases classification analysis are expected to help farmers in increasing rice production in Indonesia.

Studi Komparatif Metode Boosting Dalam Pengklasifikasian Penerima Bantuan Program Keluarga Harapan (PKH) Amatullah, Fida Fariha; MY, Hadyanti Utami; Rizqi, Tasya Anisah; Wahyuni, Silvia Tri; Sartono, Bagus; Firdawanti, Aulia Rizki
TELKA - Telekomunikasi Elektronika Komputasi dan Kontrol Vol 11, No 3 (2025): TELKA
Publisher : Jurusan Teknik Elektro UIN Sunan Gunung Djati Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15575/telka.v11n3.315-326

Ensemble Learning adalah paradigma pembelajaran mesin dimana beberapa model (biasanya disebut "weak learners") dilatih untuk memecahkan masalah yang sama dan digabungkan untuk mendapatkan hasil yang lebih baik. Salah satu model Ensemble, yaitu model boosting. Beberapa metode boosting yang digunakan dalam penelitian ini, yaitu Gradient Boosting Machines (GBM), Extreme Gradient Boosting Machine (XGBM), Light Gradient Boosting Machine (LGBM), dan CatBoost. Penelitian ini akan mengklasifikasikan Rumah Tangga (RT) yang menerima bantuan Program Keluarga Harapan (PKH). Pengklasifikasian PKH sangat penting dilakukan, karena saat ini pemberian PKH belum optimal dan masih banyak yang tidak tepat sasaran. Hasil penelitian menunjukkan bahwa metode LGBM menunjukkan performa terbaik ketika jumlah data latih berukuran besar, yaitu 90% dengan akurasi sebesar 67,97%, sedangkan untuk data latih kecil yaitu 60:40, LGBM memiliki performa yang kurang baik, dengan nilai balanced accuracy terendah dibandingkan metode boosting lainnya, yaitu sebesar 54,43%. Keunggulan LGBM ini disebabkan karena kemampuannya dalam mengelola data besar dan kompleks yang sesuai dengan karakteristik data sosial ekonomi rumah tangga penerima PKH. Dua fitur yang memiliki peran penting untuk pengklasifikasian PKH dalam model terbaik yaitu LGBM adalah faktor ekonomi dan jumlah anggota rumah tangga. Ensemble Learning is a machine learning paradigm in which multiple models (commonly referred to as "weak learners") are trained to solve the same problem and combined to achieve better results. One of the Ensemble models is the boosting model. Several boosting methods used in this study include Gradient Boosting Machines (GBM), Extreme Gradient Boosting Machine (XGBM), Light Gradient Boosting Machine (LGBM), and CatBoost. This study aims to classify households (RT) that receive assistance from the Program Keluarga Harapan (PKH). The classification of PKH recipients is crucial because the distribution of PKH aid has not been optimal, with many cases of misallocation. The results of the study indicate that the LGBM method demonstrates the best performance when the latih dataset is large (90%), achieving an accuracy of 67.97%. However, when the latih dataset is small (60:40), LGBM performs poorly, recording the lowest balanced accuracy among the boosting methods, at 54.43%. The superiority of LGBM is attributed to its ability to handle large and complex data, which aligns with the socio-economic characteristics of PKH recipient households. Two key features that play a significant role in PKH classification using the best-performing model, LGBM, are economic factors and the number of household members.

Title

Found 7 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 7 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 7 Documents
Search