cover
Contact Name
Arita Witanti
Contact Email
jmai@mercubuana-yogya.ac.id
Phone
-
Journal Mail Official
jmai@mercubuana-yogya.ac.id
Editorial Address
-
Location
Kab. bantul,
Daerah istimewa yogyakarta
INDONESIA
JMAI (Jurnal Multimedia & Artificial Intelligence)
ISSN : 22014155     EISSN : 25802593     DOI : -
Core Subject : Science,
The journal scopes include (but not limited to) the followings: Computer Science : Artificial Intelligence, Data Mining, Database, Data Warehouse, Big Data, Machine Learning, Operating System, Algorithm Computer Engineering : Computer Architecture, Computer Network, Computer Security, Embedded system, Coud Computing, Internet of Thing, Robotics, Computer Hardware Information Technology : Information System, Internet & Mobile Computing, Geographical Information System Visualization : Virtual Reality, Augmented Reality, Multimedia, Computer Vision, Computer Graphics, Pattern & Speech Recognition, image processing Social Informatics: ICT interaction with society, ICT application in social science, ICT as a social research tool, ICT education.
Arjuna Subject : -
Articles 5 Documents
Search results for , issue "Vol. 2 No. 2 (2018): Jurnal Multimedia " : 5 Documents clear
Sistem Pakar Diagnosa Penyakit yang Disertai Demam Menggunakan Metode Naive Bayes Classifier Eko Rantoso; Ozzi Suria
JMAI (Jurnal Multimedia & Artificial Intelligence) Vol. 2 No. 2 (2018): Jurnal Multimedia & Artificial Intelligence
Publisher : LPPM Universitas Mercu Buana Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (343.925 KB) | DOI: 10.26486/jmai.v2i2.76

Abstract

Banyak penyakit manusia yang ditandai dengan gejala demam, misalnya penyakit tipus, ISPA, dan cacar air. Ukuran suhu tubuh yang naik akibat demam untuk setiap penyakit juga bervariasi. Banyaknya ragam penyakit yang disertai dengan variasi suhu tubuh akibat demam ini seringkali membuat penderita mengalami kebingungan mengenai jenis penyakit apa yang dialami saat ini. Dalam penelitian ini, penulis mencoba untuk membuat sistem pakar yang dapat digunakan untuk membantu memberikan diagnosa penyakit dengan gejala utama demam disertai dengan gejala-gejala lain. Penyakit yang digunakan sebagai objek penelitian adalah tipus, ISPA, cacar air, diare, gondongan, dan radang amandel. Data yang digunakan sebagai bahan penelitian ini diambil dari salah satu klinik kesehatan dan akan diolah dengan menggunakan metode Naïve Bayes Classifier. Sistem ini akan memberikan informasi mengenai jenis penyakit yang diderita pasien berdasarkan pada gejala-gejala penyakit yang dialami oleh pasien sebelumnya. Berdasarkan 27data pemeriksaan pasien yang diambildan diuji dengan sistem serta telah divalidasi oleh ahli pakar, sistem memiliki tingkat akurasi sebesar 96,3% dalam memberikan diagnosa penyakit.
Sistem Pakar Diagnosa Penyakit Kulit Pada Anjing Ras Dengan Metode Teorema Bayes Paulus Hendi Kristyanto; Ozzi Suria
JMAI (Jurnal Multimedia & Artificial Intelligence) Vol. 2 No. 2 (2018): Jurnal Multimedia & Artificial Intelligence
Publisher : LPPM Universitas Mercu Buana Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (604.881 KB) | DOI: 10.26486/jmai.v2i2.77

Abstract

Penyakit kulit merupakan kasus yang paling sering muncul pada kasus penyakit anjing ras. Perbedaan iklim serta keadaan lingkungan dari habibat asli menjadikan anjing ras rentan terserang penyakit kulit. Pengetahuan masyarakat yang masih minim mengenai penyakit kulit pada anjing ras dan ketersediaan jumlah dokter hewan yang masih sangat sedikit menjadikan banyak kasus penyakit kulit pada anjing ras tidak tertangani dengan baik. Dari permasalahan tersebut, penelitian ini mencoba untuk membuat sebuah sistem pakar yang dapat membantu diagnosa penyakit kulit pada anjing ras. Data yang digunakan dalam pembuatan sistem pakar ini diperoleh dari literatur dan data rekam medis pada klinik “Graha Pet Care”. Diagnosa dilakukan dengan cara menginputkan gejala-gejala yang muncul pada anjing. Kemudian, sistem akan melakukan penghitungan nilai setiap bobot terkait dengan 8 jenis penyakit yang dipakai dengan metode teorema bayes. Hasil nilai bayes tertinggi akan dipilih sebagai diagnosa sistem. Berdasarkan 11 data rekam medis yang digunakan sebagai data uji pada sistem pakar diagnosa penyakit kulit pada anjing ras dengan metode teorema bayes ini, didapatkan 10 kesesuaian diagnosa dan 1 kasus tidak sesuai dengan diagnosa dokter. Dengan demikian dapat disimpulkan bahwa dari 11 data uji sampel yang digunakan dalam penelitian ini, sistem pakar diagnosa penyakit kulit pada anjing ras dengan metode Teorema Bayes ini dapat memberikan hasil diagnosa dengan akurasi sebesar 91%.
Aplikasi Kamus Bahasa Jawa Ngoko, Jawa Krama, dan Indonesia Berbasis Android Dengan Menggunakan Metode Sequential Search Ibnu Fajar Shiddiq; Arita Witanti
JMAI (Jurnal Multimedia & Artificial Intelligence) Vol. 2 No. 2 (2018): Jurnal Multimedia & Artificial Intelligence
Publisher : LPPM Universitas Mercu Buana Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (519.511 KB) | DOI: 10.26486/jmai.v2i2.84

Abstract

Proses pencarian kata kamus berupa buku dapat memakan waktu yang cukup lama karena proses pencariannya secara manual. Sehingga perlu dibuat suatu aplikasi, salah satunya yaitu aplikasi kamus digital yang dapat mempermudah dalam pencarian kata dan tidak perlu mengeluarkan biaya tambahan untuk membeli kamus.Penelitian ini bertujuan untuk membuat aplikasi kamus tiga bahasa yaitu bahasa Jawa Ngoko, Jawa Krama dan Indonesia berbasis Android dengan menggunakan metode Sequential Search, dimana metode pencarian ini dengan cara pengurutan dari index awal hingga data yang ditemukan. Dalam penelitian ini menggunakan perangkat lunak Eclipse sebagai perangkat lunak pembuatan aplikasi dan SQLite sebagai media penyimpanan data kamus.Adapun hasil dari penelitian ini yaitu berupa aplikasi kamus Bahasa Jawa Ngoko, Jawa Krama, dan Indonesia dengan menggunakan metode Sequential Search. Dalam metode ini mampu melakukan pencarian kurang-lebih 2730 kata dan tingkat keakuratan setiap pencarian 100%. Dalam proses pencarian data yang dapat membantu pengguna dalam memahami dan mempelajari bahasa Jawa - Indonesia ini memerlukan rata-rata 0.5 detik setiap pencariannya.
Identifikasi Mangga Harum Manis Karbitan dan Tidak Karbitan Dengan Learning Vector Quantization Wahyu Puspitaningrum; Supatman Supatman
JMAI (Jurnal Multimedia & Artificial Intelligence) Vol. 2 No. 2 (2018): Jurnal Multimedia & Artificial Intelligence
Publisher : LPPM Universitas Mercu Buana Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (415.836 KB) | DOI: 10.26486/jmai.v2i2.88

Abstract

Buah mangga memiliki banyak jenis salah satunya adalah mangga harum manis. Kematangan buah mangga arum manis ada yang alamiah atau melalui proses pengkarbitan. Karbit adalah kepanjangan dari kalsium karbida. Karbit biasanya digunakan dalam proses las karbit dan juga dapat mempercepat pematangan buah.Pengambilansample dilakukan pada dua jenis kematangan mangga harum manis yaitu mangga harum manis karbitan dan tidak karbitan. Pengembangan algoritma yang dilakukan bertujuan untuk mengidentifikasi mangga harum manis yang dapat membedakan kematangan mangga karbitan dan tidak karbitan menggunakan Learning Vector Quantization (LVQ).Ciri yang digunakan untuk mengidentifikasi citra mangga adalah rata-rata, varian dan standar deviasi.Jumlah data pelatihan yang digunakan terdiri dari 2 kelas(kelas 1: mangga karbitan, kelas 2: mangga tidak karbitan), dan masing-masing kelas berjumlah 30 data pelatihandengan total data berjumlah 60 data pelatihan. Sedangkan untuk data uji masing-masing kelas menggunakan 25 data uji dengan total berjumlah 50 data uji.Pada proses pelatihan menggunakan parameter LVQ alfa 0.001 dengan dec alfa 0.9, diperoleh unjuk kerja terbaik sebesar 98.33%. Bobot akhir yang diperoleh dari unjukkerja terbaik pada pelatihan digunakan untuk melakukan pengenalan. Unjuk kerja terbaik dari 50 data uji mencapai 98%dengan perincian 96 % mangga karbitan dan 100 % mangga tidak karbitan.
Identifikasi Daging Sapi Segar Dan Beku Menggunakan Learning Vector Quantization Lilis Cahyono; Supatman Supatman
JMAI (Jurnal Multimedia & Artificial Intelligence) Vol. 2 No. 2 (2018): Jurnal Multimedia & Artificial Intelligence
Publisher : LPPM Universitas Mercu Buana Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (439.826 KB) | DOI: 10.26486/jmai.v2i2.89

Abstract

Di Indonesia harga daging sapi cukup mahal, hal ini terjadi karena mata rantai distribusi yang sangat panjang dari peternak hingga ke tangan konsumen, sehingga diperlukan biaya yang sangat tinggi untuk membeli daging sapi. Dengan mahalnya daging sapi tersebut ada beberapa oknum yang berusaha mencampur kualitas kesegaran daging sapi dengan mencampurnya antara daging yang baru dipotong dengan daging yang sudah dipotong beberapa waktu. Kondisi ini sangat merugikan konsumen yang membeli daging sapi.Saat ini identifikasi daging dilakukan secara kasat mata maupun dengan menekan dagingnya untuk mengetahui tekstur daging. Cara ini memiliki banyak kelemahan bila para konsumen tidak jeli untuk membedakan kualitas kesegaran daging sapi. Perkembangan ilmu pengetahuan dan teknologi pengolahan citra digital memungkinkan untuk memilih kualitas kesegaran daging sapi tersebut secara otomatis dengan bantuan aplikasi pengolahan citra.Tujuan dari penelitian ini adalah mengembangkan algoritma untuk mengidentifikasi daging sapi segar dan sapi beku menggunakan Learning Vector Quantization (LVQ). Jumlah data pelatihan yang digunakan terdiri dari 2 kelas (kelas 1 : kelas daging segar dan kelas 2 : daging sapi beku), masing-masing kelas berjumlah 15 data pelatihan, jadi total data berjumlah 30 data pelatihan. Sedangkan untuk data uji masing-masing kelas menggunakan 20 data uji dengan total berjumlah 40 data uji. Pada proses pelatihan menggunakan Learning Vector Quantization diperoleh unjuk kerja identifikasi terbaik sebesar 96,67% pada parameter dec alfa (decα) 0,75 dengan alfa (α) 0,00001. Bobot akhir yang diperoleh dari hasil learning tersebut kemudian digunakan untuk melakukan pengenalan data uji. Unjuk kerja terbaik pengujian dengan presentase komulatif mencapai 80% yaitu data mengenali daging segar 12 pada kelas 1 dan data mengenali daging sapi beku 20 pada kelas 2.

Page 1 of 1 | Total Record : 5