Articles
11 Documents
Search results for
, issue
"Vol 3 No 5 (2021): November 2021"
:
11 Documents
clear
<![CDATA[Prediksi Permintaan Beras Mengggunakan Jaringan Syaraf Tiruan Algoritma Backpropagation (Studi Kasus: CV.PUSPA) ]]>
<![CDATA[Silcillya Ayu Astiti]]>;
<![CDATA[Gita Indah Marthasari]]>;
<![CDATA[Yufis Azhar]]>
<![CDATA[ Jurnal Repositor Vol 3 No 5 (2021): November 2021 ]]>
Publisher : <![CDATA[Universitas Muhammadiyah Malang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.22219/repositor.v3i5.1395
<![CDATA[Indonesia sebagai negara yang mayoritas penduduknya memilih beras sebagai sumber pangan utama, di tahun 2020 mengalami penurunan pola konsumsi yang mengakibatkan permintaan beras yang seharusnya stabil menjadi berkurang. Menurunnya daya beli masyarakat akan beras berdampak pada beberapa penyetok beras atau yang biasa disebut dengan agen beras untuk membeli beras pada perusahaan produksi beras. Untuk meminimalisir kerugian yang dialami oleh perusahaan produksi beras, terdapat salah satu cara yang dapat diterapkan, yaitu dengan melakukan peramalan data menggunakan metode jaringan syaraf tiruan backpropagation yang pada penelitian ini data yang digunakan merupakan data permintaan beras Perusahaan CV. PUSPA yang bersifat time series. Skenario pemodelan pada penelitian menerapkan 1-5 hidden layer dengan jumlah neuron hidden yang berbeda di setiap percobaannya. Hasil yang diperoleh memperlihatkan bahwa menggunakan jaringan syaraf tiruan backpropagation menunjukkan prediksi yang baik yang pada penelitian ini hasil terbaik terdapat pada arsitektur 7-50-200-300-250-300-1 dengan MSE = 0.001278, RMSE = 0,301950 di proses pelatihan dan hasil MSE = 0.002391, RMSE = 0.204972 di proses pengujian.]]>
<![CDATA[Algoritma Support Vector Machine (SVM) Untuk Identifikasi Komponen Abstrak Pada Jurnal Ilmiah Berbasis Teknik Klasifikasi ]]>
<![CDATA[Titin Eka Puspitawati]]>;
<![CDATA[Setio Basuki]]>;
<![CDATA[Vinna Rahmayanti Setyaning Nastiti]]>
<![CDATA[ Jurnal Repositor Vol 3 No 5 (2021): November 2021 ]]>
Publisher : <![CDATA[Universitas Muhammadiyah Malang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.22219/repositor.v3i5.1389
<![CDATA[Penelitian yang dipublikasikan dalam bentuk jurnal setiap tahunya selalu ada yang baru dan semakin banyak, untuk bias dapat suatu informasi tertentuxyang akan dibutuhkan dari sebuahmpenelitian akan sulit dan memakan waktu lama. Sepertimhalnya mencari sebuahxinformsi tertentumdengen membaca keseluruhan abstrak secarapsatu-persatu yang tidak efektif. Oleh karena itu dengan harapan adanya pembangunan sistem yang mampu menganbil informasi tertemtu dari sebuagh dokumen secara tepat dan otomatis. Penelitian ini menggunakan pendekatan pembelajaran klasifikasi. Pada penelitian ini penulis menggunakan Algoritma Support Vector Machine. Hasil dari sistem adalah untuk melakukan klasifikasi informasi permasalahan umum, permasalahan khusus, solusi yag diusulkan, hasil, pembahasan dan implikasi, keywords dan lain-lain dari abstrak sebuah jurnall ilmiah dan mengukur kinerja dari sistem ini.]]>
<![CDATA[Analisis Sentimen Pada Media Sosial Twitter Menggunakan Naïve Bayes Classifier Terhadap Kata Kunci “#Asiangames2018” ]]>
<![CDATA[Abdy Yoga Syantara]]>;
<![CDATA[Evi Dwi Wahyuni]]>;
<![CDATA[Vinna Rahmayanti Setyaning Nastiti]]>
<![CDATA[ Jurnal Repositor Vol 3 No 5 (2021): November 2021 ]]>
Publisher : <![CDATA[Universitas Muhammadiyah Malang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.22219/repositor.v3i5.1398
<![CDATA[Data pengguna twitter di tahun 2016 ada 77% yang aktif dan 4,1 miliar tweet. Selain fungsi twitter sebagai media informasi, twitter juga memungkinkan setiap penggunanya menulis dan berbagi segala hal dengan menggunakan hashtag atau biasa dilambangkan dengan “#”. Asian Games merupakan pesta olahraga Asia yang diselenggarakan setiap empat tahun sekali, dan melibatkan atlet-atlet dari seluruh Asia dimana acara bergengsi ini diorganizir oleh Olympic Council of Asia (OCA). Dengan begitu tujuan dari penelitian ini adalah untuk melihat sentiment masyarakat pada event Asian Games dengan memanfaatkan metode Naïve Bayes Classifier. Dataset yang diambil dari Twitter nantinya akan memasuki tahapan preprocessing. Hasil dataset tersebut nantinya akan dianalisa dengan metode Naïve Bayes Classifier dan menghasilkan prediksi nilai positif sebesar 27%, negatif sebesar 10% dan netral sebesar 16%. Dan hasil pengujian dengan akurasi sebesar 80,30%, serta precission, recall, dan f1-score masing masing sebesar 84%, 80%, dan 81%.]]>
<![CDATA[Pendeteksi Plagiarisme pada Berita Selebritas Menggunakan Algoritma Winnowing dengan Metode K-Gram dan Synonym Recognition (Studi Kasus Berita Selebriti pada Website) ]]>
<![CDATA[Novita Daian Marlissa]]>;
<![CDATA[Setio Basuki]]>;
<![CDATA[Vinna Rahmayanti Setyaning Nastiti]]>
<![CDATA[ Jurnal Repositor Vol 3 No 5 (2021): November 2021 ]]>
Publisher : <![CDATA[Universitas Muhammadiyah Malang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.22219/repositor.v3i5.1390
<![CDATA[Penelitian ini berfokus untuk menurunkan tindakan plagiarisme pada berita selebriti, dimna sistem yang dibangun menggunakan platform website dengan algoritma Winnowing dengan metode K-gram dan Synonym Recognition yang menghasilkan Fingerprinting. Fingerptinting ini yang digunakan untuk menghitung tingkat kemiripan dengan menggunakan Jaccard Similarity. Sistem ini dibuat menggunakan pemograman PHP dengan framework CodeIgniter. Hasil dari sistem adalah membantu menemukan tindakan plagiarisme pada berita selebriti..]]>
<![CDATA[Sistem Rekomendasi Video Pada Youtube Menggunakan Metode Collaborative Filtering dan Algoritma Support vector machine (SVM) ]]>
<![CDATA[Dini Tri Purwaningsih]]>;
<![CDATA[Setio Basuki]]>;
<![CDATA[Vinna Rahmayanti Setyaning Nastiti]]>
<![CDATA[ Jurnal Repositor Vol 3 No 5 (2021): November 2021 ]]>
Publisher : <![CDATA[Universitas Muhammadiyah Malang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.22219/repositor.v3i5.1391
<![CDATA[Penelitian ini bertujuanUuntuk meningkatkanOkualitas hasil rekomendasi berbasis klasifikasi dengan menggunakan metode collaborative filtering dengan membangun sistem menggunakan pemrograman PHP dengan framework CodeIgniter. Serta pengukuran keakuratan dari sistem rekomendasi dengan menggunakan algoritma support vector machine yang menghasilkan persentase yang menunjukkan keakuratandari sistem yang telah dibentuk. Hasil dariusistem yan telah dibuat yaitu sebuah sistem rekomendasi video yang menampilkan hasil dari pencarian sebuah kueri oleh user.]]>
<![CDATA[Klasifikasi Aktifitas Pada Human Activity Recognition Dataset Menggunakan Logistic Regression ]]>
<![CDATA[Rizalwan Ardi Ramandita]]>;
<![CDATA[Wahyu Andhyka Kusuma]]>;
<![CDATA[Agus Eko Minarno]]>
<![CDATA[ Jurnal Repositor Vol 3 No 5 (2021): November 2021 ]]>
Publisher : <![CDATA[Universitas Muhammadiyah Malang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.22219/repositor.v3i5.1348
<![CDATA[Smartphone dan smartwatch telah menjadi perangkat yang diperlukan dalam kehidupan sehari-hari selama beberapa tahun terakhir. Smartphone yang tersebar pada masyarakat dilengkapi dengan berbagai sensor seperti Accelerometer dan Gyroscope yang dapat mengumpulkan data mentah. Pada penelitian sebelumnya, sensor tersebut diletakkan di berbagai posisi pada bagian tubuh manusia. Data ini dapat digunakan untuk melakukan Human Activty Recognition (HAR). HAR telah banyak diterapkan pada kehidupan kita sehari-hari seperti mendeteksi kesehatan, perilaku manusia dan pelacakan lokasi tindak kesehatan. Dataset yang digunakan pada penelitian ini menggunakan data dari UCI Machine Learning dengan 30 orang subject. Penelitian ini mengusulkan metode Logistic Regression dengan penambahan Hyperparameter untuk mendapatkan hasil akurasi yang lebih baik. Hasil ini memiliki peningkatan performa Logistic Regression dalam klasifikasi Human Activity Recognition dengan meraih nilai akurasi sebesar 95,92% pada semua aktivitas.]]>
<![CDATA[Perbandingan Model Polynomial Regression dan Facebook Prophet untuk Prediksi Jumlah Pasien Positive COVID-19 di Indonesia ]]>
<![CDATA[Tsabitah Ayu Rahmawati]]>;
<![CDATA[Gita Indah Marthasari]]>;
<![CDATA[Nur Hayatin]]>
<![CDATA[ Jurnal Repositor Vol 3 No 5 (2021): November 2021 ]]>
Publisher : <![CDATA[Universitas Muhammadiyah Malang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.22219/repositor.v3i5.1394
<![CDATA[Corona Virus Disease 2019 atau yang biasa disebut sebagai COVID-19 menjadi ancaman bagi seluruh dunia, terutama bagi Negara Indonesia. WHO menyebutkan bahwa COVID-19 adalah sindrom pernafasan akut parah yang ditularkan melalui tetesan saluran pernapasan (air liur atau ingus) dan kontak langsung dengan penderita. Penyakit ini membutuhkan perhatian khusus dari pemerintah agar penyebaran Covid-19 ini semakin berkurang. Wabah ini telah memasuki Indonesia pada awal bulan maret, dan sampai saat ini jumlah penderita penyakit ini semakin meningkat. Pada penelitian kali ini, akan ditunjukkan perbandingan dari prediksi yang dihasilkan oleh model polynomial regression dan model FBProphet dengan realita yang terjadi terhadap jumlah pasien positive COVID-19 untuk menghasilkan prediksi yang akurat sebagai persiapan kemungkinan terburuk penderita COVID-19. Dataset yang digunakan sebanyak 396 data yang diambil dalam kurun waktu 02/03/2020 hingga 31/12/2020 pada dataset gitbub dan kemudian dilengkapi hingga tanggal 31/03/2021 pada website covid19.go.id. Dari hasil penelitian ini hasil prediksi yang terbaik terdapat pada Polynomial Regression dengan tingkat akurasi sebesar 0,98%, sedangkan dengan FBProphet tingkat akurasi yang didapat sebesar 0,95%. Hal ini dapat membantu paramedis dalam meramalkan perkiraan jumlah pasien positif covid-19 di Indonesia.]]>
<![CDATA[Human Activity Recognition Menggunakan Algoritma SVM With Gridsearch ]]>
<![CDATA[Nia Dwi Nurul Safitri]]>;
<![CDATA[Wahyu Andhyka Kusuma]]>;
<![CDATA[Agus Eko Minarno]]>
<![CDATA[ Jurnal Repositor Vol 3 No 5 (2021): November 2021 ]]>
Publisher : <![CDATA[Universitas Muhammadiyah Malang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.22219/repositor.v3i5.1349
<![CDATA[Human Activity Recognition (HAR) menjadi salah satu topik penelitian paling trendi karena ketersedian sensor dan akselerometer, biaya rendah dan konsumsi daya yang lebih sedikit, streaming data secara langsung, dan kemajuan dalam computer vision, mesin pembelajaran, kecerdasan buatan IoT. Penelitian ini mengusulkan system HAR menggunakan algoritmas Support Vector Machine (SVM). SVM merupakan suatu teknik untuk menemukan hyperlane yang dapa memisahkan dua dataset dari dua kelas yang berbeda. Hyperplane adalah sebuah fungsi yang dapat digunakan untuk pemisah antar kelas. Selain karena cocok dalam melakukan klasifikasi data. Hal yang menjadikan penelitian ini berbeda dengan penelitian sebelumnya adalah dengan menambahkan penerapan Hyperparameter Tuning pada SVM. Lalu Dataset yang awalnya berisikan data gabungan, dipisahkan menjadi dataset aktivitas statis dan dataset aktivitas dinamis. Dalam penelitian ini telah berhasil meningkatnya akurasi menggunakan SVM + Hyperparameter hingga 96.26%. Hal ini yang menjadikan penelitian ini unggul karena SVM + Hyperparameter dapat meningkatkan akurasi dari penelitian sebelumnya tanpa menggunakan Hyperparameter.]]>
<![CDATA[Analisis Kinerja di TCP New reno Dan TCP Cubic Terhadap Fase Slow Start pada Jaringan Mobile Ad Hoc Menggunakan Protokol AODV ]]>
<![CDATA[Heru Setiawan]]>;
<![CDATA[Denar Regata Akbi]]>;
<![CDATA[Diah Risqiwati]]>
<![CDATA[ Jurnal Repositor Vol 3 No 5 (2021): November 2021 ]]>
Publisher : <![CDATA[Universitas Muhammadiyah Malang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.22219/repositor.v3i5.1327
<![CDATA[TCP menyediakan dua fitur dalam menangani permasalahan komunikasi data yakni error checked dan flow control. Fitur pertama berfungsi sebagai alat untuk deteksi beberapa kesalahan yang terjadi di dalam aliran data dan merekonstruksi data menjadi data asli. Fitur kedua berfungsi untuk memastikan bahwa TCP sender tidak melakukan transfer paket lebih cepat daripada yang dapat diterima TCP receiver dan mempunyai mekanisme yang dapat menanganinya, yakni congestion control dengan salah satu tahapan di dalamnya ada terdapat fase slow start. Slow start adalah fase penting yang digunakan untuk mengatur laju pengiriman paket saat pertama kali koneksi sender-receiver terjadi dengan menaikkan congestion window dan batas ssthresh untuk mendeteksi congestion dan estimasi kasar bandwidth. Ada beberapa algoritma TCP yang digunakan untuk menangani congestion pada fase slow start, yakni, TCP New Reno Dan TCP Cubic. Masing-masing TCP mempunyai karakteristik tersendiri dalam menaikkan congestion window, TCP New Reno dengan fine grained timeout, TCP CUBIC dengan algoritma TCP congestion control yang digunakan secara default dalam kernel linux. Pengujian ini bertujuan untuk memantau bagaimana kinerja kedua TCP tersebut diterapkan pada topologi MANET dengan routing protocol AODV. Pengujian pada penelitian ini dengan mencoba menambah jumlah node dan mengubah ukuran buffer paket. Setelah pengujian dan data terkumpul, didapatkan kesimpulan performansi kinerja dari kedua TCP pada fase slow start bahwa TCP New Reno relatif stabil dalam setiap pengujian dengan rata-rata ssthresh 20 segmen, dengan begitu nilai throughput dan delay juga relatif lebih unggul dari varian TCP pembandingnya.]]>
<![CDATA[Analisis Mekanisme Failover Controller Pada Software Defined Network ]]>
<![CDATA[Jurdan Wahyu Adi Saputra]]>;
<![CDATA[Mahar Faiqurahman]]>;
<![CDATA[Fauzi Dwi Setiawan Sumadi]]>
<![CDATA[ Jurnal Repositor Vol 3 No 5 (2021): November 2021 ]]>
Publisher : <![CDATA[Universitas Muhammadiyah Malang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.22219/repositor.v3i5.1329
<![CDATA[Software Defined Network (SDN) merupakan konsep teknologi jaringan untuk mendesain, mengelola, dan mengimplementasikan suatu jaringan dengan melakukan pemisahan antara control plane dan forwarding plane yang kemudian dikendalikan melalui satu media aplikasi controller yang melewati satu protocol. Controller SDN bertugas untuk mengatur aliran data antara data plane dan control plane. Pada konsep SDN memungkinkan adanya kegagalan komunikasi antar jaringan yang bisa saja terjadi. Kegagalan yang bisa saja terjadi, misalnya salah satu controller dalam jaringan SDN mengalami down ataupun tidak aktif sehingga host tidak dapat terhubung dengan baik. Untuk mengatasi permasalahan tersebut perlu adanya sistem yang menanganinya seperti High Availability Controller. High Availability Controller dapat dilakukan dengan mekanisme failover menggunakan Heartbeat dan DRBD (Distributed Replication Block Device). Tujuan dari penerapan aplikasi tersebut untuk melakukan failover ketika terjadi kegagalan ataupun down pada controller utama maka peran controller utama akan di pindahkan ke controller backup supaya controller tetap tersedia meskipun terjadi down dan DRBD melakukan sinkronisasi data pada partisi disk yang telah dibuat secara realtime, membentuk replication disk. Replication disk akan diakses secara bergantian oleh server menggunakan Heartbeat. Pengujian dalam penelitian ini yaitu dengan mengukur rata rata waktu failover Ketika server backup mengambil alih peran server utama. Berdasarkan hasil pengujian failover dari controller RYU, POX , dan OpenDayLight menunjukan hasil bahwa controller RYU memiliki rata rata waktu yang lebih singkat yaitu 1.3 sec dibandingkan dengan controller POX yang memiliki rata rata waktu lebih lama yaitu 23.3 sec dan ODL yang meimiliki rata rata waktu 1.5 sec. Perbedaan hasil tersebut bergantug jenis controller yang digunankan, dimana semakin banyak fitur yang dijalankan sebuah controller maka semakin lama waktu failover yang di hasilkan. Hal tersebut terjadi karena dibutuhkan waktu tambahan untuk menjalankan fitur fitur controller yang digunakan.]]>
