cover
Contact Name
Stefanus Santosa
Contact Email
cyberku@pasca.dinus.ac.id
Phone
+6281225200216
Journal Mail Official
cyberku@pasca.dinus.ac.id
Editorial Address
Program Pascasarjana Magister Teknik Informatika, Universitas Dian Nuswantoro, Gedung G Lt. 2, Jl. Imam Bonjol 205, Semarang, 50131, INDONESIA - email: cyberku@pasca.dinus.ac.id
Location
Kota semarang,
Jawa tengah
INDONESIA
Jurnal Teknologi Informasi Cyberku
ISSN : 19073380     EISSN : 27472183     DOI : -
Jurnal Teknologi Informasi - Jurnal CyberKU is an open access journal, published by Program Pascasarjana Magister Teknik Informatika, Universitas Dian Nuswantoro. The journal is intended to be dedicated to the development of Information Technology related to Intelligent System, and Business Intelligence. Topics of interest include, but are not limited to: Artificial Intelligence, Machine Learning, Data Mining, Image Processing, Computer Vision, Text Processing, Signal Processing, Speech Recognition, Software Engineering, Decision Support System, IT Governance, eBusiness, Game Technology, Multimedia, eLearning, Computational Education, Computational Engineering, Mobile Computing, Internet of Things.
Articles 67 Documents
PREDIKSI HASIL PENJURUSAN SISWA SEKOLAH MENENGAH ATAS DENGAN MENGGUNAKAN ALGORITMA DECISION TREE C4.5 Imam Sujaj; Purwanto Purwanto; Heribertus Himawan
Jurnal Teknologi Informasi - Cyberku (JTIC) Vol 12 No 1 (2016): Jurnal Teknologi Informasi CyberKU Vol. 12, no 1
Publisher : Program Pascasarjana Magister Teknik Informatika, Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (254.86 KB)

Abstract

The Majors is one of the placement or distribution process in the selection of high school students teaching program. In these majors, students are given the opportunity to choose majors that best matches the characteristics themselves. The accuracy in choosing majors can determine the success of student learning. In contrast, an excellent opportunity for students will be lost due to lack of inaccuracy in determining the majors. In the 2013 curriculum, majors in high school started in class X after being accepted as a student, so the school should really be able to classify students on the correct corresponding majors talents and interests of students. In studies using the C4.5 algorithm to create a predictive model results placement of students because this method has been used a lot in previous studies to predict the various cases problems with good results. This is evident from the results of the C4.5 algorithm generates a classification accuracy of 96.04% value with a precision of 95.96% class, class recall of 95.92% while the value of AUC (Area Under the Curve) of 0948 + / - 0.028 with very good category. It can be concluded that in order to predict the value of the majors C4.5 algorithm produces accuracy that is very good value.
PENENTUAN TINGKAT KESEJAHTERAAN ANAK MENGGUNAKAN ALGORITMA C 4.5 Yuli Murdianingsih; Abdul Syukur; Moch Arief Soeleman
Jurnal Teknologi Informasi - Cyberku (JTIC) Vol 12 No 1 (2016): Jurnal Teknologi Informasi CyberKU Vol. 12, no 1
Publisher : Program Pascasarjana Magister Teknik Informatika, Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (246.849 KB)

Abstract

Realization of child welfare is a right of every child and is the responsibility of all. Today the program services are sporadic, discontinue and responsiveness is a result of not optimal data management with social welfare problems is very large. Need a model system that can help make decisions quickly, precisely and accurately. In this research the basic needs of children based on four parameters: physical, intellectual, emotional, social and spiritual. C4.5 algorithm implementated in the m system’s model of children's basic needs level is done by calculating the entropy and the gain of the parameters of physical, intellectual, emotional and spiritual social iteratively in order to obtain a decision tree and rules used to model. Data analisys base on 149 datas as the training data and the testing data is 37. The accuracy of the model to look at the performance of the system using confusion matrix. Systems decision trees obtained the degree of basic needs of children, from the decision tree obtained seven rules that are used in view, values of accuracy obtained 94,59 % . C 4.5 algorithm can be used for classification of the level of a child's basic needs are met and not met.
TEXT MINING UNTUK KLASIFIKASI PENGADUAN PADA SISTEM LAPOR MENGGUNAKAN METODE C4.5 BERBASIS FORWARD SELECTION Ali Sofyan; Stefanus Santosa
Jurnal Teknologi Informasi - Cyberku (JTIC) Vol 12 No 1 (2016): Jurnal Teknologi Informasi CyberKU Vol. 12, no 1
Publisher : Program Pascasarjana Magister Teknik Informatika, Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (187.751 KB)

Abstract

Report of public complaints on the site becomes a medium of communication between the community and government agencies. The number of incoming documents every day be a source of information to measure the services of government agencies. Classification of documents is very important to do otherthan to ensure that the intended objectives of the institution, as well as to classify complaints fit the category. C4.5 algorithm is one of the algorithms that can be used for classification. There were some complaints classification research. This study aims to apply the classification of complaints by algritma C4.5 with a selection of features to improve the accuracy of classification. Results of experiments with methods of research division of the number of datasets, cross validation, classification with and without features. The test results obtained by testing the value of the best accuracy with 550 documents with forward selection, with cross valiadtion 9folds with a value of 85.27%. precission 87.8% and 85.3% recall
PERGERAKKAN ADAPTIF NONPLAYER CHARACTER TEMAN BERBASIS EVENT MENGGUNAKAN BEHAVIOR TREE DAN RULE BASED SYSTEM Arwahyu Sugito; Moch Hariadi; Ahmad Zainul Fanani
Jurnal Teknologi Informasi - Cyberku (JTIC) Vol 13 No 2 (2017): Jurnal Teknologi Informasi CyberKU Vol. 13, no 2
Publisher : Program Pascasarjana Magister Teknik Informatika, Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (342.154 KB)

Abstract

Untuk menjadikan game dapat menarik maka perlu dikembangkan Non-Player Character (NPC) yang mempunyai kemampuan seperti manusia yaitu mempunyai kecerdasan buatan untuk menampilkan game terlihat lebih alami dan mirip manusia. Pada penelitian ini, penulis membuat karakter NPC teman seperti manusia yang dapat berlari, bertahan, dan menyerang kemudian merancang dan memodelkan pergerakan perilaku NPC player menggunakan Behavior Tree kemudian diimplementasikan dalam pergerakan NPC terhadap event. Manfaat dari penelitian ini adalah dapat menjadi suatu langkah awal dalam project pengembangan game yang berkesinambungan sehingga menghasilkan suatu game yang berkualitas, Ke depan game ini dapat dimainkan oleh seluruh masyarakat Indonesia yang tidak hanya memberikan hiburan tetapi juga memberikan motivasi dalam pengembangan game 3 dimensi yang lebih baik, Para pengembang game yang sudah menguasai pembuatan game yang mengandung unsur kecerdasan buatan, nantinya dapat menjual gamenya ke masyarakat sebagai salah satu industri kreatif di Indonesia.
PREDIKSI RENTET WAKTU JUMLAH PENUMPANG BANDARA MENGGUNAKAN ALGORITMA NEURAL NETWORK BERBASIS GENETIC ALGORITHM Mohamad Ilyas Abas; Abdul Syukur; Moch Arief Soeleman
Jurnal Teknologi Informasi - Cyberku (JTIC) Vol 13 No 2 (2017): Jurnal Teknologi Informasi CyberKU Vol. 13, no 2
Publisher : Program Pascasarjana Magister Teknik Informatika, Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (826.212 KB)

Abstract

Prediksi terhadap jumlah penumpang dilakukan guna memberikan informasi kepada manajamen bandar udara Djalaluddin Gorontalo. Informasi yang diberikan dapat dijadikan sebagai bahan pertimbangan dalam melakukan pengelolaan dari segi infrastrukur sarana dan prasarana dari pihak bandara. Hasil prediksi terhadap jumlah penumpang tahun mendatang akan memberikan informasi kepada pihak bandara agar dapat meningkatkan pelayanan yang lebih maksimal terhadap penumpang. Untuk itu, perlu adanya prediksi terhadap pertumbuhan jumlah penumpang salah satunya yaitu dengan penerapan salah satu algoritma dalam data mining. Penerapan algoritma Neural Network menjadi salah satu algoritma yang dapat digunakan untuk melakukan prediksi. Serta penerapan Neural Network Backpropagation sebagai proses pelatihan untuk data time series. Penambahan Algoritma Genetika untuk melakukan optimasi dapat memperkecil nilai Root Mean Squared Error (RMSE). RMSE terkecil akan menambah keakuratan dalam melakukan prediksi. Nilai RMSE yang didapat pada penelitian ini yaitu 0.092. Dengan parameter Neural Network Hidden Layer: 10, Training Cycles, 22, Learning Rate: 0.10982546098949762 dan Momentum: 0.1 serta parameter optimasi Max Generations: 50, Population Size: 50, Mutation Type: Gaussian_mutation, Selection Type: Roulette Wheel, dan Crossover Probability: 0.9. Kombinasi NN+GA ini terbukti menghasilkan RMSE terkecil untuk sehingga dapat digunakan untuk melakukan prediksi terhadap jumlah penumpang bandara di Gorontalo.
OPTIMASI PREDIKSI TINGKAT PRODUKSI BAWANG MERAH NASIONAL MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK BERBASIS ALGORITMA GENETIKA Fajriyanto Fajriyanto; Abdul Syukur; Catur Supriyanto
Jurnal Teknologi Informasi - Cyberku (JTIC) Vol 13 No 2 (2017): Jurnal Teknologi Informasi CyberKU Vol. 13, no 2
Publisher : Program Pascasarjana Magister Teknik Informatika, Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (301.682 KB)

Abstract

Bawang merah merupakan kebutuhan masyarakat yang terus meningkat seiring dengan pertambahan jumlah penduduk dan harga belinya. Oleh sebab itu, untuk mengimbangi kebutuhan agar selalu terpenuhi maka jumlah produksinya harus seimbang. Menurut Direktorat Bina Hortikultura(1980), bahwa bawang merah adalah salah satu yang memberikan preoritas utama untuk pengembangan produksi Hortikultura secara nasional. Data produksi bawang merah dari tahun 1969-2014 produksi pertahun bersifat fluktuatif disebabkan oleh meningkatnya populasi Sementara lahan yang tersedia semakin sempit. Oleh sebab itu, prediksi produksi bawang merah Nasional dibutuhkan. Metode Backpropagation merupakan metode popular untuk Teknik prediksi yang mempunyai nilai RMSE terbaik. Akan tetapi, metode Backpropagation Neural Network mempunyai beberapa kelemahan, oleh sebab itu dibutuhkan sebuah metode optimasi, salah satunya dengan metode optimasi Algoritma genetika. Penelitian ini menggunakan data produksi bawang merah Nasional yang diperoleh dari Direktorat Jendral Holtikultura untuk proses training dan testing dengan menggunakan metode Backpropagation Neural Network dan Algoritma genetika untuk optimasi input weight.Pada panelitian ini metode Backpropagation Neural Network dengan algoritma genetika sebagai optimasi inputan menghasilkan nilai RMSE 0.062 terbaik, sedangkan metode Backpropagation Neural Network tanpa optimasi algoritma genetika menghasilkan nilai RMSE 0.089.
FUZZY GOAL PROGRAMMING UNTUK PEMBOBOTAN ANALYTICAL HIERARCHY PROCESS PADA PENENTUAN PENERIMA BANTUAN SISWA MISKIN M Taufiq; Affandy Affandy; Aris Marjuni
Jurnal Teknologi Informasi - Cyberku (JTIC) Vol 13 No 2 (2017): Jurnal Teknologi Informasi CyberKU Vol. 13, no 2
Publisher : Program Pascasarjana Magister Teknik Informatika, Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (836.86 KB)

Abstract

Pemerintah sebagai pemegang kebijakan untuk kepentingan orang banyak memberikan program bantuan bagi siswa miskin namun dengan terbatasnya dana yang ada penyaluranya tidak dapat diberikan kepada seluruh siswa miskin, sehingga diberlakukan kuota untuk tiap sekolah. Lalu bagaimana dengan sekolah yang memiliki jumlah siswa miskin banyak melebihi jumlah kuota yang didapat sekolah, dalam keadaan seperti ini kepala sekolah yang berwenang menentukan akan kesulitan untuk menentukan siapa yang bisa mendapat bantuan. Melalui Sistem pendukung keputusan dengan hanya menggunakan metode Analitycal hierarchy Process akurasi yang didapat cukup baik yaitu 70,45 %. Dan untuk meningkatkan akurasi dalam penelitian ini diajukan metode Fuzzy Goal Programing untuk pembobotan kriteria untuk proses Analytical Hierarchy Process untuk meningkatkan akurasi dan hasilnya sangat memuaskan dengan akurasi yang mencapai 95, 07 %.
MODEL PREDIKSI POLA LOYALITAS PELANGGAN TELEKOMUNIKASI MENGGUNAKAN NAIVE BAYES DENGAN OPTIMASI PARTICLE SWARM OPTIMIZATION Stefanus Santosa; Roy Yuliantara
Jurnal Teknologi Informasi - Cyberku (JTIC) Vol 13 No 2 (2017): Jurnal Teknologi Informasi CyberKU Vol. 13, no 2
Publisher : Program Pascasarjana Magister Teknik Informatika, Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (574.599 KB)

Abstract

Tantangan yang dihadapi dalam penerapan CRM di perusahaan operator telekomunikasi seluler adalah usaha menurunkan jumlah pelanggan yang berhenti menggunakan layanan perusahaan dan kemungkinan pindah ke perusahaan kompetitor (Churn). Penelitian untuk mencari solusi atas masalah tersebut dapat dilakukan melalui data mining, Dari beberapa penelitian pada konstalasi penelitian tentang Model Prediksi Loyalitas Pelanggan Telekomunikasi menunjukkan hasil yang baik. State of The Art dari konstalasi ini adalah ditemukannya Model Prediksi Loyalitas Pelanggan Telekomunikasi menggunakan algoritma Backpropagation dengan seleksi fitur PSO dengan nilai akurasi sebesar 85,48%. Hasil akurasi yang didapatkan dirasa kurang maksimal, maka penelitian ini mencoba memperbaiki akurasi model prediksi dengan menggunakan algoritma Naïve Bayes berbasis Particle Swarm Optimization. Model Prediksi Loyalitas Pelanggan Telekomunikasi yang diusulkan dalam penelitian ini menunjukkan hasil yang baik. Diperoleh nilai akurasi yang lebih tinggi daripada penelitian sebelumnya, yakni nilai accuracy adalah 98,54 % dan nilai AUC adalah 0,99.
MODEL MULTI-CLASS SVM MENGGUNAKAN STRATEGI 1V1 UNTUK KLASIFIKASI WALL-FOLLOWING ROBOT NAVIGATION DATA Azminuddin I. S. Azis; Vincent Suhartono; Heribertus Himawan
Jurnal Teknologi Informasi - Cyberku (JTIC) Vol 13 No 2 (2017): Jurnal Teknologi Informasi CyberKU Vol. 13, no 2
Publisher : Program Pascasarjana Magister Teknik Informatika, Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1006.645 KB)

Abstract

Manusia memiliki keterbatasan dalam mengerjakan hal-hal yang berat, rumit, cepat, berbahaya, berulang-ulang secara langsung baik itu di kalangan rumah tangga, industri, militer, penelitian, hiburan, dsb. Robot merupakan mesin yang dapat mempermudah pekerjaan dan mengatasi keterbatasan manusia, sedangkan AI dapat membuat robot semakin cerdas. Berbagai macam metode AI telah diusulkan untuk mengatasi salah satu teknik navigasi robot, yaitu wall-following robot navigation, namun masih belum optimal. State of the art dalam klasifikasi wall-following robot navigation data adalah MLP dengan akurasi sebesar 97.59%. Namun akhir-akhir ini, state of the art dalam klasifikasi pattern recognition adalah SVM. Wall- following robot navigation data melibatkan multi-class, non-linear, dan high dimensional problem. 1V1 merupakan strategi terbaik yang dapat diterapkan pada SVM untuk mengatasi multi class problem yang selanjutnya dapat disebut multi-class SVM. Sedangkan untuk mengatasi non-linear dan high dimensional problem, SVM sendiri sudah dimodifikasi dengan memasukkan fungsi Kernel. Dengan demikian, akurasi sebesar 97.59% yang dihasilkan oleh MLP untuk klasifikasi wall-following robot navigation data masih dianggap rendah. Namun model multi-class SVM menggunakan strategi 1V1 untuk klasifikasi wall-following robot navigation data yang diperoleh dengan solusi yang global optimal dan tanpa perlu adanya dimensionality reduction (by PCA/SVD) dalam tingkat akurasi fair classification, yaitu 91.10% < 97.59% yang dihasilkan penelitian sebelumnya menggunakan MLP. Namun secara teoritis, multi-class SVM menggunakan strategi 1V1 lebih cepat dengan waktu proses yang dihasilkan = 10.7505 detik. Dengan demikian, model tersebut dapat mempelajari navigasi robot pengikut dinding tanpa tabrakan (menjaga jarak terhadap dinding dengan baik).
KLASTERISASI GENRE CERPEN KOMPAS MENGGUNAKAN AGGLOMERATIVE HIERARCHICAL CLUSTERING- SINGLE LINKAGE Zenal Arifin; Stefanus Santosa; M. Arief Soeleman
Jurnal Teknologi Informasi - Cyberku (JTIC) Vol 13 No 2 (2017): Jurnal Teknologi Informasi CyberKU Vol. 13, no 2
Publisher : Program Pascasarjana Magister Teknik Informatika, Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (356.675 KB)

Abstract

Teks merupakan sarana interaksi dalam semua media komunikasi tulisan. Oleh karena peningkatan ukuran dan jenisnya yang sangat cepat, maka proses analisis data teks menjadi sesuatu yang bermakna sangatlah penting. Penggalian teks telah menjadi teknologi yang penting terutama dalam pengolahan dokumen cerpen. Pembaca cerpen saat ini kesulitan untuk memperoleh cerpen yang diinginkan jika cerpen tersebut tidak terkelompok dengan baik. Jika pengelompokan dilakukan secara manual membutuhkan waktu yang sangat lama. Oleh sebab itu, clustering menjadi solusi untuk mengatasi masalah tersebut. Clustering cerpen berfungsi untuk mengelompokkan dokumen cerpen berdasarkan tingkat kemiripan dari dokumen cerpen tersebut. Penelitian ini mengusulkan suatu model klasterisasi berbasis metode Hierarchical Clustering, khususnya Single Linkage Clustering. Metode Hierarchical Aggomerative Clustering terbukti memiliki performansi yang lebih baik daripada pendekatan penelitian sebelumnya yang menggunakan k-Means. Dari 127 dataset cerpen yang telah diujicobakan didapatkan nilai akurasi dari metode Agglomerative Hierarchical Clustering Single Linkage 47,2441 %, sedangkan metode k-Means hanya 37,7953 %.