Jurnal Teknologi Informasi Cyberku
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
<![CDATA[ALGORITMA C4.5 DENGAN PARTICLE SWARM OPTIMIZATION UNTUK KLASIFIKASI LAMA MENGHAFAL AL-QURAN PADA SANTRI MAHADUL QURAN ]]>
<![CDATA[Firman Santoso]]>;
<![CDATA[Abdul Syukur]]>;
<![CDATA[A Zainul Fanani]]>
<![CDATA[ Jurnal Teknologi Informasi - Cyberku (JTIC) Vol 14 No 2 (2018): Jurnal Teknologi Informasi CyberKU Vol.14 no 2 ]]>
Publisher : <![CDATA[Program Pascasarjana Magister Teknik Informatika, Universitas Dian Nuswantoro ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (636.549 KB)
<![CDATA[Pondok pesantren merupakan salah satu pendidikan yang fokus terhadap bidang keagamaan. Namun, seiring berjalannya waktu pesantren di Indonesia terus berkembang sangat pesat, sudah banyak pesantren yang didalamnya sudah dilengkapi dengan ilmu umum tidak hanya agama saja. Penelitian iini bersumber dari Pondok Pesantren Salafiyah Syafi’iyah di Asrama Ma’hadul Qur’an. Dalam penelitian ini bertujuan untuk mengklasifikasi lama menghafal alqur’an dengan menggunakan algoritma C4.5 dengan Particle Swarm Optimization (PSO). Dengan menggunakan dataset lulusan santri Ma’hadul Qur’an. Dari hasil eksperiman yang dilakukan menghasilkan Decision Tree C4.5 dengan akurasi 80 %. Setelah dilakukan dengan menggunakan C4.5 dan Particle Swarm Optimization (PSO) akurasi meningkat menjadi 87 %]]>
<![CDATA[KLASIFIKASI PENGADUAN MASYARAKAT MENGGUNAKAN NAIVE BAYES BERBASIS SELEKSI ATRIBUT INFORMATION GAIN ]]>
<![CDATA[Alter Lasarudin]]>;
<![CDATA[Purwanto Purwanto]]>
<![CDATA[ Jurnal Teknologi Informasi - Cyberku (JTIC) Vol 14 No 2 (2018): Jurnal Teknologi Informasi CyberKU Vol.14 no 2 ]]>
Publisher : <![CDATA[Program Pascasarjana Magister Teknik Informatika, Universitas Dian Nuswantoro ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (304.494 KB)
<![CDATA[The development of information every day is increasing. Public complaint is one form of information on the Internet is growing each day according to the number of people who make a complaint. In the management of complaints frequent errors in aduannya groupings so as to make the admin must work longer to perform grouping or classification of complaints. Such information becomes a media which is used for data mining research. One of the functions of data mining is classification. Naïve Bayes is one of the methods used for classification, one for the classification of documents or text. The classification is very useful for grouping data or documents by category. This will simplify the user data or documents in the search process. This research was conducted by applying the method Naïve Bayes for classification societies complaint data and algorithms Information Gain for the selection of attributes in order to improve the accuracy of the classification of public complaints. The test results by using 150 training data and testing the data 60 Naïve Bayes algorithm using attribute selection results without accuracy is 63.33%. whereas on testing Naïve Bayes algorithm using Information Gain attribute selection with the same data results are increasing even with k = 5. The best accuracy results found in this study was 86.67% using the selection attribute by 55.]]>
<![CDATA[PENGARUH TEXT PREPROCESSING DAN KOMBINASINYA PADA PERINGKAS DOKUMEN OTOMATIS TEKS BERBAHASA INDONESIA ]]>
<![CDATA[Hadiyatun Najjichah]]>;
<![CDATA[Abdul Syukur]]>;
<![CDATA[Hendro Subagyo]]>
<![CDATA[ Jurnal Teknologi Informasi - Cyberku (JTIC) Vol 15 No 1 (2019): Jurnal Teknologi Informasi CyberKU Vol. 15, no 1 ]]>
Publisher : <![CDATA[Program Pascasarjana Magister Teknik Informatika, Universitas Dian Nuswantoro ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (624.192 KB)
<![CDATA[Numbers of information increased in concordance to the growth of them digitally. And many of informations available on the internet are in textual form. It is necessary for the information seekers to get the what they require. Automatic Text Summarization is a process of summarizing done by machine through certain methods to get a shorter form of document while still preserving the gist. This research is to examine the influence of preprocessing text and its combination to the Automatic Text Summarization of Bahasa Indonesia. Method used are segmentation, Tokenization, Stopword removal, Stemming and N-Gram. There are 14 steps of combination. The results shows that indeed there is influence of those combinations to the Automatic Text Summarization.The highest F-Measure is resulted on combinations step of Tokenization >> 2-gram >> Summarization, with 66% accuracy. While the lowest is resulted from the combination step of Tokenization >> 3-gram >> Summarization and process of Tokenization >> 4-gram >> Summarization with 63% accuracy.]]>
<![CDATA[OPTIMASI MULTI SCALE RETINEX CITRA BAWAH AIR DENGAN MENGGUNAKAN PARTICLE SWARM OPTIMIZATION ]]>
<![CDATA[Pulung Nurtantyo Andono]]>;
<![CDATA[Putu Samuel Prihatmajaya]]>;
<![CDATA[Ricardus Anggi Pramunendar]]>
<![CDATA[ Jurnal Teknologi Informasi - Cyberku (JTIC) Vol 15 No 1 (2019): Jurnal Teknologi Informasi CyberKU Vol. 15, no 1 ]]>
Publisher : <![CDATA[Program Pascasarjana Magister Teknik Informatika, Universitas Dian Nuswantoro ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (661.556 KB)
<![CDATA[Penelitian tentang perbaikan citra sudah sejak lama dilakukan dan hingga saat ini masih dilakukan penelitian tentang perbaikan citra. Beberapa penelitian yang telah dilakukan menghasilkan beberapa usulan metode untuk perbaikan citra. Penelitian di bidang computer vision untuk lingkungan bawah air menjadi tantangan dari beberapa peneliti untuk melakukan image restoration. Karena untuk citra bawah air sering banyak menghadapi permasalahan intensitas cahaya, pertikel-partikel yang banyak mengganggu pandangan, ditambah jika terjadi gelombang akan membuat kestabilan dalam menggambil citra terganggu sehingga bisa mengakibatkan noise yang besar jika dibandingkan pengambilan citra di darat. Dalam penelitian ini pembahasan yang dilakukan adalah perbaikan citra bawah air dengan menggunakan MSCR (Multi Scale Retinex) dengan mengoptimalkan pembobotan dari MSCR dengan menggunakan teknik PSO(Particle Swarm Optimization) sebagai teknik optimasinya, sehingga mendapatkan tingakatan error yang lebih rendah. Sehingga hasil MSE (Mean Square Error) yang di dapatkan oleh MSCR adalah sebesar 5218,4249 dan hasil yang didapatkan dengan menggunakan PSO adalah sebesar 4955,0757]]>
<![CDATA[KOMPARASI SIMPLE ADDITIVE WEIGHTING DAN ANALYTICAL HIERARCHY PROCESS TERHADAP PENENTUAN PENGELOMPOKAN DESA ]]>
<![CDATA[Adityo Putro Wicaksono]]>;
<![CDATA[Abdul Syukur]]>;
<![CDATA[Suprapedi Suprapedi]]>
<![CDATA[ Jurnal Teknologi Informasi - Cyberku (JTIC) Vol 15 No 1 (2019): Jurnal Teknologi Informasi CyberKU Vol. 15, no 1 ]]>
Publisher : <![CDATA[Program Pascasarjana Magister Teknik Informatika, Universitas Dian Nuswantoro ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (630.411 KB)
<![CDATA[Penilaian Indeks Pembangunan Desa (IPD) yang masih bersifat subyektif dan belum adanya identifikasi faktor-faktor yang mempengaruhi sebuha desa berkembang menjadi masalah yang dihadapi pemerintah sekarang. Untuk menentukan nilai Indeks Pembangunan Desa yang baik, dibutuhkan metode pendukung keputusan yang bertindak dalam pengambilan keputusan untuk penentuan nilai IPD secara baik dan akurat. Dengan menggunakan pendekatan metode lain, yaitu metode dalam sistem pendukung keputusan seperti Simple Additive Weighting (SAW), Analytical Hierarchy Process (AHP), dan Decision Tree, diharapkan metode ini dapat menggantikan metode perhitungan dalam Indeks Pembangunan Desa yang sekarang digunakan, dengan hasil yang lebih baik dan akurat. Dengan menerapkan metode ini, diharapkan dapat membantu dalam penentuan penilaian IPD dan Pengelompokan desa guna untuk mengetahui daerah desa mana saja yang harus ditangani terlebih dahulu dan kriteria apa sajakah yang harus diperbaiki pada desa yang harus ditangani tersebut dengan hasil yang lebih baik.Pada penelitian ini, diperoleh hasil bahwa penerapan metode AHP dan SAW dengan Expert Judgement dan Decision Tree terhadap penentuan kelompok desa dan pembentukan Decision Tree, hasil dari metode SAW untuk pembentukan tree 3 kelompok memiliki hasil akurasi tertinggi, yaitu 94,02% jika dibandingkan dengan metode AHP dengan hasil untuk 3 kelompok sebesar 81,76%.]]>
<![CDATA[METODE FASTICA UNTUK REDUKSI DATA DIMENSI TINGGI PADA ANALISIS SENTIMEN PARIWISATA KOTA SEMARANG MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE ]]>
<![CDATA[Mochamad Amry Assiva]]>;
<![CDATA[Heru Agus Santoso]]>;
<![CDATA[Catur Supriyanto]]>
<![CDATA[ Jurnal Teknologi Informasi - Cyberku (JTIC) Vol 15 No 1 (2019): Jurnal Teknologi Informasi CyberKU Vol. 15, no 1 ]]>
Publisher : <![CDATA[Program Pascasarjana Magister Teknik Informatika, Universitas Dian Nuswantoro ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (534.402 KB)
<![CDATA[Some communities have a voice attractions via Twitter. The opinion can be used as sentiment analysis to determine the ratings of a tourist attraction. Results of sentiment analysis is expected to assist in the improvement and evaluation of the attraction. In related research sentiment analysis previously used linear dimension reduction method, but has the disadvantage produce a linear combination of all the features that will have difficulty if dealing with data that is non-linear. Therefore, in this study used methods of non-linear dimension reduction, namely FastICA in order to improve the accuracy of Support Vector Machine classifier that can handle high-dimensional and non-linear data. This study uses the Indonesian language text contained on the social networking site Twitter. Validation is done by using a 10-Fold Cross Validation. While the measurement accuracy is measured by the Confusion Matrix and ROC curves. Results application of dimension reduction FastICA gain accuracy of 92.90% and the AUC 0.9157 which means the accuracy of 0.95% better than on Support Vector Machine itself, is proven to increase the accuracy of the SVM algorithm on the non-linier tweet data of attractions in the city of Semarang that can be classified by both in positive and negative class.]]>
<![CDATA[PREDIKSI HARGA KEDELAI LOKAL DAN KEDELAI IMPOR DENGAN METODE SUPPORT VECTOR MACHINE BERBASIS FORWARD SELECTION ]]>
<![CDATA[Fatkhuroji Fatkhuroji]]>;
<![CDATA[Stefanus Santosa]]>;
<![CDATA[Ricardus Anggi Pramunendar]]>
<![CDATA[ Jurnal Teknologi Informasi - Cyberku (JTIC) Vol 15 No 1 (2019): Jurnal Teknologi Informasi CyberKU Vol. 15, no 1 ]]>
Publisher : <![CDATA[Program Pascasarjana Magister Teknik Informatika, Universitas Dian Nuswantoro ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (367.934 KB)
<![CDATA[Besarnya permintaan harga kedelai yang tinggi untuk kebutuhan makanan baik untuk olahan atau bahan jadi menjadikan harga kedelai sangat fluktuatif seiring impor kedelai yang terus meningkat. Pola harga kedelai yang sangat fluktuatif memicu gejolak ekomoni yang memicu terjadinya inflasi di salah satu daerah. Untuk mengatasi hal tersebut perlu adanya suatu prediksi harga kedelai agar pemerintah dapat mengantisipasinya. belum ada model prediksi terhadap harga komoditas kedelai baik lokal maupun impor, model prediksi yang ada saat ini tentang komoditi sembako. Penelitian ini mengusulkan model prediksi harga kedelai dengan menerapkan algoritma Support Vector Machine (SVM) dengan optimasi menggunakan Forward Selection. Untuk prediksi kedelai lokal dengan menggunakan parameter inputan data 4 (empat ) hari sebelumnya, K-fold=10, nilai C= 0,1 diperoleh nilai RMSE terkecil sebesar 154.025 +/- 114.993. Setelah dilakukan seleksi atribut menggunakan Forward Selection diperoleh nilai RMSE sebesar 79.749 +/- 16.051, terdapat peningkatan RMSE sebesar= 74.276. Untuk prediksi kedelai lokal dengan menggunakan parameter inputan data 5 (lima) hari sebelumnya, K-fold=15, nilai C= 0,1 diperoleh nilai RMSE terkecil sebesar 126.008 +/- 78.371, setelah dilakukan optimasi menggunakan Forward Selection diperoleh nilai RMSE sebesar 122.270 +/- 56.049, terdapat peningkatan RMSE sebesar= 3.738.]]>
<![CDATA[PENGGABUNGAN METODE U-CONTROL CHART DAN METODE AUTOMATIC CLUSTERING DIFFERENTIAL EVOLUTION UNTUK PENENTUAN JUMLAH KLASTER PADA METODE K-MEANS ]]>
<![CDATA[Ahmad Ilham]]>;
<![CDATA[Romi Satria Wahono]]>;
<![CDATA[Catur Supriyanto]]>
<![CDATA[ Jurnal Teknologi Informasi - Cyberku (JTIC) Vol 14 No 2 (2018): Jurnal Teknologi Informasi CyberKU Vol.14 no 2 ]]>
Publisher : <![CDATA[Program Pascasarjana Magister Teknik Informatika, Universitas Dian Nuswantoro ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (743.081 KB)
<![CDATA[Penentuan jumlah klaster K-Means adalah masalah utama yang paling popular di kalangan peneliti data mining karena sulitnya menentukan informasi dari data secara apriori akibatnya dimungkinkan hasil klaster tidak optimal dan cepat terjebak ke dalam minimum lokal. Metode pengklasteran otomatis dengan pendekatan evolutionary computation (EC) dapat menyelesaikan masalah K-Means. Metode automatic clustering differential evolution (ACDE) adalah salah satu metode pendekatan EC yang terkenal karena dapat menangani data berdimensi tinggi dan meningkatkan kinerja penglasteran K-Means dengan nilai validitas klaster yang rendah. Namun, proses penentuan ambang batas aktivasi k pada ACDE masih bergantung pada pertimbangan pengguna sehingga proses penentuan jumlah klaster K-Means belum efisien. Pada penelitian ini, masalah ACDE akan diperbaiki menggunakan metode u-control chart (UCC) yang terbukti efisien digunakan untuk mengatasi masalah penentuan jumlah klaster K-Means secara otomatis. Model yang diusulkan dievaluasi menggunakan kumpulan data terkini seperti data sintetik dan data real (iris, glass, wine, vowel, ruspini) dari repositori UCI serta menggunakan davies bouldin index (DBI) dan cosine similarity measure (CS) sebagai metode evaluasinya. Hasil dari penelitian ini menunjukkan bahwa metode UCC berhasil meningkatkan metode K-Means dengan nilai objektif DBI dan CS terendah masing-masing sebesar 0.470 dan 0.577. Nilai objektif DBI dan CS terendah adalah metode terbaik. Model yang diusulkan memiliki kinerja pengklasteran lebih unggul setelah dibandingkan dengan metode terkini lainnya seperti metode genetic clustering for unknown k (GCUK), dynamic clustering pso (DCPSO) dan automatic clustering approach based on differential evolution algorithm combining with K-Means for crisp clustering (ACDE) untuk hampir seluruh evaluasi fungsi objektif DBI dan CS. Dapat disimpulkan bahwa, metode UCC mampu memperbaiki kelemahan metode ACDE pada penentuan jumlah klaster K-Means dengan menentukan ambang batas aktivasi k secara otomatis.]]>
<![CDATA[DESAIN PROTOTIPE ALAT BANTU KLASTERISASI GAYA BELAJAR DAN KECERDASAN MAJEMUK BERBASIS JST KOHONEN ]]>
<![CDATA[Stefanus Santosa]]>;
<![CDATA[Wiji Lestari Panjidang]]>
<![CDATA[ Jurnal Teknologi Informasi - Cyberku (JTIC) Vol 14 No 2 (2018): Jurnal Teknologi Informasi CyberKU Vol.14 no 2 ]]>
Publisher : <![CDATA[Program Pascasarjana Magister Teknik Informatika, Universitas Dian Nuswantoro ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (360.633 KB)
<![CDATA[Sistem pembelajaran yang mampu mendukung peningkatan pengalaman belajar siswa dan menciptakan kemudahan bagi guru untuk merancang strategi pembelajaran yang mampu beradaptasi dengan karakteristik siswa masih menjadi tantangan besar dunia pendidikan. Pembelajaran adaptif perlu mempertimbangkan gaya belajar dan kecerdasan majemuk siswa yang berbeda-beda dan unik. Data mining dan machine learning mampu memberikan solusi atas masalah tersebut. Penelitian ini mengusulkan suatu Desain prototipe Alat Bantu Klasterisasi Gaya Belajar dan Kecerdasan Majemuk Berbasis Jaringan Syaraf Tiruan (JST) Kohonen yang diharapkan dapat menjadi acuan pengembangan LMS yang mampu memetakan pembelajar sehingga memungkinkan siswa untuk memperoleh pelayanan pembelajaran secara khusus dan unik sesuai dengan karakteristiknya dan memudahkan guru dalam penyusunan strategi pembelajaran.]]>
<![CDATA[OPTIMASI KLASIFIKASI STATUS GIZI BALITA BERDASARKAN INDEKS ANTROPOMETRI MENGGUNAKAN ALGORITMA NAIVE BAYES CLASSIFICATION ADABOOST ]]>
<![CDATA[Achmad Ridwan]]>;
<![CDATA[Catur Supriyanto]]>;
<![CDATA[Pulung Nurtantio Andono]]>
<![CDATA[ Jurnal Teknologi Informasi - Cyberku (JTIC) Vol 14 No 2 (2018): Jurnal Teknologi Informasi CyberKU Vol.14 no 2 ]]>
Publisher : <![CDATA[Program Pascasarjana Magister Teknik Informatika, Universitas Dian Nuswantoro ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (310.243 KB)
<![CDATA[Body Mass Index (BMI) is commonly used as a measure to assess the nutritional status of infants. If there are two babies whose weight and height are the same may have different nutritional status. If it happens then the use BMI to measure nutritional status less relevant. Anthropometric measurement tool to be very instrumental for determining the nutritional status. The guidelines for determining the nutritional status Anthropometric parameters are selected and recommended which includes an assessment of the age, weight, height. On the contrary, along with the development of technology, increasing the amount of data that requires some methods to process and draw conclusions from such data and information. NBC algorithm is an algorithm of decision tree method has good performance in dealing with the classification of Toddler Nutritional Status based index Anthropometry, but NBC has a weakness in the class imbalance. Adaboost one boosting methods that could reduce imbalances class by giving weight to the level of classification Error which may alter the distribution of data. The use of Adaboost with reason this method can improve the accuracy in the process of classification and prediction by means generate a combination of a model, select the model that has the greatest weight. These experiments will apply the NBC algorithm used for classification of Toddler Nutritional Status based index Anthropometry and will be increased again by Adaboost method for being able to overcome the imbalance class thus increasing the probability value of each class and improve accuracy, it also lowers Error Classification. While that would be classified are five classes: normal, fat, very fat, thin, or very thin. The results of the experiment were obtained from NBC method to an accuracy of 88.60% and a classification Error of 11.40%, while the method by Adaboost (NBC + Adaboost) to an accuracy of 88.84% and 11.16% of the classification Error. So we can conclude NBC with Adaboost algorithm implementation on the Classification of Toddler Nutritional Status based index Anthropometry proved capable of overcoming the class imbalance and improve accuracy also lowers Error Classification.]]>
