Articles
1,420 Documents
<![CDATA[Identifikasi Sinyal EEG dari Pasien PascaStroke Menggunakan Backpropagation dan Algoritma Genetika ]]>
<![CDATA[Mita Amara]]>;
<![CDATA[Esmeralda C Djamal]]>;
<![CDATA[Asri Maspupah S]]>;
<![CDATA[Daswara Djajasasmita]]>
<![CDATA[ Seminar Nasional Aplikasi Teknologi Informasi (SNATI) 2019: Peran Sains Data Dari Perspektif Akademisi dan Praktisi ]]>
Publisher : <![CDATA[Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Rehabilitasi terhadap pasien pasca-stroke dilakukan guna mengembalikan fungsi tubuh yang hilang. Pendekatan pada rehabilitasi stroke mencakup aktivitas fisik motorik, kognitif dan mental. Aktivitas listrik di otak yang direkam atau Elektroensephalogram (EEG) juga dapat digunakan dalam proses rehabilitasi untuk mengetahui perkembangan pasien. Dokter akan mengamati sinyal EEG yang direkam berdasarkan kerapatan, amplitudo, bentuk gelombang dan perbandingan sinyal pada setiap kanal, namun analisa tersebut tidaklah mudah. Oleh karena itu dibutuhkan model komputasi yang dapat mengidentifikasi sinyal EEG dari pasien pasca-stroke. Sinyal EEG diperoleh dari 50 pasien pasca-stroke, 25 orang normal menggunakan emotiv EEG 14 kanal. Sinyal EEG selama 120 detik dengan segmentasi per-tiga detik dan ekstraksi sinyal untuk mendapatkan gelombang Alfa, Beta, Teta, Delta dan Mu. Identifikasi dilakukan menggunakan Backpropagation dengan fitur masukkan kelima gelombang dan amplitudo. Pelatihan pada Backpropagation menggunakan bobot awal hasil optimalisasi Algoritma Genetika. Hal tersebut akan berpengaruh pada bobot akhir masing-masing kelas, no stroke, minor stroke dan moderate stroke. Representasi kromosom terdiri dari bobot v dan w sebanyak 46.224 gen dengan mengadopsi banyaknya neuron input dan hidden pada arsitektur Backpropagation. Individu terbaik hasil optimalisasi menjadi masukkan untuk proses pelatihan pada Backpropagation. Hasil penelitian menunjukan akurasi yang diperoleh untuk data latih sebesar 73% dan untuk data baru sebesar 55%.]]>
<![CDATA[Sistem Informasi Pengaduan Pelanggaran di SPBU pada Direktorat Metrologi Bandung Berbasis Mobile ]]>
<![CDATA[Anggun Titah Islamiyyah]]>;
<![CDATA[Wina Witanti]]>;
<![CDATA[Asep Id Hadiana]]>
<![CDATA[ Seminar Nasional Aplikasi Teknologi Informasi (SNATI) 2019: Peran Sains Data Dari Perspektif Akademisi dan Praktisi ]]>
Publisher : <![CDATA[Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Kementerian Perdagangan Republik Indonesia Direktorat Metrologi Legal merupakan instansi pemerintah. Salah satu alat ukur yang dikelola Direktorat Metrologi Legal adalah alat ukur pada SPBU. Pengaduan pelanggaran oleh masyarakat sangat dibutuhkan sebuah instansi untuk meningkatkan kualitas kinerja. Pengaduan pelanggaran di Direktorat Metrologi saat ini masih dilakukan melalui pesan singkat atau telepon. Penyampaian pelanggaran melalui pesan singkat atau telepon ini dirasa kurang efektif karena jika terlalu banyak pesan singkat akan terjadi penumpukan pesan yang akibatnya pesan pertama masuk tidak terlihat oleh penerima pesan. Jika pengaduan dilakukan melalui telepon, ketika dua pengaduan melakukan pengaduan secara bersamaan mengakibatkan sulitnya tersambung dengan penerima pengaduan. Sistem informasi pengaduan pelanggaran berbasis mobile yang dihasilkan dari penelitian ini. Masyarakat dapat melakukan pengaduan melalui mobile phone dan Direktorat Metrologi dapat menerima pengaduan melalui web, masyarakat dapat melakukan monitoring pengaduan merupakan tujuan dari pembangunan sistem pengaduan pelanggaran ini. Manfaat yang dihasilkan adalah membantu Direktorat dalam meningkatkan kualitas pelayanan dengan menerima pengaduan pelanggaran melalui web yang dikirimkan masyarakat dengan mobile, dan sysdugaan pelanggaran. Penelitian ini menggunakan metode waterfall untuk mendukung pengembangan perangkat lunak.]]>
<![CDATA[Brain Computer Interface Untuk Menggerakkan Animator Pemukul Bass Drum Menggunakan Wavelet dan Support Vector Machine ]]>
<![CDATA[Azmira Mifti Harjana]]>;
<![CDATA[Esmeralda C. Djamal]]>;
<![CDATA[Ridwan Ilyas]]>
<![CDATA[ Seminar Nasional Aplikasi Teknologi Informasi (SNATI) 2018 ]]>
Publisher : <![CDATA[Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Penderita kelumpuhan sering mengalami kesulitan untuk berinteraksi dengan perangkat eksternal disebabkan kinerja saraf untuk menyampaikan perintah dari otak ke otot menurun. Pengembangan teknologi Brain Computer Interface (BCI) memungkinkan seseorang dapat menggerakkan perangkat eksternal dengan menggunakan sinyal EEG sebagai komponen intermediate ketika membayangkan gerakan yang diinginkan (motor imagery) tanpa melibatkan fungsi motorik lainnya. Karakteristik sinyal EEG yang memiliki amplitudo rendah menyebabkan rentan terhadap noise dan mudah dipengaruhi variabel lain. Bentuk yang kompleks serta bersifat non stasioner menyebabkan variabel motor imagery tidak mudah untuk diidentifikasi. Penelitian ini membangun perangkat BCI yang dapat mengidentifikasi pikiran saat membayangkan suatu gerakan untuk menggerakkan animasi pemukul bass drum dengan lima kelas gerakan. Sistem dilatih terlebih dahulu menggunakan 2000 set data dari 10 naracoba untuk lima kelas dengan lima kali perulangan. Variabel motor imagery didapatkan dari sinyal EEG yang diekstraksi dengan Wavelet Daubechies10 untuk mendapatkan sinyal gelombang Alfa dan Beta serta ditambahkan analisa statistik dan sinkronisasi kanal simetrik sehingga menghasilkan 224 data untuk empat kanal. Data tersebut digunakan sebagai vektor fitur untuk tahap identifikasi dengan Support Vector Machine hyperplane Non Linier dengan kernel Polynomial orde 2. Hasil penelitian diperoleh akurasi sebesar 37% untuk data baru, sedangkan terhadap data latih sebesar 88%. Penggunaan fitur statistik amplitudo dan sinkronisasi kanal simetrik dapat meningkatkan akurasi sebesar 7%. BCI dan EEG diintegrasikan secara real time melalui implementasi perangkat lunak BCI, EEG dan animasi pemukul bass drum.]]>
<![CDATA[Implementasi Algoritma K - Nearest Neighbor Terhadap Analisis Sentimen Review Restoran Dengan Teks Bahasa Indonesia ]]>
<![CDATA[Risma Putri Putrianti]]>;
<![CDATA[Ana Kurniati]]>;
<![CDATA[Dina Agustin]]>
<![CDATA[ Seminar Nasional Aplikasi Teknologi Informasi (SNATI) 2019: Peran Sains Data Dari Perspektif Akademisi dan Praktisi ]]>
Publisher : <![CDATA[Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[—Review atau sebuah ulasan dapat membantu pemilik restoran untuk dapat melihat bagaimana respon dari konsumen mengenai produknya. Pengklasifikasian dengan data yang berasal dari internet sangat sulit dilakukan kerena memiliki informasi dalam berbagai bentuk. Implementasi algoritma K - Nearest Neighbor terhadap analisis sentimen review restoran dengan teks Bahasa Indonesia dapat membantu mengatasi hal tersebut dengan sistem otomatis yang dibuat. Hasil akurasi aplikasi pada analisis sentimen menggunakan algoritma K - Nearest Neighbor terhadap review restoran Taman Santap Rumah Kayu dengan confusion matrix sebesar 96,61%.]]>
<![CDATA[Meramal Indeks Harga Konsumen Kabupaten di Jawa Timur dengan Metode Support Vector Regression Data Mining ]]>
<![CDATA[Mimin F Rohmah]]>;
<![CDATA[Luki Ardiantoro]]>;
<![CDATA[I Ketut Gede Darma Putra]]>;
<![CDATA[Rukmi Sari Hartati]]>
<![CDATA[ Seminar Nasional Aplikasi Teknologi Informasi (SNATI) 2019: Peran Sains Data Dari Perspektif Akademisi dan Praktisi ]]>
Publisher : <![CDATA[Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Harga yang stabil pada bahan makanan berpengaruh pada perekonomian suatu wilayah/kabupaten.Dengan stabilnya harga daya beli masyarakat menjadi meningkat. Untuk menjaga harga komoditas bahan makan stabil diantisipasi dengan melakukan peramalan pada Indeks Harga Konsumen (IHK) di tiga Kabupaten dengan Metode Support Vector Regresion (SVR). IHK merupakan Indikator ekonomi mengenai informasi harga barang dan jasa yang dibayar oleh konsumen. Pada penelitian ini IHK yang digunakan berjenis Bahan Makanan yang dikeluarkan oleh Badan Pusat Statistik dan sebagai variabel input diambilkan dari harga komoditas bahan pokok di tiga Kabupaten yaitu Banyuwangi, Jember dan Sumenep di web Siskaperbapo Disperidag Surabaya. Dengan metode SVR dapat dipetakan vektor input ke dimensi yang lebih tinggi dan menghasilkan fungsi bergelombang mengikuti jalur/kurva yang terbentuk, sehingga hasil prediksi lebih akurat. Dalam meramal IHK, data dibagi sebagai data training (2016-2017) dan data testing (2018-2019). Dalam mengujian digunakan Kernel RBF dan Polinomial. Di mana Kernel RBF lebih bagus performansinya, hal ini bisa diperlihatkan dengan Mean Squared Error (MSE) yang dihasilkan kecil dari Kernel Polinomial dan Mean Absolute Percentage Error (MAPE) nya kurang dari 3. Kabupaten Sumenep mempunyai nilai terkecil (MSE = 2.5182 dan MAPE = 1.5508) dibandingkan dengan Jember (MSE = 2.6219 dan MAPE = 1.6823) dan Banyuwangi (MSE = 10.5131 dan MAPE 0.851 sehingga bisa dikatakan ramalan IHK untuk Kabupaten Sumenep lebih baik akurasinya.]]>
<![CDATA[PERENCANAAN STRATEGIS SISTEM INFORMASI DAN TEKNOLOGI INFORMASI PADA PERUSAHAAN OTOMOTIF DENGAN MENGGUNAKAN METODOLOGI TOZER ]]>
<![CDATA[Andri Wijaya]]>;
<![CDATA[Dana Indra Sensuse]]>
<![CDATA[ Seminar Nasional Aplikasi Teknologi Informasi (SNATI) 2011 ]]>
Publisher : <![CDATA[Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Pada saat ini tidak dapat dipungkiri lagi semakin banyaknya perusahaan otomotif yang bermunculan khususnyadealer - dealer yang membuat persaingan di dunia otomotif bertambah ketat. Maka untuk bertahan dalam arenapersaingan tersebut, perusahaan – perusahaan harus memiliki strategi bisnis yang dijadikan sebagai suatukeunggulan untuk dapat bertahan. Penerapan sistem informasi dan teknologi informasi dapat dijadikan strategibisnis untuk dapat bersaing dengan pesaing yang berada dibidang yang sama yakni otomotif. Banyakperusahaan-perusahaan otomotif yang tidak memiliki perencanaan strategis dalam menggunakan SI/TI nya.Pada penelitian ini membahas mengenai bagaimana bentuk rumusan perencanaan strategis SI/TI untukperusahaan otomotif. Dalam penelitian ini peneliti menggunakan metodologi perencanaan strategis SI/TI versiTozer sebagai dasar konsep model perencanaan strategis menggunakan aplikasi metode Tozer dilakukanberdasarkan strategis bisnis. Analisis dan interpretasi data peneliti menggunakan beberapa metode diantaranyaadalah critical success factor, value chain analysis, SWOT, dan mc farlan’s grid. Dimana metode ini akanmemperkuat penyusunan perencanaan strategis tersebut. Hasil akhir dari penelitian ini berupa perencanaanstrategis SI/TI yang meliputi identifikasi rincian langkah-langkah penanganan permasalahan dan identifikasipengembangan SI/TI ke depan yang digambarkan dalam bentuk portofolio SI/TI yang selaras dengan strategibisnis PT.Berlian Maju Motor guna untuk dapat menciptakan keunggulan kompetitif agar dapat bersaing.]]>
<![CDATA[TEMU KENALI CITRA BERBASIS KONTEN WARNA ]]>
<![CDATA[Karmilasari Karmilasari]]>;
<![CDATA[Agus Sumarna]]>
<![CDATA[ Seminar Nasional Aplikasi Teknologi Informasi (SNATI) 2011 ]]>
Publisher : <![CDATA[Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Temu kenali citra berbasis konten warna banyak digunakan untuk pencarian informasi. Dalam temu kenali citra jenis ini yang dilihat bukan kemiripan dari citra, melainkan kemiripan dari sebaran warna pada citra yang diperbandingkan. Informasi penting mengenai isi (content) citra digital diketahui melalui histogram citra, yaitu grafik yang menggambarkan penyebaran nilai-nilai intensitas pixel dari suatu atau bagian tertentu didalam citra. Dalam penelitian ini, dibahas mengenai temu kenali citra berbasis konten warna berdasarkan local color histogram, global color histogram dan gabungan keduanya. Pengukuran kemiripan sebaran warna citra query dan citra dalam database dilakukan melalui perhitungan jarak euclidean. Dari percobaan diperoleh hasil, jumlah citra database yang mirip citra query yang dihasilkan melalui metode local color histogram lebih banyak dibandingkan dengan global color histogram maupun gabungan keduanya.]]>
<![CDATA[SECTON : A COMBINATION OF NEWTON METHOD AND SECANT METHOD FOR SOLVING NON LINEAR EQUATIONS ]]>
<![CDATA[Nur Rokhman]]>
<![CDATA[ Seminar Nasional Aplikasi Teknologi Informasi (SNATI) 2011 ]]>
Publisher : <![CDATA[Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Newton method is a famous method for solving non linear equations. However, this method has a limitation because it requires the derivative of the function to be solved. Secant method is more flexible. It uses anapproximation value to the derivative value of the function to solved. Unfortunately, this method needs two initial values, compared to Newton method which only need one initial value. The use of numerical techniquegives an approximation value of the solution. An initial value should be iterated until it approximates the solution. This means, the numerical solutions always contain error ( ). In this paper, the initial point of Newton method and are used to make the second initial value of the Secant method. Secton method is constructed by applying these initial values to the Secant method. The experiments show that Secton method only gives a small deviation, compared to Newton method.]]>
<![CDATA[PENGARUH PENERIMAAN PENGGUNA DAN EKONOMI TERHADAP KEEFEKTIFAN PEMILIHAN PROYEK SISTEM INFORMASI DENGAN PENDEKATAN SEM ]]>
<![CDATA[Syaifudin Syaifudin]]>
<![CDATA[ Seminar Nasional Aplikasi Teknologi Informasi (SNATI) 2011 ]]>
Publisher : <![CDATA[Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Pemilihan proyek sistem informasi sangat sulit dilaksanakan karena banyak faktor yang mempengaruhinya. Banyak proyek sistem informasi yang gagal karena tidak memperhatikan kepada penerimaan pengguna. Selain itu faktor lain yang mempengaruhi adalah terbatasnya dana . Tujuan dari makalah ini adalah meneliti faktor ekonomi dan penerimaan pengguna dalam pemilihan proyek sistem informasi. Untuk analisis data digunakan metode pendekatan Model Persamaan Struktural (SEM). Hasil dari penelitian ini adalah ekonomi dan penerimaan pengguna berpengaruh terhadap pemilihan proyek sistem informasi. Selain itu penerimaan pengguna sebagai mediator dari ekonomi ke pemilihan proyek sistem informasi. Penerimaan pengguna diukur dengan kebergunaan dan kemudahgunaan, dengan menggabungkan keduanya maka lebih valid dan handal. Sehingga hasil akhir dari pengerjaan akan lebih efektif, sederhana dan lebih mudah]]>
<![CDATA[Membandingkan Pengaruh Feature Selection Terhadap Algoritma Naïve Bayes dan Support Vector Machine ]]>
<![CDATA[Aldi Rahmansyah]]>;
<![CDATA[Ovitasari Dewi]]>;
<![CDATA[Puti Andini]]>;
<![CDATA[Trisna Hastuti Puspita Ningrum]]>;
<![CDATA[Muhammad Eka Suryana]]>
<![CDATA[ Seminar Nasional Aplikasi Teknologi Informasi (SNATI) 2018 ]]>
Publisher : <![CDATA[Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Feature selection menjadi perhatian di banyak bidang penelitian yang menggunakan machine learning, karena menyediakan pengklasifikasi untuk mempercepat proses, menghemat biaya dan meningkatkan akurasi. Pada penelitian ini kami menggunakan beberapa algoritma dengan menerapkan Algoritma Machine learning. Algoritma yang kami gunakan yaitu Support Vector Machine dan Naïve Bayes dengan sebelas features. Dan untuk mempermudah penerapannya di dunia nyata kami juga melakukan feature selection dengan harapan mengurangi features yang digunakan. Hasil yang kami dapatkan adalah pengaruh feature selection terbaik ada pada algoritma Naive Bayes yang mendapat nilai presisi dan recall 0.5 dan 0.52 yang sebelumnya adalah 0.455 dan 0.434. Sebaliknya pada Support Vector Machine, hasil terbaiknya adalah ketika semua feature digunakan tanpa ada yang dikurangi.]]>
