Jurnal Teknologi dan Sistem Komputer
Not a member yet
364 research outputs found
Sort by
Identification of the distribution village maturation: Village classification using Density-based spatial clustering of applications with noise
Full text linkThe rural development measurement is undoubtedly not easy due to its particular needs and conditions. This study classifies village performance from social, economic, and ecological indices. One thousand five hundred ninety-one villages from the Community and Village Empowerment Office at Riau Province, Indonesia, are grouped into five village maturation classes: very under-developed village, under-developed village, developing village, developed village, and independent village. To date, Density-based spatial clustering of applications with noise (DBSCAN) is utilized in mining 13 of the villages’ attributes. Python programming is applied to analyze and evaluate the DBSCAN activities. The study reveals the grouping’s silhouette coefficient values at 0.8231, thus indicating the well-being clustering performance. The epsilon and minimum points values are considered in DBSCAN evaluation with percentage splits simulation. This grouping can be used as guidelines for governments in analyzing the distribution of rural development subsidies more optimal
Komparasi model support vector machine dan backpropagation dalam peramalan jumlah wisatawan mancanegara di provinsi Bali
Full text linkTourism in Bali is one of the major industries which play an important role in developing the global economy in Indonesia. Good forecasting of tourist arrival, especially from foreign countries, is needed to predict the number of tourists based on past information to minimize the prediction error rate. This study compares the performance of SVM and Backpropagation to find the model with the best prediction algorithm using data from foreign tourists in Bali Province. The results of this study recommend the best forecasting using the SVM model with the radial kernel function. The best accuracy of the SVM model obtained the lowest error values of MSE 0.0009, MAE 0.0186, and MAPE 0.0276, compared to Backpropagation which obtained MSE 0.0170, MAE 0.1066, and MAPE 0.1539.Pariwisata merupakan salah satu industri besar yang penting dalam perkembangan ekonomi global di Indonesia. Bali dikenal sebagai pulau dengan ragam budaya dan kekayaan alam yang menjadi daya tarik wisatawan mancanegara. Namun, jumlah wisatawan bisa berubah sewaktu-waktu. Peramalan merupakan cara untuk memprediksi jumlah wisatawan mancanegara berdasarkan informasi pada masa lalu sehingga tingkat kesalahannya dapat diperkecil. SVM adalah metode yang mencari hyperplane terbaik pada klasifikasi dua kelas untuk memecahkan masalah. SVM mampu bekerja pada data non-linear dengan menggunakan pendekatan kernel yaitu Radial, Linear, dan Polynomial. Backpropagation adalah metode yang menggunakan struktur dan fungsi otak manusia sebagai model untuk ditiru. Hasil penelitian ini menunjukkan metode peramalan paling baik adalah SVM. Tingkat akurasi memperoleh nilai kesalahan terendah, MSE 0,0009, MAE 0,0186, dan MAPE 0,0276
Prediction of the peak Covid-19 pandemic in Indonesia using SIR model
Full text linkPenelitian ini menyajikan penggunaan model Susceptible, Infected, and Removed (SIR) untuk memprediksi kondisi penularan Covid-19 di Indonesia. Data resmi pemerintah yang terdiri dari kasus positif, meninggal, dan sembuh digunakan sebagai data aktual untuk menginterpolasi model, melalui metode pencocokan data dengan minimum mean squared error (MSE). Salah satu metode pencarian Quasi-Newton yaitu algoritme Broyden, Fletcher, Goldfarb, and Shanno (BFGS) digunakan untuk menentukan nilai optimal koefisien interaksi pada model dengan nilai MSE minimum. Berdasarkan data per 18 Juli 2020, model memprediksi bahwa puncak penambahan kasus positif infeksi akan terjadi pada bulan Oktober dengan jumlah mendekati 14% persen total populasi dan galat MSE 18,42, relatif terhadap periode data aktual. Tingkat penyebaran diestimasi dengan nilai 2,035 dimana lebih kecil 29 % dibandingkan dengan tingkat penyebaran relatif dari data aktual.This research implements the Susceptible, Infected, and Removed (SIR) model to predict the Covid-19 outbreak in Indonesia. The government official data, consisting of infected, dead, and recovered, are used as actual data to interpolate the model through matching data with minimum mean squared error (MSE). The study uses one of the Quasi-Newton search methods, the Broyden, Fletcher, Goldfarb, and Shanno (BFGS) algorithm, to determine the interaction coefficient's optimal value in the model with the minimum MSE value. Based on data as of July 18, 2020, it predicts that the peak of the infected number will be in October 2020 with around 14 % of the total population infected, and the MSE of 18.42 is relative to the period of the actual data. Meanwhile, the basic reproduction rate is calculated to be 2.035 from the model, where it is underestimated by about 29 % compared to the relative basic reproduction rate from the provided actual data
Sampled and discretized of short-time Fourier transform and non-negative matrix factorization: the single-channel source separation case
Full text linkThe Short-time Fourier transform (STFT) is a popular time-frequency representation in many source separation problems. In this work, the sampled and discretized version of Discrete Gabor Transform (DGT) is proposed to replace STFT within the single-channel source separation problem of the Non-negative Matrix Factorization (NMF) framework. The result shows that NMF-DGT is better than NMF-STFT according to Signal-to-Interference Ratio (SIR), Signal-to-Artifact Ratio (SAR), and Signal-to-Distortion Ratio (SDR). In the supervised scheme, NMF-DGT has a SIR of 18.60 dB compared to 16.24 dB in NMF-STFT, SAR of 13.77 dB to 13.69 dB, and SDR of 12.45 dB to 11.16 dB. In the unsupervised scheme, NMF-DGT has a SIR of 0.40 dB compared to 0.27 dB by NMF-STFT, SAR of -10.21 dB to -10.36 dB, and SDR of -15.01 dB to -15.23 dB
Alternatif otentikasi menggunakan metode steganografi histogram shifting
Full text linkThis study aims to develop an authentication alternative by applying the Histogram shifting steganography method. The media used for authentication is image media. Histogram shifting utilizes the histogram of an image to insert a secret message. The developed authentication has implemented the Histogram shifting to insert user credentials into the carrier image. Users can use the steganographic image to log into their accounts. The method extracts the credentials from the image during the login. PSNR test of the steganographic images produces an average value of 52.52 dB. The extraction capability test shows that the method can extract all test images correctly. In addition, this authentication method is also more resistant to attacks common to password authentication.Penelitian ini bertujuan mengembangkan alternatif otentikasi dengan menerapkan metode steganografi Histogram shifting. Media yang digunakan untuk otentikasi adalah media citra. Histogram shifting memanfaatkan histogram suatu citra untuk menyisipkan pesan rahasia. Alternatif otentikasi telah menerapkan metode Histogram shifting untuk menyisipkan kredensial pengguna ke dalam citra pembawa. Citra hasil steganografi dapat digunakan untuk masuk ke akun pengguna dengan cara mengekstrak kredensial dari citra tersebut ketika proses log in. Pengujian PSNR citra stego menghasilkan nilai rata-rata sebesar 52,52 dB. Pengujian kemampuan ekstraksi menunjukkan semua citra uji dapat diekstrak dengan tepat. Selain itu, metode otentikasi ini juga lebih tahan terhadap serangan yang umum dilakukan pada otentikasi menggunakan kata sandi
Modifikasi skyline query untuk mengukur daerah prioritas penerima bantuan alat pelindung diri bagi tenaga kesehatan COVID-19
Full text linkThe distribution of personal protective equipment (PPE) plays a vital role in meeting the needs of PPE in an area. This study aims to measure the priority of PPE recipient regions in West Java Province using a skyline query algorithm, namely Sort Filter Skyline (SFS). In this study, the SFS algorithm is modified to optimize the dominance measurement section. Regions that do not have hospitals will not be prioritized for PPE recipients. The preferences used in this study are maximum and minimum. The maximum preference rule is used for the number of ODP, PDP, positive and dead cases, while the minimum preference rule is used for the cured and distance attributes. The application of SFS for calculating priority regions has been successfully carried out by developing two models, namely MS1 using unmodified SFS and MS2 using modified SFS by adding a selection process for regions with no hospitals. The MS1 produces 21 skyline objects (55.55 %), while MS2 15 (66.66 %) skyline objects. The MS2 is faster than that of MS1 because fewer objects are being tested. The MS1 takes 0.0222 seconds, while MS2 only 0.0193 seconds.Pendistribusian bantuan alat pelindung diri (APD) yang tepat sasaran memiliki peranan penting untuk memenuhi kebutuhan APD pada suatu daerah. Penelitian ini bertujuan untuk menghitung prioritas daerah penerima APD di provinsi Jawa Barat dengan menggunakan algoritme skyline query, yaitu Sort Filter Skyline (SFS) yang dimodifikasi. Modifikasi algoritme SFS dilakukan untuk optimasi pada bagian pengujian dominasi. Daerah yang tidak memiliki rumah sakit tidak akan dijadikan prioritas penerima APD. Preferensi yang digunakan dalam penelitian ini adalah maksimum dan minimum. Aturan preferensi maksimum digunakan untuk atribut jumlah kasus ODP, PDP, positif, dan meninggal, sedangkan untuk aturan preferensi minimum digunakan pada atribut sembuh dan jarak. Penerapan SFS untuk perhitungan daerah prioritas telah berhasil dilakukan dengan mengembangkan dua model, yaitu MS1 menggunakan SFS tanpa modifikasi dan MS2 menggunakan SFS termodifikasi yang melakukan proses seleksi daerah yang tidak memiliki rumah sakit. Objek skyline rata-rata yang dihasilkan oleh MS1 yaitu 21 (55,55 %), sedangkan MS2 menghasilkan objek skyline sebanyak 15 (66,66 %). Kecepatan proses MS2 lebih tinggi dibandingkan dengan MS1 karena objek yang diuji menjadi lebih sedikit. Waktu proses MS1 mencapai 0,0222 detik, sedangkan MS2 hanya membutuhkan waktu 0,0193 detik
Deteksi osteoporosis pada citra radiograf panoramik dental menggunakan algoritme J48 dan learning vector quantization
Full text linkOsteoporosis is one type of disease that is not easily detected. This disease can cause fractures for the sufferer. Early detection of osteoporosis is crucial to prevent fractures. This study aims to detect osteoporosis through features extracted from cortical bone and trabeculae in dental panoramic images. The results of the selected feature extraction are trained using an artificial neural network. Based on the study results, the dominant features for osteoporosis detection are radio morphometric index and morphological features. The accuracy, sensitivity, and specificity of the J48 and Learning Vector Quantization (LVQ) are 83.88 %, 78.57 %, and 100 %, respectively.Osteoporosis merupakan salah satu jenis penyakit yang tidak mudah terdeteksi. Penyakit ini dapat menyebabkan patah tulang bagi penderitanya. Deteksi dini osteoporosis sangat penting untuk mencegah patah tulang. Penelitian ini bertujuan untuk melakukan deteksi osteoporosis melalui fitur-fitur yang diekstrak pada tulang kortikal dan trabekula pada citra panoramik dental. Hasil ekstraksi fitur tersebut dilatih menggunakan jaringan syaraf tiruan. Berdasarkan hasil penelitian, fitur yang dominan untuk deteksi osteoporosis adalah fitur indeks morfometri radio (IRM) dan morfologi. Tingkat akurasi pengujian menggunakan LVQ dapat mendeteksi penyakit osteoporosis, dengan tingkat akurasi mencapai 83,33 %, sensitivitas sebesar 78,57 %, dan spesifisitas mencapai 100 %
Decision tree algorithm for multi-label hate speech and abusive language detection in Indonesian Twitter
Full text linkUjaran kebencian dan bahasa kasar mudah ditemukan di dalam komunikasi tertulis di media sosial seperti Twitter, yang dapat memicu terjadinya persengketaan di antara korban dan pengujarnya. Bagaimanapun, akan sulit memeriksa apakah suatu twit mengandung ujaran kebencian dan/atau bahasa kasar bila seseorang berpihak. Penelitian ini bertujuan untuk membangun sistem untuk mengklasifikasi twit apakah mengandung ujaran kebencian dan kata-kata kasar. Apabila terdeteksi mengandung ujaran kebencian, maka level ujaran kebenciannya diukur. Dataset yang digunakan terdiri dari 13.126 twit asli dari Twitter. Word embedding digunakan untuk fitur dari teks. Algoritme Decision Tree digunakan untuk klasifikasi. Rekayasa fitur dan pengaturan parameter menunjukkan peningkatan performa deteksi. Fitur leksikon di klasifikasi Decision Tree menghasilkan akurasi tertinggi untuk deteksi ketiga kelas, yaitu kelas ujaran kebencian, kata-kata kasar dan level ujaran kebencian, daripada rekayasa fitur khusus dan fitur tekstual. Rata-rata akurasi dari ketiga kelas meningkat dari 69,77 % menjadi 70,48 % untuk komposisi data latih-uji 90:10, dan dari 69,35 % menjadi 69,54 % untuk komposisi 80:20.Hate speech and abusive language are easily found in written communications in social media like Twitter. They often cause a dispute between parties, the victims, and the first who write the tweet. However, it is also difficult to distinguish whether a tweet contains hate speech and/or abusive language for those who take sides. This research aims to develop a method to classify the tweets into abusive and/or contain hate speech classes. If hate speech is detected, then the system will measure the hardness level of hatred. The dataset includes 13,126 real tweets data. Word embeddings are used for featuring text input. For the tweets classification, we use a Decision Tree algorithm. Some engineering of features and parameters tuning has improved the classification of the three classes: hate speech class, abusive words, and hate speech level. The lexicon feature in the Decision Tree classification produces the highest accuracy for detecting the three classes rather than engineering special features and textual features. The average accuracy of the three classes increased from 69.77 % to 70.48 % for the training-testing composition of 90:10, and another 69.35 % to 69.54 % for 80:20 respectively
MWMOTE optimization for imbalanced data using complete linkage
Full text linkData yang tidak seimbang dapat menyebabkan kesalahan klasifikasi, menurunkan kinerja dan akurasi. Pengelompokan pada MWMOTE dapat dioptimalkan untuk meningkatkan kinerja pembangkitan data sintetis menjadi representatif serta meningkatkan kinerja MWMOTE. Penelitian ini bertujuan untuk mengoptimalkan kinerja algoritme MWMOTE pada proses klasterisasi dalam pembuatan data sintetik dengan complete linkage (CL). Dataset yang digunakan memiliki beragam rasio data dengan tujuan menangangani data yang tidak seimbang. Decision tree digunakan untuk mengetahui kinerja dari oversampling MWMOTE dan CL-MWMOTE. Hasil evaluasi CL-MWMOTE memberikan kinerja yang lebih baik dan optimal daripada MWMOTE serta meningkatkan presisi sebesar 0,53 %, sensitivitas 0,67 %, f-measure 0,66 %, dan akurasi 0,67 %.Imbalanced data can result in classification errors, such as in WMMOTE, and can decrease its performance and accuracy. Clustering in MWMOTE can be optimized to improve synthetic data generation and improve MWMOTE performance. This study aims to optimize the MWMOTE algorithm's performance in the clustering process in making synthetic data with complete linkage (CL). The dataset used a variety of data ratios to handle imbalanced data. The decision tree was used to determine the performance of MWMOTE and CL-MWMOTE oversampling. CL-MWMOTE evaluation results provide better and optimal performance than MWMOTE and increase the precision, recall, f-measure, and accuracy of 0.53 %, 0.67 %, 0.66 %, and 0.67 %, respectively
AKSALont: Aplikasi transliterasi aksara Lontar Bali dengan model LSTM
Full text linkThis study aims to develop an automatic transliteration application for the Balinese palm leaf manuscripts into the Latin/Roman alphabet. The input for this system is the digital image of the original text from the ancient Balinese palm leaf manuscripts, not from the Balinese script, which is printed using a font on a computer. In this study, a segmentation-free transliteration machine using the LSTM model was implemented. In addition, the implementation of the AKSALont application is carried out for the interactions on a web-based platform using cross-platform interoperability. The experimental results show that the machine can transliterate Balinese characters on the Balinese palm-leaf manuscript images properly with a CER of 19.78 % using 10.475 test data. With a web-based online platform, AKSALont has been able to open wider access for the public to the web-based content with an online platform collection.Penelitian ini bertujuan untuk membangun sebuah aplikasi transliterasi aksara Lontar Bali menuju alfabet Latin/Romawi. Citra aksara Lontar Bali yang menjadi masukan bagi sistem ini adalah citra aksara Lontar Bali dari teks yang tertulis pada citra digital dari naskah kuno asli dari Lontar Bali, bukan dari aksara Bali yang tercetak dengan menggunakan font pada komputer. Mesin transliterasi menggunakan model LSTM sehingga proses transliterasi dapat dilakukan tanpa melalui proses segmentasi glyph. Selain itu, dilakukan perancangan dan implementasi interaksi aplikasi AKSALont pada platform berbasis web menggunakan metode interoperabilitas antar platform. Hasil eksperimen menunjukkan bahwa mesin transliterasi yang dibangun sudah menunjukkan kemampuan untuk melakukan transliterasi aksara Bali pada citra Lontar Bali dengan benar dan memiliki CER 19,78 % pada 10.475 data uji. Aplikasi AKSALont yang berbasis web dengan platform daring telah dapat membuka akses yang lebih meluas bagi masyarakat terhadap konten koleksi Lontar Bali