JUTI: Jurnal Ilmiah Teknologi Informasi
Not a member yet
407 research outputs found
Sort by
APLIKASI PENENTUAN HARGA POKOK PRODUKSI BATIK MADURA DENGAN METODE ACTIVITY BASED COSTING DAN ANALISIS REGRESI LINIER
Get PDFPada umumnya pengrajin batik di Pamekasan tidak menghitung secara rinci biaya-biaya yang dikeluarkan dalam proses produksi, serta menetapkan harga jual berdasarkan harga yang berlaku di pasar, sehingga keuntungan bersih tidak dapat diketahui secara pasti. Berdasarkan permasalan tersebut penelitian ini difokuskan untuk mengurai pembiayaaan produksi batik melalui aktivitas-aktivitas produksi yang dilakukan secara rinci menggunakan metode Activity Based Costing (ABC), dimana metode ini terbukti memiliki tingkat keakurasian yang baik dalam menentukan HPP. Setiap aktivitas yang mengakibatkan biaya akan diakumulasikan untuk menentukan HPP. Untuk mendapatkan biaya bahan baku yang akurat, penelitian ini juga mempertimbangkan perubahan harga bahan baku di pasaran, dengan menggunakan peramalan harga melalui analisis Regresi Linier mengingat perubahan harga bahan batik memiliki pola data trend. Hasil prediksi pada harga dengan Regresi Linier terhadap bahan baku dan bahan penolong batik meliputi kain, malam dan pewarna masing-masing sebesar Rp. 22.267,00; Rp 80.700,00 dan Rp. 21.300,00. Pada BOP, kelompok aktivitas pembuatan motif, pewarnaan serta pelorotan dan finishing dihitung berdasarkan jumlah warna yang digunakan, sehinggga cost driver yang digunakan adalah panjang kain (meter). Untuk kelompok aktivitas pemeliharaan dan pemasaran, cost driver yang digunakan masing-masing adalah Jam Kerja Langsung (JKL) dan jumlah produk (unit). Jumlah produksi Batik Cap 2 Warna adalah 140 unit, Batik Cap 3 Warna adalah 60 unit, Batik Tulis 2 Warna adalah 40 unit, serta Batik Tulis 3 Warna adalah 30 unit. Berdasarkan HPP per unit dan harga jual, maka total keuntungan terbesar terdapat pada Batik Cap 2 Warna sebanyak Rp. 2.452.100,00
OPTIMASI PEMILIHAN CHILD BROKER(S) PADA MODEL KOMUNIKASI PUBLISH/SUBSCRIBE PADA PROTOKOL DATA DISTRIBUTION SERVICE DI AREA MULTI-ZONE
Get PDFTantangan terbesar yang muncul pada data center cloud computing adalah meningkatnya biaya konsumsi daya. Pengembangan data center akan bertolak belakang dengan penghematan daya, semakin tinggi performa sebuah data center, maka semakin tinggi pula konsumsi energi yang dibutuhkan, hal ini disebabkan oleh kebutuhan jumlah server ataupun hardware pada data center yang semakin meningkat. Data center cloud computing yang berbasis High Performance Computing (HPC) merupakan sebuah teknologi yang dibangun dari kumpulan server dalam jumlah besar untuk menjamin ketersediaan tinggi dari sebuah cloud computing, namun sebenarnya beberapa server tersebut hanya direncanakan untuk beban puncak yang jarang atau tidak pernah ter-jadi. Ketika beban pada titik terendah, maka server tersebut akan berada dalam kondisi idle. Optimasi daya dengan DNS (Dynamics Shutdown) dengan memanfaatkan kondisi beban rendah server dapat menjadi solusi yang tepat untuk mengurangi konsumsi daya pada data center. Namun jika optimasi tersebut dilakukan dengan konvensional dan hanya berdasarkan data realtime, maka kemungkinan besar akan berpengaruh terhadap performa data center. Optimasi yang dilakukan pada penelitian ini adalah dengan metode prediksi menggunakan moving average untuk menentukan penjadwalan DNS. Hasil pengujian dengan komputer virtual menunjukkan bahwa dengan metode prediksi dapat mengurangi konsumsi daya sebesar 1,14 Watt dibandingkan dengan metode konvensional
KLASIFIKASI EEG EPILEPSI MENGGUNAKAN SINGULAR SPECTRUM ANALYSIS, POWER SPECTRAL DENSITY DAN CONVOLUTION NEURAL NETWORK
Get PDFEpilepsi merupakan gangguan sistem syaraf otak manusia dan menyebabkan berbagai reaksi terhadap tubuh manusia. Epilepsi dapat dideteksi dengan menggunakan Electroencephalogram (EEG). Pengamatan EEG secara visual tidak mungkin dilakukan secara rutin, sehingga dibutuhkan deteksi otomatis pada EEG. Sistem deteksi EEG secara otomatis terdiri dari 2 langkah, yaitu ekstraksi fitur dan klasifikasi. Power Spectral Density (PSD) adalah metode ekstraksi fitur yang sering dipakai untuk memunculkan karakteristik EEG dengan mengelompokkan energi pada EEG. Pada proses klasifikasi metode Convolution Neural Network (CNN) dapat mereduksi fitur hasil PSD dan digunakan mengklasifikasikan multiclass dari EEG. Namun, data EEG memiliki kecenderungan bercampur noise berupa sinyal yang lain saat perekaman, oleh karena itu sebelum data EEG diklasifikasikan, perlu dilakukan pengolahan terlebih dahulu. Pada penelitian ini diusulkan penggabungan metode Singular Spectrum Analysis (SSA) untuk penghilang noise, PSD sebagai ekstraksi fitur dan CNN sebagai klasifier. Penelitian ini dilakukan melalui beberapa fase, pertama adalah menghilangkan noise yang bercampur dengan sinyal EEG menggunakan SSA. Selanjutnya ekstraksi fitur menggunakan PSD untuk diambil energi dari sinyalnya, dan terakhir diklasifikasi dengan CNN. Pengujian klasifikasi akan dilakukan ke 500 sinyal dengan target 5 kelas dan 3 kelas. Untuk mengetahui performa terhadap metode yang diusulkan, akan dilakukan pengujian antara gabungan PSD dengan CNN yang akan dibandingkan dengan gabungan SSA, PSD dan CNN.Berdasarkan hasil uji coba, metode diusulkan yaitu SSA, PSD dan CNN dapat meningkatkan rata-rata hasil akurasi klasifikasi sebesar 1,2% dari 93,2% menjadi 94,4%, untuk kasus 3 kelas dan meningkatkan 13,4% dari 78,6% menjadi 92%, untuk kasus 5 kelas dibandingkan metode PSD dengan CNN
PEMODELAN ELEARNING PERGURUAN TINGGI DENGAN MENGGUNAKAN FRAMEWORK LEARNING TECHNOLOGY SYSTEM ARCHITECTURE (LTSA) DAN UNIFIED MODELING LANGUAGE (UML)
Get PDFSaat ini, perguruan tinggi sebagai motor pencerdas bangsa dituntut untuk lebih melek dengan perkembangan informasi teknologi, perkembangan peralatan komunikasi dan jaringan internet berkecepatan tinggi saat ini. Pendidikan di perguruan tinggi dituntut untuk mampu mengarahkan mahasiswa untuk lebih mandiri dan mampu menggunakan teknologi pembelajaran elearning, yang pada akhirnya akan mempengaruhi kemampuan mahasiswa ketika bekerja dan terjun ke dalam masyarakat. Pengembangan sebuah Elearning sebagai sebuah software aplikasi dapat dilakukan dengan berbagai macam metodologi atau framework dan salah satunya adalah framework Learning Technology System Architecture (LTSA) yang merupakan standar 1484.1-2013 dari Institute of Electrical and Electronics Engineers (IEEE) untuk teknologi pembelajaran. Standar IEEE 1484.1-2013 dikembangkan oleh IEEE Learning Technology Standards Committee (LTSC) yang merupakan bagian dari IEEE Computer Society dan diterbitkan pada tahun 2013. Pengembangan elearning dengan framework LTSA akan menerapkan atau memetakan komponen proses dan penyimpanan data pada LTSA dengan menggunakan metode pengembangan berorientasi obyek yang disebut Unified Modeling Language (UML). Penerapan framework LTSA dalam mengembangkan elearning dibatasi pada penggunaan beberapa diagram pada UML seperti sequence diagram, use case diagram, class diagram, package diagram, activity diagram dan component diagram. Penggunaan UML pada pengembangan elearning dengan menggunakan framework LTSA diharapkan dapat memberikan pencerahan bagaimana membangun sebuah elearning dengan paradigma berorientasi obyek. Beberapa contoh penerapan diagram UML dalam pengembangan elearning diberikan sebagai gambaran bagaimana sebuah elearning dikembangkan dengan framework LTSA. Pada akhirnya perguruan tinggi yang mengabaikan teknologi dalam proses pembelajaran akan tidak menarik dan ditinggalkan oleh masyarakat yang semakin peduli dan menikmati teknologi sebagai bagian dari kehidupan manusia
KLASIFIKASI ULASAN APLIKASI PADA TOKO APLIKASI BERGERAK DENGAN MEMANFAATKAN ISSUE TRACKER GITHUB
Get PDFDengan semakin maraknya aplikasi untuk perangkat begerak, membuat para pengembang harus berkompetisi untuk membuat aplikasi sesuai dengan keinginan pengguna. Ulasan pengguna pada suatu aplikasi, adalah salah satu cara untuk mencapainya. Terdapat penelitian yang memanfaatkan ulasan tersebut, yaitu rekomendasi fitur aplikasi untuk pengembang. Penelitian tersebut mengekstraksi fitur aplikasi dari suatu ulasan dan mengklasifikasi kedalam dua tipe, yaitu laporan kesalahan atau permintaan fitur. Pada proses klasifikasi, dataset yang dipakai berasal dari hasil penelusuran ulasan toko aplikasi bergerak Google Play dan IOS App Store. Kekurangan dari dataset tersebut adalah perlunya pelabelan manual oleh para ahli, dimana hal tersebut membutuhkan waktu yang tidak sedikit, selain itu data yang dihasilkan tidak terlalu banyak. Sehingga hal tersebut akan berpengaruh pada hasil akurasi. Penelitian ini mengusulkan penggunaan dataset berlabel dari sumber lain yang jumlahnya melimpah, yaitu judul dari issue pada repository perangkat lunak terbuka Github, yang mana dataset tersebut akan digunakan sebagai data latih. Tujuan dari penelitian yang diusulkan adalah untuk mengetahui apakah penggunaan data dari sumber lain dapat dipakai sebagai dataset latih dengan akurasi yang lebih baik atau tidak. Dari hasil penelitian diharapkan keterlibatan ahli dalam proses pelabelan dapat dihilangkan. Selain itu, diharapkan model klasifikasi tersebut dapat digunakan untuk klasifikasi dengan domain yang lebih luas, misalnya klasifikasi perangkat lunak desktop. Metode klasifikasi yang dipakai adalah naïve bayes, karena telah dibuktikan pada penelitian sebelumnya, bahwa metode naïve bayes menghasilkan akurasi yang lebih tinggi daripada decision tree dan Max Ent. Hasil Penelitian menunjukkan bahwa model yang diusulkan menghasilkan precision sebesar 61-69% dan recall sebesar 30-88
ANALISIS PERBANDINGAN KECERDASAN BUATAN PADA COMPUTER PLAYER DALAM MENGAMBIL KEPUTUSAN PADA GAME BATTLE RPG
Get PDFPemanfaatan kecerdasan buatan telah diimplementasikan kedalam banyak hal, salah satunya adalah game. Secara umum tujuan dibuatnya game adalah untuk membuat pengguna menjadi terhibur dan merasakan kesenangan ketika sedang atau telah bermain. Kecerdasan buatan di dalam game dibutuhkan untuk meningkatkan tantangan di dalam game dan membuat game menjadi lebih dinamis dan terarah. Sehingga akan menciptakan kesenangan bagi pengguna pada saat dan setelah memainkan game. Beberapa penerapan kecerdasan buatan di dalam game diantaranya adalah dengan menggunakan metode Support Vector Machine (SVM). Dalam beberapa kasus game ada juga yang menggunakan metode Decision tree yang akan mengatur perilaku computer player di dalam permainan. Metode yang lebih sederhana untuk mengatur perilaku computer player yaitu Rulebase. Pada penelitian ini akan dilakukan perbandingan kecerdasan buatan untuk mengatur perilaku computer player di dalam game Role-Playing Game (RPG). Yang dimaksud computer player pada penelitian ini adalah pemain atau karakter yang dijalankan oleh sistem di dalam game.Tujuan dilakukannya perbandingan tersebut adalah untuk mengetahui metode kecerdasan buatan manakah yang paling baik diterapkan pada game berjenis battle RPG. Metode yang digunakan untuk menguji kecerdasan buatan yang diterapkan pada game battle RPG ini adalah dengan menggunakan skenario pertandingan.Berdasarkan analisis yang telah dilakukan didapatkan hasil bahwa kecerdasan buatan dengan menggunakan metode SVM memiliki keunggulan dalam faktor jumlah kemenangan. Hal ini dibuktikan dengan persentase kemenangan metode SVM sebesar 72.5%, Decision tree sebesar 50% dan Rulebase sebesar 22.5%. Berdasarkan data tersebut dapat disimpulkan bahwa pada penelitian ini metode SVM adalah metode pengambilan keputusan yang paling baik dibandingkan dengan metode decision tree dan Rulebase
KLASIFIKASI SEL SERVIKS PADA CITRA PAP SMEAR BERDASARKAN FITUR BENTUK DESKRIPTOR REGIONAL DAN FITUR TEKSTUR UNIFORM ROTATED LOCAL BINARY PATTERN
Get PDFPerubahan orientasi objek pada saat akuisisi memerlukan metode ekstraksi fitur yang invariant terhadap rotasi. Ekstraksi fitur tekstur yang telah digunakan dalam kombinasi fitur sebelumnya untuk klasifikasi sel serviks pada dataset Herlev antara lain homogenitas GLCM dan Local Binary Pattern Histogram Fourier (LBP-HF). Namun perhitungan GLCM sensitif terhadap rotasi dan transformasi fourier LBP-HF mengabaikan penataan struktur histogram dengan hanya mempertimbangkan magnitude spektrum transformasi sehingga kehilangan beberapa informasi diskriminatif dan informasi frekuensi citra.Penelitian ini mengusulkan kombinasi fitur bentuk deskriptor regional dan fitur tekstur Uniform Rotated Local Binary Pattern (uRLBP). uRLBP merupakan metode ekstraksi fitur yang dapat mengatasi kelemahan metode tekstur sebelumnya dengan mengatur arah referensi lokal yang dapat mempertahankan informasi orientasi lokal dan informasi diskriminatif citra sehingga mencapai invariant terhadap rotasi. Pengujian dilakukan dengan membandingkan hasil klasifikasi metode yang diusulkan dengan metode pada penelitian sebelumnya dalam melakukan klasifikasi sel serviks pada citra pap smear.Hasil pengujian menunjukkan bahwa metode yang diusulkan mampu mengklasifikasikan sel serviks lebih optimal dibandingkan metode kombinasi fitur bentuk & fitur tekstur homogenitas GLCM dan metode kombinasi fitur bentuk & fitur tekstur LBP-HF. Nilai akurasi menggunakan metode klasifikasi Fuzzy k-NN adalah 91.59% untuk dua kategori sel dan 67.89% untuk tujuh kelas sel
FITUR BERBASIS FRAKTAL DARI KOEFISIEN WAVELET UNTUK KLASIFIKASI CITRA DAUN
Get PDFSemakin banyak dan beragamnya jenis tanaman di dunia mengakibatkan semakin sulit untuk mengidentifikasi dan mengklasifikasi tanaman secara manual. Daun merupakan bagian dari tanaman yang sering dipakai untuk identifikasi dan klasifikasi tanaman. Metode klasifikasi daun secara automatis telah banyak dikembangkan oleh para peneliti. Pada penelitian sebelumnya sistem klasifikasi daun otomatis dibangun menggunakan fitur berbasis fraktal yaitu dimensi fraktal dan lacunarity. Sistem klasifikasi daun otomatis berbasis dimensi fraktal dan lacunarity dapat mengklasifikasi daun dengan akurasi tinggi namun memerlukan banyak langkah preprocessing sehingga mengakibatkan komputasi sistem meningkat. Pada penelitian ini diusulkan penggunaan metode praproses dan ekstraksi wavelet pada ekstraksi fitur citra daun. Ekstraksi fitur menggunakan teknik perhitungan statistika sederhana pada koefisien wavelet sehingga komputasi menjadi lebih ringan. Hasil ekstraksi fitur citra daun akan menjadi data masukan untuk sistem klasifikasi Support Vector Machine (SVM). Hasil eksperimen menunjukkan bahwa metode ekstraksi fitur statistik pada dekomposisi wavelet lebih unggul dibandingkan dengan metode ekstraksi fitur berbasis fraktal (dimensi fraktal dan lacunarity) dari penelitian sebelumnya dengan akurasi 96.66% dan waktu komputasi 329.33 detik
OPTIMASI DAYA DATA CENTER CLOUD COMPUTING PADA WORKLOAD HIGH PERFORMANCE COMPUTING (HPC) DENGAN SCHEDULING PREDIKTIF SECARA REALTIME
Get PDFTantangan terbesar yang muncul pada data center cloud computing adalah meningkatnya biaya konsumsi daya. Pengembangan data center akan bertolak belakang dengan penghematan daya, semakin tinggi performa sebuah data center, maka semakin tinggi pula konsumsi energi yang dibutuhkan, hal ini disebabkan oleh kebutuhan jumlah server ataupun hardware pada data center yang semakin meningkat. Data center cloud computing yang berbasis High Performance Computing (HPC) merupakan sebuah teknologi yang dibangun dari kumpulan server dalam jumlah besar untuk menjamin ketersediaan tinggi dari sebuah cloud computing, namun sebenarnya beberapa server tersebut hanya direncanakan untuk beban puncak yang jarang atau tidak pernah ter-jadi. Ketika beban pada titik terendah, maka server tersebut akan berada dalam kondisi idle. Optimasi daya dengan DNS (Dynamics Shutdown) dengan memanfaatkan kondisi beban rendah server dapat menjadi solusi yang tepat untuk mengurangi konsumsi daya pada data center. Namun jika optimasi tersebut dilakukan dengan konvensional dan hanya berdasarkan data realtime, maka kemungkinan besar akan berpengaruh terhadap performa data center. Optimasi yang dilakukan pada penelitian ini adalah dengan metode prediksi menggunakan moving average untuk menentukan penjadwalan DNS. Hasil pengujian dengan komputer virtual menunjukkan bahwa dengan metode prediksi dapat mengurangi konsumsi daya sebesar 1,14 Watt dibandingkan dengan metode konvensional
SISTEM REKOMENDASI LAGU BERDASARKAN JENIS SUARA PENYANYI PADA APLIKASI KARAOKE
Get PDFKaraoke merupakan salah satu hiburan yang populer sebagai sarana refreshing. Dalam perkembangannya, karaoke pun telah banyak hadir dalam bentuk aplikasi. Namun, permasalahan yang sering muncul pada saat bernyanyi karaoke adalah ada kalanya nada pada lagu yang dinyanyikan terlalu tinggi atau terlalu rendah dari suara penyamyi sehingga menimbulkan suara sumbang (fals). Permasalahan ini muncul karena banyak orang yang belum mengetahui jenis suara yang dimilikinya. Namun aplikasi karaoke yang ada saat ini, belum ada yang mengakomodasi permasalahan tersebut. Untuk mengatasi hal tersebut, pada penelitian ini diusulkan solusi berupa aplikasi karaoke yang dapat mendeteksi jenis suara pengguna dan memberikan rekomendasi lagu yang sesuai dengan jenis suara pengguna tersebut. Proses pertama yang dilakukan adalah pengolahan suara pengguna, kemudian dilakukan analisis frekuensi pada suara tersebut. Frekuensi yang didapat selanjutnya dipetakan ke dalam rentang nada pada jenis suara untuk menentukan jenis suara penyanyi. Selanjutnya, sistem menampilkan daftar rekomendasi lagu yang sesuai dengan jenis suara pengguna tersebut. Berdasarkan eksperimen yang dilakukan, aplikasi yang diusulkan berhasil melakukan pendeteksian jenis suara dan memberikan rekomendasi lagu yang sesuai dengan jenis suara pengguna