JUTI: Jurnal Ilmiah Teknologi Informasi
Not a member yet
407 research outputs found
Sort by
PENGGABUNGAN KEPUTUSAN PADA KLASIFIKASI MULTI-LABEL
Get PDFKlasifikasi adalah bagian dari sistem pembelajar yang fokus pada pemahaman pola melalui representasi dan generalisasi data. Penentuan prediksi hasil klasifikasi terbaik menjadi masalah jika terdapat beberapa masukan dari metode yang berbeda-beda pada lingkungan data yang heterogen. Penggabungan keputusan dapat digunakan untuk menentukan rekomendasi keluaran beberapa metode klasifikasi. Kami memilih pendekatan voting dan meta-learning sebagai metode penggabungan keputusan. Ada dua fase yang dilakukan pada penelitian ini, yaitu fase pembangunan prediksi oleh metode klasifikasi yang heterogen dan fase penggabungan rekomendasi metode-metode tersebut menjadi satu kesimpulan jawaban. Karakteristik klasifikasi yang menjadi fokus adalah klasifikasi multi-label. Binary Relevance (BR), Classifier Chains (CC), Hierarchichal of Multi-label Classifier (HOMER), dan Multi-label k Nearest Neighbors (MLkNN) adalah metode klasifikasi yang digunakan sebagai penyedia rekomendasi prediksi melalui pendekatan yang berbeda-beda. Pada fase penggabungan keputusan, metode Ignore diajukan sebagai pendekatan meta-learning. Ignore menggabungkan keputusan dengan cara mempelajari pola masukan dari sistem pembelajar. Untuk membandingkan kinerja Ignore, metode konsensus digunakan sebagai pendekatan voting. Hasil akhir menunjukkan bahwa Ignore memberikan hasil terbaik untuk parameter recall. Ignore memprediksi nilai false negative lebih sedikit dibandingkan dengan metode konsensus 0,5 dan 0,75. Hasil studi ini menunjukkan bahwa Ignore dapat digunakan sebagai meta-learning, meskipun kinerja Ignore harus diperbaiki agar dapat beradaptasi dengan data yang heterogen
PERBANDINGAN WAKTU DAN TINGKAT AKURASI PADA PENGENALAN WAJAH DENGAN DAN TANPA MENGGUNAKAN DEKOMPOSISI CITRA
Get PDFJumlah tindak pidana di Indonesia selama 10 tahun belakangan ini mengalami peningkatan yang sangat singinifikan, yakni hampir mencapai 34%. Meskipun jumlah tindak pidana itu meningkat, namun persentase dalam menyelesaikan ke-jahatan ini masih sangat kurang, hal ini dikarenakan jumlah penyelesaian tindak pidana terbesar selama 10 tahun belakangan ini hanya 64,70%. Hal ini yang menyebabkan sering meningkatnya jumlah tindak pidana di Indonesia, kare-na dari tahun ke tahun masih ada saja jumlah tindak pidana yang tidak terselesaikan. Kendala yang sering dihadapi dari penyelesaian ini adalah waktu untuk mengenali wajah dari pelaku tindak pidana. Seringkali pelaku tindak pidana itu menggunakan identitas wajah yang palsu sehingga membuat petugas membutuhkan waktu yang lama untuk mengenali wajah dari pelaku tersebut atau bahkan tidak mengenalipun secara kasat mata. Dalam hal ini penulis melakukan penelitian untuk membandingkan waktu pengenalan wajah dan tingkat akurasinya antara yang hanya dengan menggunakan metode eigenface, dengan yang menambahkan proses dekomposisi citra menggunakan wavelet pada pengenalan wajah tersebut. Hasil dari penelitian ini menunjukan bahwa waktu pengenalan terbaik yang diperoleh dengan menggunakan dekomposisi citra pada pengenalan wajah ini sebesar 441,5 ms pada citra berukuran 16x16 piksel, sedangkan yang memiliki tingkat akurasi yang terbaik diperoleh oleh citra yang tidak menggunakan dekomposisi citra dan menggunakan dekomposisi citra di ukuran 128x128 dan 64x64 yakni sebesar 70% . Berdasarkan waktu pengenalan dan tingkat akurasi yang dihasilkan dalam peneltian ini, maka dapat ditarik kesimpulan bahwa dengan dekomposisi citra menggunakan wavelet dan metode eigenface, dapat memperbaiki pada waktu pengenalan tetapi dapat menurunkan ting-kat akurasi pada dekomposisi tingkat kedua dan ketiga dalam melakukan pengenalan wajah
DESAIN DAN ANALISIS PROTOKOL PENGIRIMAN DATA TRANSFORMASI SIDIK JARI MENGGUNAKAN PEWARNAAN GRAF
Get PDFSidik jari merupakan salah satu biometrik yang digunakan secara luas untuk otentikasi pengguna. Karakteristik sidik jari adalah permanen dan melekat kepada pengguna sehingga data sidik jari tidak boleh diketahui oleh orang lain. Salah satu metode pengamanan data sidik jari yaitu dengan melakukan transformasi pada fitur sidik jari, transformasi menghasilkan data lain yang tidak dapat dikembalikan ke bentuk asal, kemudian data dikirimkan ke server untuk dicocokkan dengan basis data. Transfer data menimbulkan celah keamanan bocornya data hasil transformasi sehingga dimungkinkan dapat dianalisa dan disusun kembali menjadi data fitur sidik jari. Pada penelitian ini diusulkan sebuah protokol untuk mengamankan pengiriman data hasil transformasi sidik jari dengan menggunakan pewarnaan graf pada proses enkripsi dan dekripsi. Protokol ini diawali dengan pertukaran bilangan kunci antara server dengan client, bilangan kunci yang disepakati digunakan untuk mengacak IV, selanjutnya proses enkripsi dan deskripsi menggunakan graf yang telah diwarnai dengan IV teracak. Dari hasil analisis dan percobaan yang dilakukan, protokol yang diusulkan mampu mencapai kecepatan enkripsi 0.0160 milidetik dan dekripsi 0.0264 milidetik untuk data sebesar 512 byte dengan peluang maksimum data dapat dipecahkan sebesar 3.719933267899012 x 10^4
SEGMENTASI PENYAKIT PADA CITRA DAUN TEBU MENGGUNAKAN FUZZY C MEANS – SUPPORT VECTOR MACHINE DENGAN FITUR WARNA a*
Get PDFPenyakit pada pertanian tebu harus segera diatasi agar diperoleh peningkatan produktivitas. Deteksi penyakit yang secara manual dilakukan oleh ahli membutuhkan waktu dan biaya yang tinggi. Oleh karena itu, diperlukan otomatisasi sistem untuk mendeteksi penyakit pada tanaman tebu. Penelitian ini bertujuan untuk membangun sistem yang secara otomatis mampu melakukan segmentasi citra daun tebu berpenyakit menggunakan Fuzzy C Means (FCM)-Support Vector Machine (SVM) dengan fitur warna a*. Kombinasi FCM-SVM dapat meningkatkan akurasi pada proses segmentasi dengan karakteristik penyakit daun tebu dengan pencahayaan yang tak seimbang akibat pengambilan secara outdoor. Segmentasi citra daun tebu berpenyakit memiliki beberapa tahapan yaitu praproses, pemilihan region of interest (ROI), ekstraksi fitur, dan segmentasi. Tahap praproses melakukan pengambilan bagian tulang daun serta penghapusan bagian tulang daun, kemudian pemilihan ROI menunjukan dominasi area penyakit pada daun menggunakan overlapping window seluas 100x100 pixel. Metode kombinasi FCM dan SVM digunakan untuk segmentasi daun tebu berpenyakit, dimana FCM digunakan untuk segmentasi daun tebu pada data training. Hasil segmentasi tersebut digunakan sebagai label data pada tahap kedua bersama dengan data testing menggunakan metode klasifikasi SVM. Metode segmentasi yang diusulkan mampu menunjukkan rata-rata akurasi yang tinggi pada 30 citra daun tebu berpenyakit, yaitu sebesar76%. Sistem yang dibangun selanjutnya digunakan pada deteksi penyakit sebagai referensi untuk ketepatan permasalahan pertanian yang membutuhkan sistem deteksi penyakit sejak dini
EMPIRICAL STUDY OF CAR LICENSE PLATES RECOGNITION
Get PDFThe number of vehicles on the road has increased drastically in recent years. The license plate is an identity card for a vehicle. It can map to the owner and further information about vehicle. License plate information is useful to help traffic management systems. For example, traffic management systems can check for vehicles moving at speeds not permitted by law and can also be installed in parking areas to se-cure the entrance or exit way for vehicles. License plate recognition algorithms have been proposed by many researchers. License plate recognition requires license plate detection, segmentation, and charac-ters recognition. The algorithm detects the position of a license plate and extracts the characters. Various license plate recognition algorithms have been implemented, and each algorithm has its strengths and weaknesses. In this research, I implement three algorithms for detecting license plates, three algorithms for segmenting license plates, and two algorithms for recognizing license plate characters. I evaluate each of these algorithms on the same two datasets, one from Greece and one from Thailand. For detecting li-cense plates, the best result is obtained by a Haar cascade algorithm. After the best result of license plate detection is obtained, for the segmentation part a Laplacian based method has the highest accuracy. Last, the license plate recognition experiment shows that a neural network has better accuracy than other algo-rithm. I summarize and analyze the overall performance of each method for comparison
PENGEMBANGAN PENCEGAHAN SERANGAN DISTRIBUTED DENIAL OF SERVICE (DDOS) PADA SUMBER DAYA JARINGAN DENGAN INTEGRASI NETWORK BEHAVIOR ANALYSIS DAN CLIENT PUZZLE
Get PDFDenial of Service (DoS) merupakan permasalahan keamanan jaringan yang sampai saat ini terus berkembang secara dinamis. Semakin tinggi kemampuan komputasi suatu komputer penyerang, serangan DoS yang dapat dihasilkan juga semakin membahayakan. Serangan ini dapat mengakibatkan ketidakmampuan server untuk melayani service request yang sah. Karena itu serangan DoS sangat merugikan dan perlu diberikan pencegahan yang efektif. Ancaman berikutnya yang juga sangat membahayakan adalah Distributed Denial of Service (DDoS), dimana serangan ini memanfaatkan sejumlah besar komputer untuk menjalankan serangan DoS kepada server, web service, atau sumber daya jaringan lain. Mengingat resiko besar yang diakibatkan serangan DDoS ini, banyak peneliti yang terdorong untuk merancang mekanisme penga-manan sumber daya jaringan.
Pada penelitian ini, penulis mengkhususkan pokok permasalahan pada pengamanan web service. Penulis mengemuka-kan sebuah mekanisme untuk mengamankan web service dengan cara melakukan filtrasi dan validasi permintaan yang diterima untuk mengakses sumber daya jaringan. Filtrasi dan validasi ini dilakukan dengan gabungan metode Network Behavior Analysis (NBA) dan Client Puzzle (CP). Metode NBA menjadi lapisan pertahanan pertama untuk mendeteksi apakah sedang terjadi serangan DDoS dengan mengukur tingkat kepadatan jaringan/Network density. Dari metode NBA, didapatkan IP Address yang perlu divalidasi dengan metode CP sebagai lapisan pertahanan kedua. Apabila suatu service request sudah berhasil melewati proses filtrasi dan validasi ini, maka service request ini baru akan dilayani.
Dari hasil percobaan, terbukti metode ini dapat mendeteksi serangan DDoS sekaligus menjamin bahwa service request yang sah mendapat pelayanan yang seharusnya sehingga server dapat melayani service request dengan baik
EKSTRAKSI KATA KUNCI BERDASARKAN HIPERNIM DENGAN INISIALISASI KLASTER MENGGUNAKAN FUZZY ASSOCIATION RULE MINING PADA PENGELOMPOKAN DOKUMEN
Get PDFPertumbuhan dunia digital dalam dokumen tekstual terutama di World Wide Web mengalami pertumbuhan pesat. Pen-ingkatan dokumen tekstual ini menyebabkan terjadinya penumpukan informasi, sehingga diperlukan sebuah pengorgan-isasian yang efisien untuk pengelolaan dokumen tekstual. Salah satu metode yang dapat mengelompokkan dokumen dengan tepat adalah menggunakan fuzzy association rule. Tahap ekstraksi kata kunci serta tipe fuzzy yang digunakan berpengaruh terhadap kualitas pengelompokan dokumen. Penggunaan hipernim dalam ekstraksi kata kunci untuk mendapatkan suatu klaster label dapat memperluas makna dari klaster label, sehingga dapat diperoleh suatu meaningful klaster label, selain itu ambiguitas dan uncertainties yang terjadi di dalam aturan fuzzy logic systems (FLS) tipe-1 dapat diatasi dengan fuzzy set tipe-2. Penelitian ini mengusulkan sebuah metode yaitu ekstraksi kata kunci berdasarkan hipernim dengan inisialisasi klaster menggunakan fuzzy association rule mining pada pengelompokan dokumen. Metode ini terdiri dari empat tahap, yaitu : preprocessing dokumen, ekstraksi key terms dari hipernim, ekstraksi kandidat klaster, dan konstruksi klaster tree. Pengujian terhadap metode ini dilakukan dengan tiga jenis data berbeda, yaitu Classic, Reuters, dan 20 Newsgroup. Pengujian dilakukan dengan membandingkan nilai overall f-measure dari metode tanpa hipernim (level 0), hipernim level 1, dan hipernim level 2. Berdasarkan pengujian didapatkan bahwa penggunaan hipernim dalam ektraksi kata kunci mampu menghasilkan rata-rata overall f-measure sebesar 0.5783 untuk data classic, 0.4001 untuk data reuters, dan 0.5269 untuk data 20 newsgroup
PEMILIHAN KATA KUNCI UNTUK DETEKSI KEJADIAN TRIVIAL PADA DOKUMEN TWITTER MENGGUNAKAN AUTOCORRELATION WAVELET COEFFICIENTS
Get PDFABSTRAK
Pada penelitian ini diajukan sebuah sistem pendeteksian kejadian yang berulang secara periodik (trivial) dengan pem-ilihan kata kunci kejadian penting menggunakan perhitungan korelasi (autocorrelation) pada wavelet coefficient. Pem-ilihan kata kunci dilakukan untuk menemukan kata yang berulang secara periodik yang dianggap sebagai kejadian trivi-al. Hasil penelitian menunjukkan pemilihan kata kunci dengan nilai confidence boundary yang paling optimal adalah 0.20 pada nilai autocorrelation sebesar 31. Proses yang dilakukan oleh pengguna untuk menemukan kata kunci dari sua-tu kejadian, secara manual pengguna harus membaca banyak tweet dalam jumlah tertentu. Kata kunci yang merepresen-tasikan suatu kejadian penting menentukan tingkat penting atau tidaknya suatu kejadian. Pengguna twitter memiliki keterbatasan untuk membaca seluruh tweet yang ada untuk mengetahui adanya suatu kejadian. Sistem deteksi kejadian pada twitter telah dilakukan oleh para peneliti dalam bidang analisis sosial media. Pendeteksian kejadian trivial atau tidak penting yang terpisah dari kejadian penting diperlukan untuk memisahkan dua kejadian tersebut. Proses eliminasi terhadap kejadian trivial akan menyisakan tweet kejadian penting. Salah satu kejadian trivial adalah kejadian yang ber-ulang secara periodik dimana membutuhkan suatu cara spesifik untuk mendeteksi kemunculannya. Pendeteksian kejadian dilakukan dengan memanfaatkan pola-pola temporal atau sinyal dari data Twitter dalam bentuk sinyal wavelet untuk mendeteksi kemunculan kejadian penting. Pada penelitian ini melakukan pendeteksian kejadian yang berulang secara periodik dengan pemilihan kata kunci untuk kejadian penting.
Sistem pendeteksian kejadian penting melakukan perhitungan terhadap autocorrelation pada koefisien wavelet. Hasil perhitungan menunjukkan bahwa pemilihan kata kunci paling optimal pada nilai confidence boundary sebesar 0.20 dan nilai autocorrelation sebesar 31
PENGEMBANGAN METODE SELEKSI TITIK MINUTIAE PADA SIDIK JARI DENGAN RADIUS KETETANGGAAN
Get PDFSidik jari sebagai sarana otentikasi sudah banyak digunakan dalam berbagai sistem, baik untuk memberi akses ke da-lam sebuah sistem maupun hanya sebagai pencatat kehadiran. Seiring semakin banyaknya penerapan tersebut, keamanan data sidik jari menjadi tantangan tersendiri. Sejumlah metode telah dipelajari untuk mengamankan data sidik jari, mulai dari teknik enkripsi konvensional hingga teknik transformasi. Metode transformasi data sidik jari merupakan sebuah teknik yang menerapkan suatu fungsi transformasi pada data sidik jari secara searah sehingga kemungkinan untuk dikembalikan ke dalam bentuk aslinya nyaris mustahil, namun tetap dapat dilakukan pencocokan dengan tingkat akurasi yang cukup tinggi. Tujuan dari penelitian ini adalah untuk menghasilkan template sidik jari yang memiliki akurasi yang tinggi pada saat proses pencocokan. Salah satu proses dalam pembuatan template sidik jari yang dapat mempengaruhi tingkat akurasi adalah proses seleksi titik minutiae yang merupakan proses paling awal. Maka dalam penulisan ini di-usulkan sebuah mekanisme seleksi titik yang baru dengan memanfaatkan proses seleksi dari metode pair-polar sebagai seleksi titik referensi kemudian menambahkan proses seleksi titik ketetanggaan yang dibatasi dengan radius tertentu dari titik referensi. Hasil uji coba menunjukkan bahwa metode seleksi yang diusulkan mampu menekan kesalahan identifikasi sehingga dapat disimpulkan sebagai penmeningkatkan akurasi secara keseluruhan
QUERY RESPONSE TIME COMPARISON NOSQLDB MONGODB WITH SQLDB ORACLE
Get PDFPenyimpanan data saat ini terdapat dua jenis yakni relational database dan non-relational database. Kedua jenis DBMS (Database Managemnet System) tersebut berbeda dalam berbagai aspek seperti per-formansi eksekusi query, scalability, reliability maupun struktur penyimpanan data. Kajian ini memiliki tujuan untuk mengetahui perbandingan performansi DBMS antara Oracle sebagai jenis relational data-base dan MongoDB sebagai jenis non-relational database dalam mengolah data terstruktur. Eksperimen dilakukan untuk mengetahui perbandingan performansi kedua DBMS tersebut untuk operasi insert, select, update dan delete dengan menggunakan query sederhana maupun kompleks pada database Northwind. Untuk mencapai tujuan eksperimen, 18 query yang terdiri dari 2 insert query, 10 select query, 2 update query dan 2 delete query dieksekusi. Query dieksekusi melalui sebuah aplikasi .Net yang dibangun sebagai perantara antara user dengan basis data. Eksperimen dilakukan pada tabel dengan atau tanpa relasi pada Oracle dan embedded atau bukan embedded dokumen pada MongoDB. Response time untuk setiap eksekusi query dibandingkan dengan menggunakan metode statistik. Eksperimen menunjukkan response time query untuk proses select, insert, dan update pada MongoDB lebih cepatdaripada Oracle. MongoDB lebih cepat 64.8 % untuk select query;MongoDB lebihcepat 72.8 % untuk insert query dan MongoDB lebih cepat 33.9 % untuk update query. Pada delete query, Oracle lebih cepat 96.8 % daripada MongoDB untuk table yang berelasi, tetapi MongoDB lebih cepat 83.8 % daripada Oracle untuk table yang tidak memiliki relasi.Untuk query kompleks dengan Map Reduce pada MongoDB lebih lambat 97.6% daripada kompleks query dengan aggregate function pada Oracle