Jurnal Komputer Terapan
Not a member yet
223 research outputs found
Sort by
Implementasi OCR dengan Metode Autoencoder pada Aplikasi Bukutamu berbasis WEB
No full textA guestbook is a tool to record the identities of visitors who come to a place or event such as weddings, birthday celebrations, parties etc. Not just recording, the guestbook also functions as evidence and traces to avoid something unwanted. So it is not surprising that in some places it is required to submit an identity card such as a KTP when filling out a guestbook to be allowed to enter the place. KTP itself is an identity card that contains data such as name, place, date of birth etc. The data contained in the KTP can be utilized in the guestbook filling process so that officers only need to take a picture of the KTP and visitor data will be filled in automatically with the help of optical character recognition (OCR). To get a good OCR result, an image with clear words is needed, its position is not tilted and its size is not too small. Therefore, various preprocessing steps are needed before performing the OCR process, one of which is by applying denoise using the Autoencoder which has succeeded in making the image cleaner and the OCR results become more accurate.Bukutamu adalah alat untuk mencatat identitas pengunjung yang datang kesuatu tempat atau acara seperti acara pernikahan, perayaan ulang tahun, pesta dll. Tidak hanya sekedar mencatat, bukutamu juga berfungsi sebagai bukti dan jejak untuk menghindari terjadinya sesuatu yang tidak diinginkan. Sehingga tidak heran dibeberapat tempat diharuskan untuk menyerahkan kartu identitas seperti KTP saat mengisi bukutamu agar diperbolehkan masuk ketempat tersebut. KTP sendiri merupakan kartu identitas yang berisi data nama, tempat, tanggal lahir dll. Data yang tercantum dalam KTP tersebut dapat dimanfaatkan dalam proses pengisian bukutamu sehingga petugas hanya perlu mengambil gambar KTP tersebut dan data pengunjung akan terisi secara otomatis dengan bantuan optical character recognition(OCR). Untuk mendapatkan hasil OCR yang baik diperlukan gambar dengan tulisan yang jelas, posisinya yang tidak miring dan ukurannya yang tidak terlalu kecil. Oleh karna itu diperlukan berbagai tahap preprocessing sebelum melakukan proses OCR, salah satunya dengan menerapkan denoise menggunakan metode Autoencoder yang berhasil membuat gambar lebih bersih dan hasil OCR menjadi lebih akurat
Penentuan Penerima Bantuan Sosial Dana Desa Dengan Sistem Pendukung Keputusan Menggunakan Simple Additive Weighting Method
Get PDFThe government has prepared social assistance for those affected by Covid-19, such as subsidized electricity tariffs for 450VA and 900VA, pre-employment card program, presidential assistance for productive micro-enterprises, subsidized assistance for workers\u27 wages below Rp. 5,000,000., - as a BPJSTK participant, Jabodetabek basic food assistance, cash assistance outside Jabodetabek, Non PKH basic food card program assistance, distribution of cooperative loans through the KUMKM Revolving Fund Management Agency, as well as direct cash assistance from village funds. The main requirements are that the head of the neighborhood association and community unit has registered, lost their livelihood in the midst of the Covid-19 pandemic and is not registered as a recipient of other social assistance from the central government. However, in the field, it does not meet the expectations of the community, because it is considered not right on target. There needs to be a re-evaluation of the assistance program so that it is more targeted because it is not in accordance with the previous government\u27s planning. by utilizing the Simple Additive Weighting Method, it can make it easier for the village government to determine the recipients of village fund social assistance. The results of existing calculations can be implemented on the previous platform (Web Based).Pemerintah menyiapkan bantuan sosial yang terkena dampak Covid-19 seperti subsidi tarif listrik bagi 450VA dan 900VA, program kartu prakerja, bantuan presiden produktif usaha mikro, bantuan subsidi upah pekerja dibawah penghasilan Rp. 5.000.000.,- sebagai peserta BPJSTK, bantuan sembako jabodetabek, bantuan tunai luar jabodetabek, bantuan program kartu sembako Non PKH, penyaluran pinjaman koperasi melalui Lembaga Pengelolaan Dana Bergulir KUMKM, serta bantuan langsung tunai dana desa. Syarat utamanya adalah terdata oleh ketua rukun tetangga dan rukun warga, kehilangan mata pencaharian ditengah Pandemic Covid-19 dan tidak terdaftar penerima bantuan sosial lain dari pemerintah pusat. Namun saat dilapangan tidak sesuai ekspektasi masyarakat, karena dianggap tidak tepat sasaran. Perlu adanya evaluasi kembali terkait program bantuan tersebut sehingga lebih tepat sasaran karena sudah tidak sesuai perencanaan pemerintah sebelumnya. dengan memanfaatkan Metode Simple Additive Weighting dapat mempermudah pemerintah desa untuk menentukan penerima bantuan sosial dana desa. Hasil perhitungan yang sudah ada dapat diimplementasikan ke platform sebelumnya (Web Based)
Static Forensic Pada USB Mass Storage Menggunakan Forensics Toolkit Imager
Get PDFThe increase in the use of USB storage devices tends to be massive & exponential due to various aspects, one of which is the size and affordable price of USB storage devices. Currently, the quality of handling cybercrime in Indonesia is still minimal, starting with the problem of collecting evidence that tends to be incomplete, errors during the process of acquiring evidence to the most severe loss and damage to the evidence. Static Forensics is one type of digital forensics method that obtains digital evidence by extracting and analyzing it after an incident occurs, or after the computer system is turned off (post-incident). The NIST Framework is a reference for the digital evidence retrieval and processing process, which was developed by the National Institute of Standards and Technology. The results obtained from the analysis of digital evidence recovery using static forensics methods combined with the NIST framework can be applied properly and optimally. The test was carried out 20 times, with the results of the digital evidence recovery accuracy reaching 100% on the three devices. Therefore, a combination of methods, frameworks and related tools is recommended to process cases related to digital forensics, especially the digital evidence recovery process.Peningkatan penggunaan perangkat penyimpanan USB cenderung massif & eksponensial disebabkan berbagai aspek, salah satunya ukuran dan harga perangkat penyimpanan USB yang terjangkau. Saat ini kualitas penanganan cybercrime di Indonesia masih minim, dimulai dengan masalah pengumpulan barang bukti cenderung tidak lengkap, kesalahan saat proses akuisisi barang bukti hingga yang paling parah hilang serta rusaknya barang bukti tersebut. Static Forensics merupakan salah satu jenis metode dari forensik digital yang memperoleh bukti digital dengan melakukan ekstraksi serta analisis setelah insiden terjadi, ataupun setelah sistem komputer dimatikan (post-incident). NIST Framework merupakan sebuah acuan proses pengambilan serta pengolahan bukti digital, yang dikembangkan oleh Lembaga National Institute of Standards and Technology. Hasil yang diperoleh dari analisis recovery bukti digital metode static forensics dipadu dengan framework NIST dapat diterapkan dengan baik dan optimal. Dilakukan 20 kali pengujian, dengan hasil akurasi recovery bukti digital mencapai 100% pada ketiga devices. Oleh sebab tersebut, perpaduan antara metode, framework, serta tools yang terkait direkomendasikan untuk memproses kasus yang berkaitan dengan digital forensics khususnya proses recovery bukti digital
Implementasi Ekstraksi Fitur untuk Pengelompokan Dokumen Proposal Menggunakan Algoritma NaΓΒ―ve Bayes
Get PDFText mining is the process of discovering new, previously unknown information from several text documents. Text mining can be applied to the fields of information extraction, topic tracking, document summarization, document categorization or grouping, concept linking or question answering systems. One thing that is often done in implementing text mining is information extraction. Information extraction aims to extract information from unstructured documents into structured data, with the aim of making it easier to analyze the data. In this study, feature extraction will be used to extract features from the Community Service document, using the Frequent Itemset Mining (FIM) algorithm. The features taken are PKM Title, Abstract, Year of Service, Location, and research topic. After obtaining the features, the service topics will be grouped using the Naive Bayes algorithm. The results of this study were tested using a confusion matrix, with an accuracy of 70%. Factors that affect the accuracy results include the amount of training data, the distribution of training data, and the optimization of the algorithm usedText mining merupakan proses penemuan informasi yang baru yang belum diketahui sebelumnya dari beberapa dokumen teks. Text mining dapat diterapkan pada bidang ekstraksi informasi, pelacakan topik, perangkuman dokumen, membuat kategorisasi atau pengelompokan dokumen, concept linking atau question answering system. Salah satu yang sering dilakukan dalam mengimplementasikan text mining adalah ekstraksi informasi. Extraksi informasi bertujuan untuk mengambil informasi dari dokumen yang tidak terstruktur menjadi data yang terstruktur, dengan tujuan untuk memudahkan melakukan analisis dari data tersebut.Pada penelitian ini ektraksi fitur akan digunakan untuk mengambil fitur dari dokumen Pengabdian Masyarakat, dengan menggunakan algoritma Frequent Itemset Mining (FIM). Fitur yang diambil adalah Judul PKM, Abstrak, Tahun Pengabdian, Lokasi, dan topik penelitian. Setelah didapatkan fitur akan dilakukan pengelompokkan topik pengabdian dengan menggunakan algoritma Naive Bayes. Hasil dari penelitian ini dilakukan pengujian dengan confusion matrix, dengan hasil akurasi sebesar 70%. Faktor yang mempengaruhi hasil akurasi diantaranya adalah jumlah data training, sebaran data taining, dan optimasi algoritma yang digunaka
Implementation of Parallel Programming in One-Dimensional Electromagnetic Simulation with the FDTD Method
Get PDFSimulation of electromagnetic in 1D has been done using FDTD method. The simulation is conducted on some scenario, starting from one-dimensional free space, absorbing boundary condition in one dimension, propagation in a dielectric medium, simulating different sources, and propagation in a lossy dielectric medium. To accelerate calculation process, parallel programming technique is used on looping parts of simulation.Simulation of electromagnetic in 1D has been done using FDTD method. The simulation is conducted on some scenario, starting from one-dimensional free space, absorbing boundary condition in one dimension, propagation in a dielectric medium, simulating different sources, and propagation in a lossy dielectric medium. To accelerate calculation process, parallel programming technique is used on looping parts of simulation
Pemodelan Graf Pengetahuan di Kesehatan: Sebuah Analisis Bibliometrik
No full textHealthcare issues are currently the most researched issues worldwide. Many healthcare researchers collaborate with non-healthcare researchers to improve the quality of healthcare. The knowledge graph is a widely used computer science and mathematics approach to solve healthcare issues. It can model the relationship between events to build new knowledge. Hence, a comprehensive study on knowledge graph modeling in healthcare was conducted in this study. The research methodologies in this study were: (1) article retrieval and general bibliometric analysis; (2) visualization of research distribution; and (3) research recommendations. In the last three years, 867 articles were retrieved from three databases. The citation metrics analysis was also conducted to determine the quality level of articles retrieval. An analysis was conducted using network and density visualization related to the relationship between research topics and trends. The final results in this paper are recommendations for research topics and research titles related to knowledge graph modeling in healthcare.Masalah kesehatan saat ini merupakan masalah yang paling banyak diteliti di seluruh dunia. Banyak peneliti kesehatan berkolaborasi dengan peneliti non-kesehatan untuk meningkatkan kualitas kesehatan. Graf pengetahuan adalah pendekatan ilmu komputer dan matematika yang banyak digunakan untuk memecahkan masalah kesehatan. Graf pengetahuan dapat memodelkan hubungan antar peristiwa untuk membangun pengetahuan baru. Oleh karena itu, studi komprehensif tentang pemodelan grafik pengetahuan dalam perawatan kesehatan dilakukan dalam penelitian ini. Metodologi penelitian dalam penelitian ini adalah: (1) pencarian artikel dan analisis bibliometrik umum; (2) visualisasi distribusi penelitian; dan (3) rekomendasi penelitian. Dalam tiga tahun terakhir, 867 artikel diambil dari tiga database. Analisis metrik kutipan juga dilakukan untuk mengetahui tingkat kualitas temu kembali artikel. Analisis dilakukan dengan menggunakan visualisasi jaringan dan kepadatan terkait hubungan antara topik penelitian dan tren. Hasil akhir dalam makalah ini adalah rekomendasi topik penelitian dan judul penelitian terkait pemodelan graf pengetahuan di bidang kesehatan
Perbandingan Kinerja Ingress Controller Pada Kubernetes Menggunakan Traefik Dan Nginx
Get PDFPada perkembangan zaman saat ini banyak cara untuk mengekspos sebuah service pada server kubernetes agar dapat digunakan oleh client salah satunya NodePort dan LoadBalancer, tetapi mengekspos menggunakan NodePort dan Loadbalancer client harus tau semua IP Node dan semua IP LoadBalancer yang terespos ke public. Oleh karena itu, ingress hadir untuk memudahkan client mengakses service dengan hanya menggunakan domain ingress. Proyek akhir ini membandingkan latency, throughput, tingkat kecepatan server menyelesaikan request, pemakaian CPU dan pemakaian memori pada saat membuka halaman web, antara kube ingress traefik, kube ingress nginx dan kube tanpa ingress. Diperoleh hasil pengujian latency tertinggi yaitu 356103.5ms oleh Server Kubernetes cluster tanpa ingress (Loadbalancer) dan latency terendah yaitu 5954.1ms oleh Server Kubernetes cluster ingress traefik. Throughput tertinggi yaitu 3268.8 second oleh Server Kubernetes cluster ingress nginx dan Throughput terendah yaitu 11.1 second oleh Server Kubernetes cluster ingress traefik. Dalam pengujian menggunakan Apache Benchmark Server Kubernetes cluster ingress traefik dapat menyelesaikan 100, 300 dan 500 request client lebih dahulu dibandingkan kedua server lainnya. Dalam keadaan busy, pemakaian CPU tertinggi adalah server Kubernetes cluster ingress nginx yaitu 99%, pemakaian memory tertinggi adalah server Kubernetes cluster ingress traefik yaitu 46%Pada perkembangan zaman saat ini banyak cara untuk mengekspos sebuah service pada server kubernetes agar dapat digunakan oleh client salah satunya NodePort dan LoadBalancer, tetapi mengekspos menggunakan NodePort dan Loadbalancer client harus tau semua IP Node dan semua IP LoadBalancer yang terespos ke public. Oleh karena itu, ingress hadir untuk memudahkan client mengakses service dengan hanya menggunakan domain ingress. Proyek akhir ini membandingkan latency, throughput, tingkat kecepatan server menyelesaikan request, pemakaian CPU dan pemakaian memori pada saat membuka halaman web, antara kube ingress traefik, kube ingress nginx dan kube tanpa ingress. Diperoleh hasil pengujian latency tertinggi yaitu 356103.5ms oleh Server Kubernetes cluster tanpa ingress (Loadbalancer) dan latency terendah yaitu 5954.1ms oleh Server Kubernetes cluster ingress traefik. Throughput tertinggi yaitu 3268.8 second oleh Server Kubernetes cluster ingress nginx dan Throughput terendah yaitu 11.1 second oleh Server Kubernetes cluster ingress traefik. Dalam pengujian menggunakan Apache Benchmark Server Kubernetes cluster ingress traefik dapat menyelesaikan 100, 300 dan 500 request client lebih dahulu dibandingkan kedua server lainnya. Dalam keadaan busy, pemakaian CPU tertinggi adalah server Kubernetes cluster ingress nginx yaitu 99%, pemakaian memory tertinggi adalah server Kubernetes cluster ingress traefik yaitu 46%
Aplikasi Metode VIKOR untuk Menentukan Penerimaan Proposal Kegiatan Desa
Get PDFThe office of the Wali Nagari Simpang has a proposal for village activities. The evaluating proposals is carried out directly in the field and is done manually, so it is possible for errors to occur. For that we need a decision support system using the VIKOR method. The final result of the five proposals submitted with the specified criteria, provides a recommendation that the proposal Jembatan Kp. Batuang - Bukik Putuih is the best proposal and deserves to be fundedKantor Wali Nagari Simpang memiliki proposal kegiatan desa. Penilaian proposal dilakukan secara langsung ke lapangan dan dilakukan secara manual, sehingga menungkinkan terjadinya kesalahan. Untuk itu diperlukan sistem pendukung keputusan menggunakan metode VIKOR. Hasil akhir dari lima proposal yang diajukan dengan kriteria yang ditentukan, memberikan rekomendasi bahwa proposal Jembatan Kp. Batuang - Bukik Putuih merupakan proposal terbaik dan layak untuk didana
Penerapan Deep Learning Pada Jenis Penyakit Tanaman Kelapa Sawit Menggunakan Algoritma Convolutional Neural Network
Get PDFThe problem of Plant Destruction Organisms (OPT), especially related to disease, has always been an issue in the management of oil palm plantations. Oil palm has diseases caused by pests and others that can affect the growth and fruiting process. For this reasearch, the aims to identify whether or not oil palm plants are healthy through the color of their leaves, so that it will facilitate the performance of farmers. Deep Learning (DL) is a field of science from machine learning by doing deeper learning for many layers. Convolutional Neural Network (CNN) is one of the DL algorithms designed to process data in two-dimensional form such as images. Therefore, in this study, the CNN method will be applied to classify the health of oil palm plants based on the color of the leaves. The data used are 3000 data with test scenarios for training data and testing data are 90%:10%, 80%:20%, 70%:30% and 65%:35%. Based on the 4 test scenarios, the best accuracy obtained is 99.90% for the scenario of 65% of training data and 35% of testing data. While the lowest level of accuracy is 99.50% for the scenario of 90% training data and 10% testing data.Masalah Organisme Pengganggu Tumbuhan (OPT) terutama berkaitan dengan penyakit selalu menjadi isu dalam pengelolaan perkebunan kelapa sawit. Kelapa sawit memiliki penyakit yang disebabkan oleh hama dan lainnya yang dapat mempengaruhi pertumbuhan serta proses berbuahnya.Untuk itu, penelitian ini bertujuan untuk mengidentifikasi sehat dan tidaknya tanaman kelapa sawit melalui warna daunnya, sehingga akan memudahkan kinerja petani. Deep Learning (DL) merupakan bidang ilmu dari machine learning dengan melakukan pembelajaran lebih dalam untuk banyak lapisan. Convolutional Neural Network (CNN) adalah salah satu algoritma DL yang dirancang untuk mengolah data dalam bentuk dua dimensi misalnya gambar. Oleh karena itu, pada penelitian ini akan diterapkan metode CNN untuk mengklasifikasikan sehat atau tdiaknya tanaman kelapa sawit berdasarkan warna daunnya. Data yang digunakan berjumlah 3000 data dengan skenario pengujian untuk data training dan data testingnya adalah 90%:10%, 80%:20%, 70%:30% dan 65%:35%. Berdasarkan dari 4 skenario pengujian tersebut akurasi terbaik didapatkan adalah 99.90% untuk skenario 65% data training dan 35% data testing. Sedangkan tingkat akurasi yang paling rendah adalah 99,50% untuk skenario 90% data training dan 10% data testing
Aplikasi Penentuan Dosis Kebutuhan Pupuk Nitrogen Berdasarkan BWD Pada Tanaman Padi
Get PDFNitrogen is one of the nutrients that is needed for vegetative growth of rice, but excessive fertilizer application can damage plants. The balanced application of nitrogen fertilizer to rice plants is a solution to improve the growth of rice plants so that their productivity becomes more optimal. To get the appropriate fertilizer dose, farmers must use the BWD table, but BWD is difficult to obtain, the price is quite expensive, and its use is done manually by comparing the color of the rice leaves with the color of each level in the BWD table. Different perceptions between each use often occur. Therefore, an application for determining the need for nitrogen fertilizer based on BWD was designed for rice plants. This system consists of pre-processing, feature extraction and classification stages. The pre-processing stage is the stage of improving image quality, while the feature extraction stage uses the histogram of s-RGB method to obtain the Mean and Mode values Γ’β¬βΉΓ’β¬βΉof the color intensity of rice leaves. This system classifies based on the characteristics that have been extracted into 3 classes, namely: 2-3, 3-4, and 4-5 based on the BWD level. Then the system will calculate the dose of nitrogen fertilizer needed based on the input data of GKG and land area. The classification stage uses the K-NN method. Based on the results of training using 210 images and testing 90 images of rice leaves, the best results were obtained using k-NN 3 neighbors with an accuracy of 95.5%, AUC 0.98 and training time 0.8 seconds. So it can be concluded that the classification using k-NN can determine the dose required for rice plants properly.
Nitrogen adalah salah satu unsur hara yang sangat dibutuhkan untuk pertumbuhan vegetatif padi, tetapi pemberian pupuk yang berlebihan dapat merusak tanaman. Pemberian pupuk nitrogen secara seimbang pada tanaman padi merupakan solusi untuk dapat memperbaiki pertumbuhan tanaman padi agar produktivitasnya menjadi lebih optimal. Untuk mendapatkan takaran pupuk yang sesuai petani harus menggunakan tabel BWD, namun BWD ini sulit didapatkan, harganya terbilang mahal, dan penggunaannya dilakukan secara manual dengan cara membandingkan warna daun padi dengan warna setiap level pada tabel BWD. Presepsi berbeda-beda diantara setiap penggunaannya sering terjadi. Oleh karena itu dirancang aplikasi penentuan kebutuhan pupuk nitrogen berdasarkan BWD pada tanaman padi. Sistem ini terdiri dari tahap pre-processing, ekstraksi ciri dan klasifikasi. Tahap pre-processing merupakan tahap memperbaiki kualitas citra, sedangkan tahap ekstraksi ciri menggunakan metode histogram of s-RGB untuk mendapatkan nilai Mean dan Modus dari intensitas warna daun padi. Sistem ini mengklasifikasi berdasarkan ciri-ciri yang telah diekstrasi menjadi kelas 3 kelas yaitu: 2-3, 3-4, dan 4-5 berdasarkan level BWD. Kemudian sistem akan menghitung dosis pupuk nitrogen yang dibutuhkan berdasarkan data input GKG dan luas lahan. Tahap klasifikasi menggunakan metode K-NN. Berdasarkan hasil training menggunakan 210 citra dan pengujian terhadap 90 citra daun padi diperoleh hasil terbaik menggunakan k-NN 3 tetangga dengan akurasi 95,5%, AUC 0.98 dan waktu training 0,8 detik. Sehingga dapat disimpulkan bahwa klasifikasi menggunakan k-NN dapat menentukan dosis yang diperlukan tanaman padi dengan baik.