Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi)
Not a member yet
1071 research outputs found
Sort by
Analisis Sentimen Tweet Vaksin COVID-19 Menggunakan Recurrent Neural Network dan Naïve Bayes
Get PDFCOVID-19 has become a global pandemic including Indonesia, so the government is taking vaccinations as a preventive measure. The public's response to this continues to appear on social media platforms, one of which is Twitter. Tweets about the COVID-19 vaccine have generated various kinds of positive and negative opinions in the community. Therefore, it is very important to detect and filter it to prevent the spread of incorrect information. Sentiment analysis is a method used to determine the content of a dataset in the form of negative, positive or neutral text. The dataset in this study was obtained from 5000 COVID-19 vaccine tweets with the distribution of 3800 positive sentiment tweets, 800 negative sentiment tweets and 400 neutral sentiment tweets. The dataset obtained is then pre-processed data to optimize data processing. There are 4 stages of pre-processing, including remove punctuation, case folding, stemming and tokenizing. This study examines the performance of RNN and Naïve Bayes by adding the TF-IDF (Term Frequency-Inverse Document Frequency) technique which aims to give weight to the word relationship (term) of a document. The test results show that RNN (TF-IDF) has a greater accuracy of 97.77% compared to Naïve Bayes (TF-IDF) of 80%.
COVID-19 telah menjadi pandemik dunia termasuk Indonesia, sehingga pemerintah mengambil tindakan vaksinasi sebagai upaya pencegahan. Tanggapan masyarakat mengenai hal tersebut terus muncul di platform media sosial salah satunya twitter. Tweet mengenai vaksin COVID-19 menimbulkan berbagai macam opini positif dan negatif di masyarakat. Oleh karena itu, sangat penting untuk mendeteksi dan menyaringnya agar tidak terjadi penyebaran informasi yang tidak benar. Analisis sentimen merupakan suatu metode yang digunakan untuk menentukan isi dari suatu dataset dalam bentuk teks yang bersifat negatif, positif atau netral. Dataset pada penelitian ini diperoleh dari 5000 tweet vaksin COVID-19 dengan pembagian 3800 tweet sentimen positif, 800 tweet sentimen negatif dan 400 tweet sentimen netral. Dataset yang didapat kemudian dilakukan pre-processing data untuk mengoptimalkan pengolahan data. Terdapat 4 tahapan pre-processing antara lain remove punctuation, case folding, stemming dan tokenizing. Penelitian ini mengkaji kinerja RNN dan Naïve Bayes dengan menambahkan teknik TF-IDF (Term Frequency-Inverse Document Frequency) yang bertujuan untuk memberikan bobot pada hubungan kata (term) sebuah dokumen. Hasil pengujian menunjukkan RNN (TF-IDF) memiliki akurasi lebih besar yaitu 97,77% dibandingkan Naïve Bayes (TF-IDF) sebesar 80%
Peramalan Data Indeks Harga Konsumen Berbasis Time Series Multivariate Menggunakan Deep Learning
No full textMultivariate Time Series based forecasting is a type of forecasting that has more than one criterion changes from time to time that it can forecast based on historical patterns of data sequences. The Consumer Price Index (CPI) issued regularly every month by the Statistics Indonesia calculated based on data observations. This study is a development of previous research that only used on type of algorithm to predict CPI value resulting poor of accuracy due to lack of architecture variations testing. This study developed a CPI forecasting model with a new approach about using several types of deep learning algorithms, namely LSTM, Bidirectional LSTM, and Multilayer Perceptron with architectural variations of the number of neurons and epochs. Furthermore, this study adapt ADDIE model of Research and Development method. Based on the results, the best accuracy is obtained from the LSTM Bidirectional with 10 neurons and 2000 epoch resulting 3,519 of RMSE value. Meanwhile, based on the average RMSE value for the whole test, LSTM gets the smallest average of RMSE followed Bidirectional LSTM and Multilayer Perceptron with the RMSE value 4,334, 5,630, 6,304 respectively.
Peramalan berbasis Multivariate Time Series merupakan salah satu jenis peramalan yang mempunyai lebih dari satu kriteria yang berubah dari waktu ke waktu sehingga dapat melakukan peramalan berdasarkan pola riwayat urutan data. Indeks Harga Konsumen (IHK) yang dikeluarkan secara rutin tiap bulan oleh Badan Pusat Statistik merupakan salah satu indikator ekonomi yang berpengaruh pada tingkat inflasi. Penelitian ini merupakan pengembangan dari penelitian sebelumnya yang hanya menggunakan satu jenis algoritma deep learning dalam memprediksi nilai IHK dimana nilai akurasi prediksi yang dihasilkan masih belum optimal dikarenakan kurangnya variasi eksplorasi dari sisi jumlah neuron dan epoch. Beberapa penelitian prediksi IHK terdahulu juga hanya menggunakan satu jenis algoritma sehingga sulit mencari metode yang memberikan nilai akurasi terbaik. Penelitian ini membangun model peramalan IHK dengan pendekatan baru yaitu penggunaan beberapa jenis algoritma deep learning yaitu LSTM, LSTM Bidirectional, dan Multilayer Perceptron dengan variasi arsitektur jumlah neuron dan epoch yang diharapkan dapat meningkatkan hasil akurasi dari penelitian sebelumnya. Penelitian dibangun dengan metode Research and Development dengan model ADDIE (Analysis, Design, Development, Implementation, Evaluation). Sistem peramalan memanfaatkan 28 jenis harga bahan pokok harian sebagai nilai input untuk meramal nilai Indeks Harga Konsumen di kota Surabaya periode 2014 sampai 2018. Berdasarkan hasil pengujian, nilai akurasi terbaik dengan nilai RMSE 3,519 didapatkan dari algoritma Bidirectional LSTM dengan konfigurasi 10 neuron dan 2000 epoch. Sedangkan berdasarkan nilai rata-rata RMSE keseluruhan pengujian, LSTM mendapatkan RMSE terkecil yaitu 4,334 disusul dengan LSTM Bidirectional yaitu 5,630, kemudian Multilayer Perceptron yaitu 6,304
Penerapan Blockchain dengan Integrasi Smart Contract pada Sistem Crowdfunding
Get PDFThe existing crowdfunding platforms still operate using centralized system. While centralized system can operate well, it requires a third party intermediary in order to operate and thus does not completely provide data security and transparency of crowdfunding activities. In addition, the existence of a third party intermediary in a crowdfunding activity also causes the existing processing costs to be expensive. Therefore, the crowdfunding system needs to be built in a decentralized manner so that it eliminates the need for third parties as intermediaries in the crowdfunding process. This study proposes a prototype of decentralized crowdfunding system using Ethereum blockchain and smart contract technology. The result of system functionality test using black box testing method shows that all functionality of the crowdfunding system can run properly while operate in decentralized architecture.
Platform crowdfunding yang ada saat ini masih beroperasi menggunakan sistem yang tersentralisasi. Walaupun sistem tersentralisasi dapat beroperasi dengan baik, model sistem ini membutuhkan perantara pihak ketiga untuk dapat beroperasi sehingga tidak dapat memberikan keamanan data dan transparansi kegiatan penggalangan dana secara penuh. Selain itu, adanya perantara pihak ketiga dalam suatu kegiatan penggalangan dana juga menyebabkan biaya pemrosesan yang ada menjadi mahal. Maka dari itu, sistem crowdfunding perlu dibangun secara terdesentralisasi sehingga menghilangkan kebutuhan pihak ketiga sebagai perantara dalam proses kegiatan penggalangan dana. Penelitian ini mengajukan sebuah prototipe sistem crowdfunding terdesentralisasi menggunakan teknologi blockchain dan smart contract Ethereum. Hasil pengujian fungsionalitas sistem menggunakan metode black box testing menunjukkan bahwa seluruh fungsionalitas dari sistem crowdfunding yang dibangun dapat berjalan dengan sesuai walaupun menggunakan arsitektur terdesentralisasi
Information Retrieval on Exam Questions Referring to the Learning Plan Document Using Vector Space Model
No full textOne way to find out the quality of exam questions is by looking at the rules for writing exam questions made based on the subject or discussion contained in the learning plan document. Therefore, the exam questions that are arranged must be adjusted to the main material in each subject learning achievement. This study discusses the implementation of the concept in information retrieval systems using the Vector Space Model method. The Vector Space Model method has an advantage in query matching because it is able to match only part of the query with existing documents. In addition, the Vector Space Model method is also easy to adapt by adjusting parameters, including weighting parameters. The weighting calculation for each term that appears in the document uses TF-IDF. The purpose of this study is to design an information retrieval system to find the suitability of the exam question query with the subject contained in the learning plan document. The suitability is sorted based on the similarity value of the calculation results, from the largest value to the smallest value in the form of a percentage.Salah satu cara untuk mengetahui kualitas soal ujian yaitu dengan melihat kaidah penulisan soal ujian yang dibuat berdasarkan materi pokok atau bahasan yang terdapat di dokumen rencana pembelajaran. Soal ujian yang disusun harus disesuaikan dengan materi pokok pada setiap capaian pembelajaran mata kuliah. Penelitian ini membahas mengenai penerapan konsep dalam sistem temu kembali informasi menggunakan pendekatan metode Vector Space Model (VSM). Metode Vector Space Model memiliki kelebihan dalam pencocokan query karena mampu mencocokkan hanya sebagian query saja dengan dokumen yang ada. Selain itu metode Vector Space Model juga mudah beradaptasi melalui penyesuaian parameter, termasuk parameter pembobotannya. Perhitungan pembobotan tiap kata (term) yang muncul pada dokumen menggunakan TF-IDF. Implementasi sistem temu kembali informasi (retrieval of information) sebagai media pencari kecocokan dan kesesuaian antara query soal ujian dengan materi pokok dokumen Rencana Pembelajaran (RPS), hal tersebut merupakan tujuan dari penelitian ini. Kesesuaian tersebut diurutkan berdasarkan nilai kemiripan hasil perhitungannya, dari nilai terbesar ke nilai terkecil dalam bentuk persentase
Pengenalan Karakter Optis untuk Pencatatan Meter Air dengan Long Short Term Memory Recurrent Neural Network
No full textClean water service providers in Indonesia are still recording water meters as water usage data with manual recording by record collector. Alternative solutions for recording water meters from previous research use the Internet of Things (IoT) or image recognition that is processed on a server. The solutions rely on the Internet which is unsuitable with Indonesia’s condition. This study proposes a water meter reading system that can work on mobile devices without using the Internet. The system works by utilizing optical character recognition (OCR) using the Long Short Term Memory Recurrent Neural Network (LSTM-RNN) method. LSTM-RNN is a classification method in artificial neural network which has feedback. The results show that the water meter reading system could work without using an Internet connection. The average time it takes to perform the reading process is 2285ms even on Android device with low specification. The overall reading accuracy is 86%. Single value reading accuracy, when the digit meter displays only 1 number, is 97%, while the accuracy of double value reading, when the digit meter displays 2 numbers, is 18%.Penyedia jasa air bersih di Indonesia masih melakukan pencatatan meter air sebagai data penggunaan air dengan pencatatan manual oleh petugas pencatat. Solusi alternatif pencatatan meter air dari penelitian sebelumnya menggunakan Internet of Things (IoT) atau pengenalan citra yang diolah di server. Solusi tersebut mengandalkan Internet yang tidak sesuai dengan kondisi di Indonesia. Penelitian ini mengusulkan sistem pembacaan meter air yang dapat bekerja pada perangkat mobile tanpa menggunakan Internet. Sistem bekerja dengan memanfaatkan pengenalan karakter optis dengan metode Long Short Term Memory Recurrent Neural Network (LSTM-RNN). LSTM-RNN adalah sebuah metode klasifikasi yan termasuk jaringan saraf tiruan dengan umpan balik. Hasil penelitian menunjukkan bahwa sistem pembacaan meter air dapat bekerja tanpa menggunakan koneksi Internet. Waktu rata-rata yang dibutuhkan untuk melakukan proses pembacaan adalah 2285ms sekalipun dilakukan pada perangkat Android yang memiliki spesifikasi rendah. Akurasi pembacaan secara keseluruhan sebesar 86%. Akurasi pembacaan nilai tunggal, ketika digit meter hanya menampilkan 1 angka, sebesar 97% sedangkan akurasi pembacaan nilai ganda, ketika digit meter menampilkan 2 angka, sebesar 18%
Implementasi Convolutional Neural Network Untuk Deteksi Nyeri Bayi Melalui Citra Wajah Dengan YOLO
Get PDFPain in a baby is difficult to detect is because the method for detecting pain is self-reporting even though babies themselves still cannot describe the pain verbally, then by observing changes in behavior in the form of facial expressions. Statistically, it is also recorded that about 80% of the world's population pays less attention to pain assessment, especially for children, even though this pain gives children a bad experience so that it can interfere with pain responses in the future or psychological trauma. Based on these problems, a prototype system was made using the NVIDIA Jetson Nano Developer kit to help detect pain, especially in infants 0-12 months by using the Convolutional Neural Network (CNN) model with the PyTorch framework and the You Only Look Once (YOLO) algorithm with three detection classification is sad, neutral and sick. From the results of the study, it was found that the YOLO algorithm was able to detect the three classifications with a sad mAP value of 77.8%, neutral 76.7%, in pain 68.9%. With a precision value of 71.4%, recall 62.5% and f1-score 66.6%. The average value of Confidence is 53.57%.Rasa nyeri yang kerap kali dirasakan oleh bayi dan sulit dideteksi hal ini dikarenakan metode untuk mendeteksi rasa sakit bersifat self reporting padahal untuk bayi sendiri masih belum dapat menjabarkan rasa sakit tersebut dengan verbal, maka dengan mengamati perubahan perilaku berupa ekpresi wajah. Secara statistic juga tercatat sekitar 80% dari populasi dunia kurang memperhatikan penilaian rasa sakit terutama terhadap anak-anak padahal rasa nyeri ini memberi pengalaman yang buruk pada anak, sehingga dapat mengganggu respon nyeri di kemudian hari atau trauma psikis. Berdasarkan permasalahan tersebut maka dibuatlah sebuah prototype system dengan menggunakan NVIDIA Jetson Nano Developer kit untuk membantu mendeteksi rasa sakit terutama pada bayi 0-12 bulan dengan menggunakan model Convolutional Neural Network (CNN) dengan framework pytorch dan algoritma You Only Look Once (YOLO) dengan tiga klasifikasi pedeteksi yaitu sedih, netral dan sakit. Dari hasil penelitian diperoleh hasil bahwa algoritma YOLO sudah dapat mendeteksi ke tiga klasifikasi tersebut dengan nilai mAP sedih 77,8%, netral 76,7%, pada sakit 68,9%. Dengan nilai presisi sebesar 71,4%, recall 62,5% dan f1-score 66,6%. Untuk nilai rata-rata Confidence sebesar 53,57%
Analisis Perbandingan SVM, XGBoost dan Neural Network pada Klasifikasi Ujaran Kebencian
Get PDFIn social media, it is found that hate speech is conveyed in the form of text, images and videos, as a result it can provoke certain people to do things that are against the law and harm other person. Therefore, it is necessary to make early detection of hate speech by utilizing machine learning algorithms. This study is to analyze the level of accuracy, precision, recall and F1-Score of 3 kinds of algorithms (SVM, XGBoost, and Neural Network) in the classification of hate speech, using datasets sourced from public hate speech on Twitter in Indonesian. The results of the analysis show that the SVM algorithm has a level of accuracy (83.2%), precision (83%), recall (83%) and F1-score (83%), SVM occupies the highest level compared to XGBoost and Neural Network, so the SVM algorithm can be considered for use in hate speech classificationDalam media sosial dijumpai adanya ujaran kebencian baik yang disampaikan dalam bentuk teks, gambar dan video, sebagai akibatnya dapat memancing sejumlah pihak tertentu melakukan hal yang bertentangan dengan hukum dan merugikan pihak lain. Oleh karenanya perlu upaya deteksi dini terhadap ujaran kebencian dengan memanfaatkan algoritma pembelajaran mesin (machine learning). Penelitian ini adalah untuk menganalisis tingkat accuracy, precision, recall dan F1-Score terhadap 3 macam algoritma (SVM, XGBoost, dan Neural Network) dalam klasifikasi ujaran kebencian, dengan menggunakan datasets yang bersumber pada ujaran kebencian publik di Twitter dalam bahasa Indonesia. Hasil analisis menunjukkan algoritma SVM memiliki tingkat accuracy (83.2%), precision (83%), recall (83%) dan F1-score (83%), SVM menduduki tertinggi dibanding XGBoost dan Neural Network, sehingga algoritma SVM dapat dipertimbangkan untuk digunakan dalam klasifikasi ujaran kebencian
Detection of Chicken Egg Embryos using BW Image Segmentation and Edge Detection Methods
Get PDFThis study aims to identify chicken egg embryos with the concept of image processing. This concept uses input and output in images. Thus the identification process, which was originally carried out using manual observation, was developed by computerization. Digital images are applied in identification by various image preprocessing, image segmentation, and edge detection methods. Based on these three methods, image processing has three processes: image grayscaling (convert to a grayscale image), image adjustment, and image enhancement. Image adjustment aims to clarify the image based on color correction. Meanwhile, image enhancement improves image quality, using histogram equalization (HE) and Contrast Limited Adaptive Histogram Equalization methods (CLAHE). Specifically for the image enhancement method, the CLAHE-HE combination is used for the improvement process. At the end of the process, the method used is edge detection. In this method, there is a comparison of various edge detection operators such as Roberts, Prewitt, Sobel, and canny. The results of edge detection using these four methods have the SSIM value respectively 0.9403; 0.9392; 0.9394; 0.9402. These results indicate that the SSIM values of the four operators have the same or nearly the same value. Thus, the edge detection method can provide good edge detection results and be implemented because the SSIM value is close to 1.00 (more than 0.93). Image segmentation detected object (egg and embryo), and the continued process by edge detection showed clearly edge of egg and embryo.This study aims to identify chicken egg embryos with the concept of image processing. This concept uses input and output in images. Thus the identification process, which was originally carried out using manual observation, was developed by computerization. Digital images are applied in identification by various image preprocessing, image segmentation, and edge detection methods. Based on these three methods, image processing has three processes: image grayscaling (convert to a grayscale image), image adjustment, and image enhancement. Image adjustment aims to clarify the image based on color correction. Meanwhile, image enhancement improves image quality, using histogram equalization (HE) and Contrast Limited Adaptive Histogram Equalization methods (CLAHE). Specifically for the image enhancement method, the CLAHE-HE combination is used for the improvement process. At the end of the process, the method used is edge detection. In this method, there is a comparison of various edge detection operators such as Roberts, Prewitt, Sobel, and canny. The results of edge detection using these four methods have the SSIM value respectively 0.9403; 0.9392; 0.9394; 0.9402. These results indicate that the SSIM values of the four operators have the same or nearly the same value. Thus, the edge detection method can provide good edge detection results and be implemented because the SSIM value is close to 1.00 (more than 0.93). Image segmentation detected object (egg and embryo), and the continued process by edge detection showed clearly edge of egg and embryo
Acquisition of Digital evidence Android-Based Viber Messenger App
No full textViber is one of the most popular social media in the Instant Messenger application category that can be used to send text messages, make voice calls, send picture messages and video messages to other users. As many as 260 million people around the world have used this application. Increasing the number of viber users certainly brings positive and negative impacts, one of the negative impacts of this application is the use of digital forensic crime. This research simulates and removes digital crime evidence from the viber application on Android smartphones using the National Institute of Standards Technology (NIST) method, which is a method that has work guidelines on forensic policy and process standards to ensure each investigator follows the workflow the same so that their work is documented and the results can be accounted for. This study uses three forensic tools, MOBILedit Forensic Express, Belkasoft and Autopsy. The results in this study show that MOBILedit Forensic Express gets digital evidence with a percentage of 100% in getting accounts, contacts, pictures and videos. While proof of digital chat is only 50%. Belkasoft gets digital evidence with a percentage of 100% in getting accounts, contacts, pictures and videos. While proof of digital chat is only 50%. For Autopsy does not give the expected results in the extraction process, in other words the Autopsy application gives zero results. It can be concluded that MOBILedit Forensic Express and Belkasoft have a good performance compared to Autopsy and thus this research has been completed and succeeded in accordance with the expected goals.Viber merupakan salah satu media sosial yang popular untuk kategori aplikasi Instant Messenger yang dapat digunakan untuk mengirim pesan teks, melakukan panggilan suara, mengirim pesan gambar dan pesan berupa video kepada sesama penggunanya. Sebanyak 260 juta orang di seluruh dunia telah menggunakan aplikasi ini. Peningkatan jumlah pengguna viber tentu membawa dampak positif dan juga negatif, salah satu dampak negative aplikasi ini adalah penggunaan dalam hal melakukan kejahatan forensik digital. Penelitian ini melakukan simulasi dan pengangkatan barang bukti kejahatan digital dari aplikasi viber pada smartphone Android dengan menggunakan metode National Institute of Standards Technology (NIST) yang merupakan salah satu metode yang memiliki panduan kerja pada kebijakan dan standar proses forensik untuk menjamin setiap investigator mengikuti alur kerja yang sama sehingga pekerjaan mereka terdokumentasikan dan hasilnya dapat dipertanggung jawabkan. Penelitian ini menggunakan tiga alat forensik, MOBILedit Forensic Express, Belkasoft dan Autopsy. Hasil dalam penelitian ini menujukan bahwa MOBILedit Forensic Express mendapatkan hasil bukti digital dengan persentase berupa 100% dalam mendapatkan akun, kontak, gambar dan video. Sedangkan bukti digital chat hanya 50%. Belkasoft mendapatkan hasil bukti digital dengan persentase 100% dalam mendapatkan akun, kontak, gambar dan video. Sedangkan bukti digital chat hanya 50%. Untuk Autopsy tidak memberikan hasil yang diharapkan dalam poses ekstraksi, dengan kata lain aplikasi Autopsy memberikan hasil nol (zero result). Dapat disimpulkan bahwa MOBILedit Forensic Express dan Belkasoft memiliki kinerja yang baik dibandingkan dengan Autopsy dan dengan demikian penelitian ini telah selesai dan berhasil sesuai dengan tujuan yang diharapkan
Prediksi Belanja Pemerintah Indonesia Menggunakan Long Short-Term Memory (LSTM)
Get PDFAbstract
Estimates of government expenditure for the next period are very important in the government, for instance for the Ministry of Finance of the Republic of Indonesia, because this can be taken into consideration in making policies regarding how much money the government should bear and whether there is sufficient availability of funds to finance it. As is the case in the health, education and social fields, modeling technology in machine learning is expected to be applied in the financial sector in government, namely in making modeling for spending predictions. In this study, it is proposed the application of Long Short-Term Memory (LSTM) Model for expenditure predictions. Experiments show that LSTM model using three hidden layers and the appropriate hyperparameters can produce Mean Square Error (MSE) performance of 0.2325, Root Mean Square Error (RMSE) of 0.4820, Mean Average Error (MAE) of 0.3292 and Mean Everage Presentage Error (MAPE) of 0.4214. This is better than conventional modeling using the Auto Regressive Integrated Moving Average (ARIMA) as a comparison model.Perkiraan pengeluaran belanja pemerintah untuk periode kedepan merupakan hal yang sangat penting di pemerintah dalam hal ini pada Kementerian Keuangan Republik Indonesia, karena hal ini dapat dijadikan bahan pertimbangan dalam mengambil kebijakan terkait berapa nilai uang yang harus ditanggung pemerintah serta apakah ada ketersediaan dana yang cukup dalam membiayai belanja tersebut untuk periode yang akan datang. Seperti halnya pada bidang kesehatan, pendidikan dan sosial, teknologi pemodelan pada Machine Learning diharapkan dapat diterapkan di bidang keuangan pada pemerintahan, yaitu dalam membuat pemodelan untuk prediksi belanja. Pada penelitian ini, diusulkan penerapan model Long Short-Term Memory (LSTM) untuk prediksi belanja. Eksperimen menunjukkan model LSTM dengan menggunakan tiga hidden layers dan hyperparameter yang tepat dapat menghasilkan performa Mean Square Error (MSE) sebesar 0.2325, Root Mean Square Error (RMSE) sebesar 0.4820, Mean Average Error (MAE) sebesar 0.3292 dan Mean Everage Presentage Error (MAPE) sebesar 0.4214. Ini lebih baik dibandingkan pemodelan konvensional menggunakan Auto Regressive Integrated Moving Average (ARIMA) sebagai model pembanding