Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi)
Not a member yet
1071 research outputs found
Sort by
Forecasting Cases of Dengue Hemorrhagic Fever Using the Backpropagation, Gaussians and Support-Vector Machine Methods
No full textDengue disease has been known to the people of Indonesia since 1779. The Aedes mosquito has two types, namely Aedes aegypti and Aedes albopictus. Aedes aegypti is a mosquito that carries the dengue virus. The dengue fever cases in Bali province tend to increase from year to year, especially when approaching the rainy season. The government's preventive action is needed to tackle the spread of the dengue virus and casualties. Data mining attempts to extract known knowledge or use historical data to find regularity patterns and relationships in a set of data. In this study, data mining predicts the number of dengue cases in Bali's province. The prediction uses several database variables to predict future variables' values, which are not currently known. The process of estimating predictive values based on patterns in a data set. This forecasting aims to assist the government in predicting dengue fever cases in the coming period to prepare appropriate prevention efforts. Forecasting dengue fever cases are carried out using three methods: backpropagation, gaussians, and support-vector machine. The amount of data used was 528 sample data, from 2008 to 2018. The results obtained are that the backpropagation method is better at predicting dengue fever cases with a MAPE error rate of 0.025. Simultaneously, the gaussian method has a MAPE error rate of 0.035, and support-vector machine has a MAPE error rate of 0.060.
Dengue disease has been known to the people of Indonesia since 1779. The Aedes mosquito has two types, namely Aedes aegypti and Aedes albopictus. Aedes aegypti is a mosquito that carries the dengue virus. The dengue fever cases in Bali province tend to increase from year to year, especially when approaching the rainy season. The government's preventive action is needed to tackle the spread of the dengue virus and casualties. Data mining attempts to extract known knowledge or use historical data to find regularity patterns and relationships in a set of data. In this study, data mining predicts the number of dengue cases in Bali's province. The prediction uses several database variables to predict future variables' values, which are not currently known. The process of estimating predictive values based on patterns in a data set. This forecasting aims to assist the government in predicting dengue fever cases in the coming period to prepare appropriate prevention efforts. Forecasting dengue fever cases are carried out using three methods: backpropagation, gaussians, and support-vector machine. The amount of data used was 528 sample data, from 2008 to 2018. The results obtained are that the backpropagation method is better at predicting dengue fever cases with a MAPE error rate of 0.025. Simultaneously, the gaussian method has a MAPE error rate of 0.035, and support-vector machine has a MAPE error rate of 0.060
Penerapan Deep Learning dalam Deteksi Penipuan Transaksi Keuangan Secara Elektronik
Get PDFThe rapid development of information technology coupled with an increase in public activity in electronic financial transactions has provided convenience but has been accompanied by the occurrence of fraudulent financial transactions. The purpose of this research is how to find the best model to be implemented in the banking payment system in detecting fraudulent electronic financial transactions so as to prevent losses for customers and banks. Fraud detection uses machine learning with ensemble and deep learning with SMOTE. Financial transaction data is taken from bank payment simulations built with the concept of Multi Agent-Based Simulation (MABS) by banks in Spain. To build the best model, not only pay attention to the accuracy value, but the value of precision is a value that needs attention. A precision score is very important for fraud prevention. Fraud detection gets the best results without the SMOTE process by using deep learning with an accuracy score of 99.602% and precision score of 90.574%. By adding SMOTE, it will increase the accuracy score and precision score with the best model produced in the Extra Trees Classification with an accuracy score of 99.835% and precision score of 99.786%.Pesatnya perkembangan teknologi informasi yang disertai dengan peningkatan aktivitas masyarakat dalam transaksi keuangan secara elektronik disatu sisi memberikan kenyamanan bagi masyarakat akan tetapi disertai dengan terjadinya penipuan transaksi keuangan. Penipuan yang tersembunyi dan beragam jenis transaksi konsumen menyebabkan sulitnya mendeteksi transaksi yang akan merugikan konsumen dan perbankan. Tujuan dari penelitian ini adalah bagaimana mendapatkan model terbaik untuk kemudian disimulasikan ke dalam sistem pembayaran perbankan dengan tujuan melakukan deteksi penipuan transaksi keuangan secara elektronik sehingga dapat mencegah terjadinya kerugian kepada nasabah dan perbankan. Untuk melakukan deteksi penipuan digunakan machine learning yaitu machine learning with ensemble dan deep learning. Kedua jenis machine learning tersebut akan dikonfigurasi dan dioptimalisasi menggunakan SMOTE sehingga mendapatkan model dengan nilai accuracy score dan precision score terbaik. Data transaksi keuangan diambil dari simulasi pembayaran bank yang dibangun di atas konsep Multi Agent-Based Simulation (MABS) oleh bank di Spanyol dengan tujuan untuk mempromosikan pengembangan aplikasi Big Data. Penelitian sebelumnya menggunakan data yang sama dengan judul A Bayesian Classifier based on Constraints of Ordering of Variables for Fraud Detection mendapatkan accuracy score 99.272%. Untuk membangun model terbaik tidak hanya mempertimbangkan accuracy score akan tetapi precision score merupakan nilai yang perlu dipertimbangkan. Precision score sangat menentukan untuk pencegahan terjadinya penipuan. Deteksi penipuan mendapatkan hasil terbaik tanpa proses SMOTE dengan menggunakan Deep Learning dengan accuracy score yaitu 99.602% dan precision score 90.574%. Dengan melakukan penambahan SMOTE akan meningkatkan accuracy score dan precision score dengan model terbaik yang dihasilkan pada Extra Trees Classification dengan nilai accuracy score 99.835% dan precision score 99.786%
Arsitektur Moisture Meter dengan Capacitive Sensing dan Serverless IoT Untuk Hidroponik Fertigasi
No full textThe current agricultural systems generally uses chemical fertilizers as a growth booster in order to meet the global food needs of 7 billion people and all of their livestock. But unfortunately not all are aware of the great danger behind such an overuse, unmetered application of chemical fertilizers, freely in an open field for the survival of the planet and its population. Thanks to technological advances, especially in the field of instrumentation and communication technology, the problem of increasing efficiency and avoiding such overuse should be minimized properly. In this study, the researchers tried to apply capacitive moisture sensor technology and serverless Internet of Things to the moisture meter instrument in the hydroponic drip fertigation system with roasted husk planting media. Capactive sensor technology has the advantage of corrosion resistance when applied to planting media containing high humidity and low alkalinity. By using a serverless IoT architecture, it is possible to monitor from anywhere via the internet, without involving complicated and expensive infrastructure. Based on the results of the prototype testing, it is known that the instruments built can work properly. The results of monitoring system conditions such as temperature and free heap appear stable. The reading results of the two sensors also run steadily, without fluctuations and variations in the reading that exceed 5%. The process of remote monitoring and data logging to serverless IoT is monitored to be stable with a data recording success rate of 99.8%.Sistem pertanian saat ini pada umumnya menggunakan pupuk kimia sebagai pemacu tumbuh agar dapat mengejar kebutuhan makanan global 7 milyar orang beserta hewan ternaknya. Namun sayangnya tidak semua sadar akan bahaya besar dibalik penggunaan pupuk kimia tanpa terukur dan bebas di lahan terbuka bagi keberlangsungan planet dan populasinya. Berkat kemajuan teknologi, khususnya di bidang instrumentasi dan teknologi komunikasi, masalah untuk meningkatkan efisiensi dan menghindari penggunaan berlebih seperti itu harusnya dapat diminimalisir dengan baik. Pada penelitian ini, peneliti mencoba untuk menerapkan teknologi capacitive moisture sensor dan serverless Internet of Things pada instrumen moisture meter di sistem pertanian hidroponik fertigasi tetes dengan media tanam sekam bakar. Teknologi capactive sensor memiliki keunggulan dalam hal ketahanan terhadap karat saat diterapkan pada media tanam yang mengandung tingkat kelembapan tinggi dan alkalinitas rendah. Dengan menggunakan konektivitas berarsitektur serverless IoT, maka dimungkinkan untuk melakukan monitoring dari mana saja melalui Internet, tanpa melibatkan infrastruktur rumit dan mahal. Bedasarkan hasil pengujian purwarupa, diketahui bahwa instrumen yang dibangun dapat bekerja sebagaimana mestinya. Hasil pemantauan kondisi sistem seperti temperatur dan free heap terlihat stabil. Hasil pembacaan dua sensor juga berjalan dengan stabil, tanpa terjadi fluktuasi dan variasi pembacaan yang melebihi 5%. Proses remote monitoring dan data logging ke serverless IoT terpantau stabil dengan tingkat keberhasilan pencatatan data mencapai 99.8%
Evaluasi Usability Sistem Informasi Akademik Dosen Menggunakan User Experience Questionnaire dan Heuristic Walkthrough
No full textUniversity of Lambung Mangkurat (ULM) has an academic information system that can facilitate access to information and provide quality academic services. One of the ULM academic information system services is the Portal Akademik Dosen ULM. Since its release in 2016, there has been no research regarding the evaluation of the Portal Akademik Dosen ULM. Most of users feel that the interface of the Portal Akademik Dosen ULM needs to be improved to make it more attractive, and needs improvements in several features. In connection with the important function of the Portal Akademik Dosen ULM, an evaluation is needed to assess the success of implementing the information system. This study aims to evaluate the usability of the Portal Akademik Dosen ULM. The methods used are the User Experience Questionnaire (UEQ) and Heuristic Walkthrough. Based on the results of the UEQ questionnaire from 56 respondents, it was found that the aspects of attractiveness, perspicuity, efficiency, dependability, and stimulation got positive values, while the novelty aspect got a neutral value. For the evaluation results with Heuristic Walkthrough method which involved 4 evaluators, found 33 problems at the Cognitive Walkthrough stage, and as many as 21 problems at the Heuristic Evaluation stage with an average severity rating of 13.4. The overall results of the evaluation showed that the Portal Akademik Dosen ULM needs to be improved on novelty items and need to be improved to reduce the number of problems.
Universitas Lambung Mangkurat (ULM) memiliki sistem informasi akademik yang dapat memudahkan dalam akses informasi dan memberikan pelayanan akademik yang berkualitas. Salah satu layanan sistem informasi akademik ULM adalah Portal Akademik Dosen ULM. Sejak dirilis pada tahun 2016, belum ada penelitian mengenai evaluasi Portal Akademik Dosen ULM. Kebanyakan pengguna merasa bahwa interface pada Portal Akademik Dosen ULM perlu ditingkatkan agar lebih menarik, dan diperlukan perbaikan di beberapa fitur. Berkaitan dengan pentingnya fungsi Portal Akademik Dosen ULM, maka diperlukan evaluasi untuk menilai keberhasilan pelaksanaan sistem informasi. Penelitian ini bertujuan untuk untuk melakukan evaluasi usability pada Portal Akademik Dosen ULM. Metode yang digunakan adalah User Experience Questionnaire (UEQ) dan Heuristic Walkthrough. Berdasarkan hasil kuisioner UEQ dari 56 responden, didapatkan hasil aspek daya tarik, kejelasan, efisiensi, ketepatan, dan stimulasi mendapatkan nilai positif, sedangkan aspek kebaruan mendapatkan nilai netral. Untuk hasil evaluasi dengan metode Heuristic Walkthrough yang melibatkan 4 evaluator, ditemukan sebanyak 33 permasalahan pada tahap Cognitive Walkthrough, dan sebanyak 21 permasalahan pada tahap Heuristic Evaluation dengan jumlah rata-rata severity rating 13,4. Hasil keseluruhan evaluasi menunjukkan bahwa Portal Akademik Dosen ULM perlu peningkatan pada item kebaruan dan perlu dilakukan perbaikan untuk mengurangi jumlah permasalahan
Algoritma Fungsi Perlatihan pada Machine Learning berbasis ANN untuk Peramalan Fenomena Bencana
Get PDFResearch has been carried out with several training functions using standard backpropagation methods, One-Step Secant (OSS), and Bayesian regulation. The purpose of this study was to (i) analyze the Performance accuracy (Performance) of the standard backpropagation method and (ii) optimize the training function with the One-Step Secant (OSS) and Bayesian regulation methods to obtain comparison results of the three methods in the search for the best results implementation of disaster phenomenon forecasting data. The research method is based on quantitative methods with times-series data on disaster phenomena in Indonesia over the last ten years (2011-2020) which were analyzed using two network architecture models, namely 4-8-1 and 4-10-1. The results showed that the 4-8-1 architectural model with the Bayesian regulation training function method was able to optimize quite well through accelerating training time and resulted in a low MSE measurement, although not the lowest with an epoch value of 197 iterations and a Performance of 0.0148480766. The lowest epoch value is generated by the OSS method, but it Performs poorly. The best Performance is produced by the standard backpropagation method with the traingd training function, but the training process for achieving convergence is also too long. In general, it can be concluded that the 4-8-1 architectural model with Bayesian regulation can be used to predict (predict) the phenomenon of natural disasters in Indonesia because the training time to achieve convergence is not too long and Performs exceptionally well.
Telah dilakukan penelitian dengan beberapa fungsi perlatihan dengan metode backpropagation standard, One-Step Secant (OSS), dan Bayesian regulation. Tujuan penelitian ini untuk (i) menganalisis keakuratan kinerja (Performance) metode backpropagation standard dan (ii) melakukan optimasi fungsi perlatihan dengan metode One-Step Secant (OSS) dan Bayesian regulation, sehingga diperoleh hasil pembandingan dari ketiga metode tersebut dalam pencarian hasil terbaik untuk pelaksanaan data peramalan fenomena bencana. Metode penelitian berbasis metode kuantitatif dengan data times-series fenomena bencana di Indonesia pada kurun waktu 10 tahun terakhir (2011-2020) yang dianalisis dengan dua model arsitektur jaringan, yakni 4-8-1 dan 4-10-1. Hasil penelitian ditunjukkan, bahwa model arsitektur 4-8-1 dengan metode fungsi perlatihan Bayesian regulation mampu dengan optimasi cukup baik melalui pemercepatan waktu perlatihan dan dihasilkan pengukuran MSE rendah walaupun bukan paling rendah dengan nilai epoch sebesar 197 iterasi dan kinerja sebesar 0,0148480766. Nilai epoch paling rendah dihasilkan oleh metode OSS, tetapi berkinerja kurang baik. Kinerja terbaik dihasilkan oleh metode backpropagation standard dengan fungsi perlatihan traingd, tetapi proses perlatihan untuk pencapaian konvergensi juga terlalu lama. Secara umum dapat disimpulkan, bahwa model arsitektur 4-8-1 dengan Bayesian regulation dapat digunakan untuk peramalan (prediksi) fenomena bencana alam di Indonesia, karena waktu perlatihan untuk pencapaian konvergensi tidak terlalu lama dan berkinerja cukup baik
Penerapan Convolutional Neural Networks untuk Mesin Penerjemah Bahasa Daerah Minangkabau Berbasis Gambar
Get PDFOne of efforts by the Indonesian people to defend the country is to preserve and to maintain the regional languages. The current era of modernity makes the regional language image become old-fashioned, so that most them are no longer spoken. If it is ignored, then there will be a cultural identity crisis that causes regional languages to be vulnerable to extinction. Technological developments can be used as a way to preserve regional languages. Digital image-based artificial intelligence technology using machine learning methods such as machine translation can be used to answer the problems. This research will use Deep Learning method, namely Convolutional Neural Networks (CNN). Data of this research were 1300 alphabetic images, 5000 text images and 200 vocabularies of Minangkabau regional language. Alphabetic image data is used for the formation of the CNN classification model. This model is used for text image recognition, the results of which will be translated into regional languages. The accuracy of the CNN model is 98.97%, while the accuracy for text image recognition (OCR) is 50.72%. This low accuracy is due to the failure of segmentation on the letters i and j. However, the translation accuracy increases after the implementation of the Leveinstan Distance algorithm which can correct text classification errors, with an accuracy value of 75.78%. Therefore, this research has succeeded in implementing the Convolutional Neural Networks (CNN) method in identifying text in text images and the Leveinstan Distance method in translating Indonesian text into regional language texts.
Salah satu upaya bela negara yang dapat dilakukan oleh masyarakat Indonesia yaitu melestarikan dan memertahankan bahasa daerah. Kemajuan zaman membuat penggunaan bahasa daerah dianggap kuno dan ketinggalan zaman, sehingga kebanyakan bahasa daerah tidak dituturkan oleh penuturnya lagi. Jika hal tersebut diabaikan, maka akan terjadi krisis identitas budaya yang menyebabkan bahasa daerah rawan punah. Perkembangan teknologi dapat dimanfaatkan sebagai upaya melestarikan bahasa daerah. Teknologi kecerdasan buatan berbasis citra digital menggunakan metode machine learning seperti mesin penerjemah, dapat dimanfaatkan untuk menjawab permasalahan tersebut. Pada penelitian ini akan menggunakan metode Deep Learning, yakni Convolutional Neural Networks (CNN). Data penelitian yang digunakan sebanyak 1300 citra alfabet, 5000 citra teks dan 200 kosa kata dari bahasa daerah Minangkabau. Data citra alfabet digunakan untuk pembentukan model klasifikasi CNN. Model ini digunakan untuk pengenalan citra teks yang hasilnya akan dilakukan penerjemahan ke bahasa daerah. Akurasi model CNN diperoleh sebesar 98.97%, sedangkan akurasi untuk pengenalan citra teks (Optical Character Recognition - OCR) sebesar 50.72%. Akurasi ini rendah disebabkan karena terdapatnya kegagalan segmentasi pada huruf i dan j. Namun akurasi terjemahan meningkat setelah diterapkannya algoritma Leveinstan Distance yang dapat memperbaiki kesalahan klasifikasi teks, dengan nilai akurasi sebesar 75.78%. Oleh karena itu pada penelitian ini telah berhasil mengimplementasikan metode Convolutional Neural Networks (CNN) dalam mengidentikasi teks pada citra teks dan metode Leveinstan Distance dalam menerjemahkan teks bahasa indonesia ke dalam teks bahasa daerah
Identification of Forensic Evidence for Virtual Router Networks Using the National Institute of Standard and Technology (NIST) Method
No full textThe evolution information technology has led to the growth of virtualization technology. Router OS is the operating system of the Mikrotik Router, which supports virtualization. Router Os virtualization technique which is easy to run is a metarouter. Metarouter provides benefits such as, building virtual servers, virtual machines, network topology and savings cost. As an object of research, Metarouter introduces challenges to digital forensic investigations, both practitioners and academics. Investigators need to use methodology and tools in order to prove the perpetrators of crimes. This study uses the Windump forensic tool as a means of recording network traffic activity. Network Miner and Wireshark as an analytical tool for identifying digital evidence. The use of the National Institute of Standard and Technology (NIST) method which collection, examination, analysis and reporting, can be repeated and maintained with the same data. Based on experiments with virtual router network traffic testing, the system built has succeeded in obtaining digital evidence, either by direct or indirectly. The system scenario that has been planned succeeded recording 220494 packages, but by the Windump, it is automatically divided into 9 (nine) parts of the package which are Buktidigital0 to Buktidigital8. The inspection stage produces evidence that has been verified by Wireshark and Network Miner. The analysis stage proves that there were attacks carried out by addresses 192.168.10.10 and 192.168.234.10. Based on the results of forensic testing, the use of the NIST method on a forensic system that has been built with a virtual router object can be used by investigators to identify evidence of cyber-attacks.
Evolusi dalam bidang teknologi informasi menyebabkan lahirnya pertumbuhan teknologi virtualisasi. Router OS adalah sistem operasi dari Router Mikrotik, yang telah mendukung penerapan virtualisasi. Teknik virtualisasi Router OS yang mudah untuk menjalankan topologi jaringan virtual adalah metarouter. Metarouter memberikan manfaat seperti, membangun server virtual, mesin virtual, topologi jaringan dan penghematan biaya. Sebagai objek penelitian, Metarouter memperkenalkan tantangan bagi investigasi forensik digital, baik praktisi maupun akademisi. Penyelidik perlu menggunakan metodologi dan alat forensik agar dapat membuktikan pelaku kejahatan. Penelitian ini menggunakan alat forensik Windump sebagai alat rekam aktifitas lalu lintas jaringan. Network Miner dan Wireshark sebagai alat analisis dari identifikasi bukti digital. Pemanfaatan metode National Institute of Standard and Technology (NIST) yang meliputi, koleksi, pemeriksaan, analisis dan pelaporan, dapat diulang dan dipertahankan dengan data yang sama. Berdasarkan dari percobaan dengan pengujian lalu lintas jaringan virtual router, sistem yang dibangun berhasil mendapatkan bukti-bukti digital, baik dengan cara pengamatan secara langsung maupun tidak. Skenario sistem yang telah dirancang berhasil merekam 220494 paket, namun oleh alat Windump, secara otomatis terbagi menjadi 9(sembilan) bagian paket yang diberi nama Buktidigital0 sampai dengan Buktidigital8. Tahapan pemeriksaan menghasilkan bukti yang telah diverifikasi oleh alat Wireshark dan Network Miner. Tahapan analisis membuktikan adanya penyerangan yang dilakukan oleh alamat 192.168.10.10 dan 192.168.234.10. Berdasarkan hasil dari pengujian forensik, penggunaan metode NIST pada sistem forensik yang telah dibangun dengan objek virtual router, dapat digunakan investigator sebagai identifikasi bukti serangan siber
Segmentasi Citra Kanker Serviks Menggunakan Markov Random Field dan Algoritma K-Means
No full textCervical cancer is a dangerous disease caused by malignant tumors that grow on the cervix and has globally attacked many women. Pap smear test is one of the early prevention efforts for cervical cancer. Medical personnel often have difficulty identifying images of cervical cancer cells. Several studies have used the K-Means clustering method to identify cervical cancer cell images from Herlev dataset. This study uses the Herlev dataset with the K-Means clustering algorithm and also used the Markov Random Field parameter as a feature for the process of identifying cervical cancer cell images. This study compared the results of the proposed method with some differences in the preprocessing process. The experimental results show an accuracy of 74,51% for RGB channels without low pass filter. Accuracy of 75,11% is obtained from the segmentation process using RGB channels with low pass filter. A further increase in accuracy was obtained by 75,76% when the segmentation process used the grayscale channel with low pass Filter. Based on the segmentation experiment with the highest segmentation accuracy results, the classification process using K-Nearest Neighbor (KNN) gives an accuracy of 89,29%.Kanker serviks adalah penyakit berbahaya yang disebabkan oleh pertumbuhan tumor ganas pada serviks dan telah menyerang banyak wanita di dunia. Tes pap smear merupakan salah satu upaya pencegahan awal penyakit kanker serviks. Petugas medis seringkali kesulitan dalam mengidentifikasi citra sel kanker serviks. Beberapa penelitian telah menggunakan metode K-Means clustering untuk mengidentifikasi citra sel kanker serviks dari dataset Herlev. Penelitian ini juga menggunakan dataset Herlev dengan algoritma K-Means clustering, tetapi menggunakan parameter Markov Random Field sebagai fitur untuk proses pengidentifikasian citra sel kanker serviks. Penelitian ini melakukan perbandingan hasil dari metode yang diajukan dengan beberapa . Hasil eksperimen menunjukkan akurasi 74,51% untuk kanal RGB tanpa low pass filter, sedangkan akurasi sebesar 75,11% didapatkan dari proses segmentasi menggunakan kanal RGB dengan low pass filter. Peningkatan akurasi lebih lanjut didapatkan sebesar 75,76% saat proses segmentasi menggunakan kanal grayscale dengan low pass filter. Berdasarkan percobaan segmentasi citra dengan hasil akurasi segmentasi tertinggi, dilakukan proses klasifikasi menggunakan K-Nearest Neighbor (KNN) yang menghasilkan akurasi sebesar 89,29%
Pendeteksian Septoria pada Tanaman Tomat dengan Metode Deep Learning berbasis Raspberry Pi
Get PDFmuch needed to meet the needs of both industry and households. However, tomato plants still require serious handling in increasing the yields. Data from the Central Bureau of Statistics shows that the number of tomatoes produced is not in accordance with a large number of market demands, resulting from the decrease of tomato yields. One of the obstacles in increasing tomato production is that the crops are attacked by septoria leaf spot disease due to the fungus or the fungus Septoria Lycopersici Speg. Most farmers have limited knowledge of the early symptoms, which are not obvious, and also facing difficulty in detecting this disease earlier. The problem has been causing disadvantages such as crop failure or plant death. Based on this problem, a study will be conducted with the aim of designing a tool that can be used to detect septoria leaf spot disease based on deep learning using the Convolutional Neural Network (ConvNets or CNN) model, where an algorithm that resembles human nerves is one of the supervised learning and widely used for solving linear and non-linear problems. In addition, the researcher used the Raspberry Pi as a microcontroller and used the Intel Movidius Neural Computing Stick (NCS) which functions to speed up the computing process so that the detection process is easier because of its portable, fast and accurate nature. The average accuracy rate is 95.89% with detection accuracy between 84.22% to 100%.
Salah satu komoditas hortikultura sayuran yang memiliki potensi untuk dikembangkan adalah tanaman tomat, karena memiliki nilai ekonomis yang tinggi, juga banyak dibutuhkan dalam memenuhi kebutuhan baik dalam industri maupun rumah tangga. Namun, tanaman tomat masih memerlukan penanganan serius dalam meningkatkan hasil. Data dari Badan Pusat Statistik menunjukkan bahwa jumlah tomat yang diproduksi tidak sesuai dengan banyaknya permintaan pasar, hal ini karena hasil produksi tomat menurun. Salah satu kendala dalam peningkatan hasil produksi tomat yaitu, tanaman terserang penyakit bercak daun septoria akibat cendawan atau jamur Septoria Lycopersici Speg. Keterbatasan pengetahuan petani akan gejala awal yang tidak tampak jelas dan sukarnya mendeteksi secara cepat terhadap penyakit ini, menyebabkan kerugian seperti; gagal panen ataupun matinya tumbuhan. Berdasarkan masalah tersebut, maka akan dilaksanakan sebuah penelitian dengan tujuan merancang alat yang dapat digunakan untuk mendeteksi penyakit bercak daun septoria berbasis pembelajaran mendalam dengan menggunakan model Convolutional Neural Network (ConvNets atau CNN), dimana algoritma yang menyerupai saraf manusia ini merupakan salah satu pembelajaran terawasi dan banyak digunakan untuk pemecahan masalah linear maupun nonlinear. Selain itu, peneliti memanfaatkan Raspberry Pi sebagai mikrokontroler serta menggunakan Intel Movidius Neural Computing Stick (NCS) yang berfungsi untuk mempercepat proses komputasi sehingga proses pendeteksian lebih mudah karena sifatnya yang portable, cepat dan akurat. Tingkat akurasi rata-rata yang dihasilkan adalah 95.89% dengan akurasi perdeteksi antara 84.22% s/d 100%
Pemodelan Topik dengan LDA untuk Temu Kembali Informasi dalam Rekomendasi Tugas Akhir
Get PDFUndergraduate thesis as the final project, or in Indonesian called as Tugas Akhir, for each undergraduate student is a pre-requisite before student graduation and the successfulness in finishing the project becomes as one of learning outcomes among others. Determining the topic of the final project according to the ability of students is an important thing. One strategy to decide the topic is reading some literatures but it takes up more time. There is a need for a recommendation system to help students in determining the topic according to their abilities or subject understanding which is based on their academic transcripts. This study focused on a system for final project topic recommendations based on evaluating competencies in previous academic transcripts of graduated students. Collected data of previous final projects, namely titles and abstracts weighted by term occurences of TF-IDF (term frequency–inverse document frequency) and grouped by using K-Means Clustering. From each cluster result, we prepared candidates for recommended topics using Latent Dirichlet Allocation (LDA) with Gibbs Sampling that focusing on the word distribution of each topic in the cluster. Some evaluations were performed to evaluate the optimal cluster number, topic number and then made more thorough exploration on the recommendation results. Our experiments showed that the proposed system could recommend final project topic ideas based on student competence represented in their academic transcripts.Tugas akhir merupakan prasayarat kelulusan mahasiswa dalam memenuhi target capaian pembelajaran lulusan perguruan tinggi. Penentuan topik tugas akhir sebaiknya disesuaikan dengan kemampuan mahasiswa. Salah satu strategi mendapatkan topik tugas akhir adalah dengan membaca banyak literature namun hal tersebut akan membutuhkan banyak waktu. Sehingga perlu adanya suatu sistem yang membantu mahasiswa dalam menentukan topik tugas akhir dengan cepat sesuai kemampuan pada transkrip akademik yang merepresentasikan pemahaman mata kuliah. Penelitian ini mengusulkan sistem rekomendasi topik tugas akhir berdasarkan kompetensi dalam transkrip akademik. Data tugas akhir yaitu judul dan abstrak dibobotkan dengan kemunculan kata (TF-IDF, term frequency–inverse document frequency) dan dikelompokkan menggunakan K-Means Clustering. Kemudian pada setiap klaster akan diekstraksi topik menggunakan Latent Dirichlet Allocation (LDA) dengan Gibbs Sampling karena perlu memperhitungkan distribusi kata setiap topik. Berbagai skenario uji coba menunjukkan bahwa sistem yang diusulkan dapat merekomendasikan ide topik tugas akhir berdasarkan kompetensi akademik dan dapat membantu mahasiswa mempercepat masa pendidikan sarjananya