Pub Date : 2019-07-12DOI: 10.31328/jointecs.v4i2.1008
Panny Agustia Rahayuningsih
Penyakit Kanker merupakan sepuluh besar penyakit pembunuh di dunia. Kanker merupakan penyakit yang ganas dan sulit disembuhkan jika penyebarannya sudah terlalu luas. Akan tetapi, pendeteksian sel kanker sedini mungkin dapat mengurangi resiko kematian. Penelitian ini bertujuan untuk memprediksikan tingkat kematian dini kanker pada penduduk Eropa dengan menggunakan 5algoritma klasifikasi yaitu: Desecion Tree, Naïve Bayes, k-Nearset Neighbour, Random Forest dan Neural Network dari algoritma tersebut algoritma mana yang dianggap paling baik untuk penelitian ini. Pengujian dilakukan dengan beberapa tahapan penelitian antara lain: dataset (pengumpulan data), pengolahan data awal, metode yang diusulkan, pengujian metode menggunakan 10-fold cross validation, evaluasi hasil dan uji beda t-test. Nilai alpha yang digunakan adalah 0.05. jika probabilitasnya >0.05 maka H0 diterima. Sedangkan jika probabilitasnya <0.05 maka Ho ditolak.Hasil dari penelitian yang mendapatkan performe terbaik dengan nilai akurasi sebesar 98,35% adalah algoritma Neural Network. Sedangkan, hasil penelitian menggunakan uji t-test algoritma dengan model terbaik yaitu: algoritma Random Forest dan Neural Network, algoritma Naïve Bayes lumanyan baik, algoritma Desecion Tree cukup baik dan algoritma yang kurang baik adalah algoritma K-Nearset Neighbour (K-NN).
{"title":"Komparasi Algoritma Klasifikasi Data Mining untuk Memprediksi Tingkat Kematian Dini Kanker dengan Dataset Early Death Cancer","authors":"Panny Agustia Rahayuningsih","doi":"10.31328/jointecs.v4i2.1008","DOIUrl":"https://doi.org/10.31328/jointecs.v4i2.1008","url":null,"abstract":"Penyakit Kanker merupakan sepuluh besar penyakit pembunuh di dunia. Kanker merupakan penyakit yang ganas dan sulit disembuhkan jika penyebarannya sudah terlalu luas. Akan tetapi, pendeteksian sel kanker sedini mungkin dapat mengurangi resiko kematian. Penelitian ini bertujuan untuk memprediksikan tingkat kematian dini kanker pada penduduk Eropa dengan menggunakan 5algoritma klasifikasi yaitu: Desecion Tree, Naïve Bayes, k-Nearset Neighbour, Random Forest dan Neural Network dari algoritma tersebut algoritma mana yang dianggap paling baik untuk penelitian ini. Pengujian dilakukan dengan beberapa tahapan penelitian antara lain: dataset (pengumpulan data), pengolahan data awal, metode yang diusulkan, pengujian metode menggunakan 10-fold cross validation, evaluasi hasil dan uji beda t-test. Nilai alpha yang digunakan adalah 0.05. jika probabilitasnya >0.05 maka H0 diterima. Sedangkan jika probabilitasnya <0.05 maka Ho ditolak.Hasil dari penelitian yang mendapatkan performe terbaik dengan nilai akurasi sebesar 98,35% adalah algoritma Neural Network. Sedangkan, hasil penelitian menggunakan uji t-test algoritma dengan model terbaik yaitu: algoritma Random Forest dan Neural Network, algoritma Naïve Bayes lumanyan baik, algoritma Desecion Tree cukup baik dan algoritma yang kurang baik adalah algoritma K-Nearset Neighbour (K-NN).","PeriodicalId":259537,"journal":{"name":"JOINTECS (Journal of Information Technology and Computer Science)","volume":"2 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2019-07-12","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"121256321","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2019-07-12DOI: 10.31328/JOINTECS.V4I2.1009
Ahmad Desma Syahputra, Fitri Marisa
Pengukuran kinerja suatu perusahaan sangat penting guna evaluasi dan perencanaan masa depan. Penilaian prestasi karyawan mutlak harus dilakukan untuk mengetahui prestasi yang hendak dicapai setiap karyawan. Untuk itu setiap perusahaan mempunyai cara yang berbeda dalam melakukan penilaian prestasi kerja karyawan. Dalam praktiknya, kegiatan penilaian atas prestasi kerja para karyawan harus dilakukan dengan metode yang baik dan tepat, sehingga tidak terjadi kesalahan dalam penilaian. Hasil penilaian yang dilakukan harus dapat menjamin perlakuan yang adil serta memuaskan bagi para karyawan yang dinilai, sehingga pada gilirannya menumbuhkan loyalitas dan semangat kerja. Ada beberapa alat bantu yang sudah umum digunakan untuk melakukan penilaian prestasi kerja karyawan, yaitu dengan metode performance apparsial. Akan tetapi metode ini memiliki beberapa masalah diantaranya adalah penilaian masih bersifat samar, terjadi efek halo, kecenderungan terpusat, dipengaruhi umur, ras dan jenis kelamin. Sistem pendukung keputusan merupakan alat bantu yang dapat digunakan untuk melakukan penilaian prestasi kerja karyawan dengan cara memperbaiki metode penilaian dari performance apparsial. Metode Fuzzy Simple Additive Weighting dipilih untuk melakukan penilaian dan perangkingan prestasi kerja karyawan. Dari hasil pengujian dapat disimpulkan bahwa aplikasi ini dapat diimplementasikan untuk penilaian prestasi kerja karyawan kontrak di kantror RUPBASAN kelas II Blitar.
{"title":"Penilaian Kinerja Karyawan di Kantor RUPBASAN Kelas II Blitas Dengan Menggunakan Fuzzy Simple Additive Weighted","authors":"Ahmad Desma Syahputra, Fitri Marisa","doi":"10.31328/JOINTECS.V4I2.1009","DOIUrl":"https://doi.org/10.31328/JOINTECS.V4I2.1009","url":null,"abstract":"Pengukuran kinerja suatu perusahaan sangat penting guna evaluasi dan perencanaan masa depan. Penilaian prestasi karyawan mutlak harus dilakukan untuk mengetahui prestasi yang hendak dicapai setiap karyawan. Untuk itu setiap perusahaan mempunyai cara yang berbeda dalam melakukan penilaian prestasi kerja karyawan. Dalam praktiknya, kegiatan penilaian atas prestasi kerja para karyawan harus dilakukan dengan metode yang baik dan tepat, sehingga tidak terjadi kesalahan dalam penilaian. Hasil penilaian yang dilakukan harus dapat menjamin perlakuan yang adil serta memuaskan bagi para karyawan yang dinilai, sehingga pada gilirannya menumbuhkan loyalitas dan semangat kerja. Ada beberapa alat bantu yang sudah umum digunakan untuk melakukan penilaian prestasi kerja karyawan, yaitu dengan metode performance apparsial. Akan tetapi metode ini memiliki beberapa masalah diantaranya adalah penilaian masih bersifat samar, terjadi efek halo, kecenderungan terpusat, dipengaruhi umur, ras dan jenis kelamin. Sistem pendukung keputusan merupakan alat bantu yang dapat digunakan untuk melakukan penilaian prestasi kerja karyawan dengan cara memperbaiki metode penilaian dari performance apparsial. Metode Fuzzy Simple Additive Weighting dipilih untuk melakukan penilaian dan perangkingan prestasi kerja karyawan. Dari hasil pengujian dapat disimpulkan bahwa aplikasi ini dapat diimplementasikan untuk penilaian prestasi kerja karyawan kontrak di kantror RUPBASAN kelas II Blitar.","PeriodicalId":259537,"journal":{"name":"JOINTECS (Journal of Information Technology and Computer Science)","volume":"91 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2019-07-12","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"125699381","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2019-07-12DOI: 10.31328/JOINTECS.V4I2.1010
Khalid Aji
Ilmu Psikologi merupakan disiplin ilmu yang secara umum bertujuan untuk memahami perilaku sesama manusia. Dalam prakteknya ilmu psikologi sebagian besar masih menggunakan cara-cara dan metode lama dalam proses memahami dan mempelajari ilmu psikologi suatu objek. Salah satu metode lama yang masih digunakan dalam ilmu psikologi yakni dengan cara membuat lembaran-lembaran kuisioner atau serangkaian pernyataan yang akan diberikan kepada objek yang akan dipelajari lalu kuisioner-kuisioner tersebut diisi oleh masing-masing objek.Melihat hal tersebut perlu pemanfaatan teknologi untuk membuat aplikasi bidang psikologi, khususnya pada sub bidang kepribadian dimana aplikasi tersebut menggunkan pengetahuan komputer dibidang kecerdasan buatan khususnya cabang sistem pakar untuk membantu klasifikasi kepribadian seseorang dengan menggunkana metode Naive Bayes. Sebab, metode ini mempunyai tingkat akurasi yang lebih baik dibandingan model klasifikasi lainnya. Metode Naive Bayes merupakan salah satu metode klasifikasi yang efektif dan efisien karena proses pengklasifikasiannya bekerja secara independen pada setiap fitur objek yang akan diklasifikasi.Berdasarkan hasil perbandingan pengujian sistem dengan menggunakan metode Naive Bayes dengan 100 data learning dan menguji 10 data testing, perbandingan untuk uji sistem pakar memiliki hasil akurasi 70%. Berdasarkan penelitian yang dilakukan hasil akurasi menunjukkan bahwa metode yang digunakan cukup baik untuk klasifikasi menentukan jenik kepribadian Introvert atau Ekstrovert. Dapat disimpulkan semakin banyak data yang digunakan maka semakin besar pula nilai akurasinya.
{"title":"Sistem Pakar Tes Kepribadian Menggunakan Metode Naive Bayes","authors":"Khalid Aji","doi":"10.31328/JOINTECS.V4I2.1010","DOIUrl":"https://doi.org/10.31328/JOINTECS.V4I2.1010","url":null,"abstract":"Ilmu Psikologi merupakan disiplin ilmu yang secara umum bertujuan untuk memahami perilaku sesama manusia. Dalam prakteknya ilmu psikologi sebagian besar masih menggunakan cara-cara dan metode lama dalam proses memahami dan mempelajari ilmu psikologi suatu objek. Salah satu metode lama yang masih digunakan dalam ilmu psikologi yakni dengan cara membuat lembaran-lembaran kuisioner atau serangkaian pernyataan yang akan diberikan kepada objek yang akan dipelajari lalu kuisioner-kuisioner tersebut diisi oleh masing-masing objek.Melihat hal tersebut perlu pemanfaatan teknologi untuk membuat aplikasi bidang psikologi, khususnya pada sub bidang kepribadian dimana aplikasi tersebut menggunkan pengetahuan komputer dibidang kecerdasan buatan khususnya cabang sistem pakar untuk membantu klasifikasi kepribadian seseorang dengan menggunkana metode Naive Bayes. Sebab, metode ini mempunyai tingkat akurasi yang lebih baik dibandingan model klasifikasi lainnya. Metode Naive Bayes merupakan salah satu metode klasifikasi yang efektif dan efisien karena proses pengklasifikasiannya bekerja secara independen pada setiap fitur objek yang akan diklasifikasi.Berdasarkan hasil perbandingan pengujian sistem dengan menggunakan metode Naive Bayes dengan 100 data learning dan menguji 10 data testing, perbandingan untuk uji sistem pakar memiliki hasil akurasi 70%. Berdasarkan penelitian yang dilakukan hasil akurasi menunjukkan bahwa metode yang digunakan cukup baik untuk klasifikasi menentukan jenik kepribadian Introvert atau Ekstrovert. Dapat disimpulkan semakin banyak data yang digunakan maka semakin besar pula nilai akurasinya.","PeriodicalId":259537,"journal":{"name":"JOINTECS (Journal of Information Technology and Computer Science)","volume":"21 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2019-07-12","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"126436785","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Media sosial, Twitter, saat ini telah banyak memberikan dampak besar dalam membangun opini, pandangan, sentimen, dan preferensi politik publik (menjelang Pemilihan Umum) berlangsung. Penelitian ini dilakukan untuk mengetahui percakapan di Twitter pada debat pertama calon presiden Republik Indonesia melalui hashtag dari kedua pasang calon. Selain itu, juga untuk mengetahui tentang kecenderungan masyarakat di Twitter terkait dengan debat yang sedang berlangsung tersebut cenderung positif, negatif, atau netral. Data percakapan di Twitter didapatkan melalui Twitter API yang diambil dengan bahasa Pemrograman R. Proses analisis sentimen ini menggunakan metode Fined-grained Sentiment Analysis yaitu, Jika satu tweet berisi lebih banyak kalimat positif daripada negatif, maka hasil keseluruhan akan positif dan bernilai (+1). Jika jumlah kalimat negatif lebih besar dari kalimat positif, maka hasil keseluruhan negatif dan bernilai (-1). Jika ada jumlah yang sama dari kalimat positif dan negatif dalam paragraf, maka hasilnya adalah netral dan bernilai (0). Hasil dari penelitian ini menunjukkan bahwa tweet sentimen dari kedua hashtag cenderung positif, lebih banyak daripada sentimen negatif dan netral.
{"title":"Analisis Sentimen Twitter Debat Calon Presiden Indonesia Menggunakan Metode Fined-Grained Sentiment Analysis","authors":"Septian Fendyputra Pratama, Ricsa Andrean, Aryo Nugroho","doi":"10.31328/JOINTECS.V4I2.1004","DOIUrl":"https://doi.org/10.31328/JOINTECS.V4I2.1004","url":null,"abstract":"Media sosial, Twitter, saat ini telah banyak memberikan dampak besar dalam membangun opini, pandangan, sentimen, dan preferensi politik publik (menjelang Pemilihan Umum) berlangsung. Penelitian ini dilakukan untuk mengetahui percakapan di Twitter pada debat pertama calon presiden Republik Indonesia melalui hashtag dari kedua pasang calon. Selain itu, juga untuk mengetahui tentang kecenderungan masyarakat di Twitter terkait dengan debat yang sedang berlangsung tersebut cenderung positif, negatif, atau netral. Data percakapan di Twitter didapatkan melalui Twitter API yang diambil dengan bahasa Pemrograman R. Proses analisis sentimen ini menggunakan metode Fined-grained Sentiment Analysis yaitu, Jika satu tweet berisi lebih banyak kalimat positif daripada negatif, maka hasil keseluruhan akan positif dan bernilai (+1). Jika jumlah kalimat negatif lebih besar dari kalimat positif, maka hasil keseluruhan negatif dan bernilai (-1). Jika ada jumlah yang sama dari kalimat positif dan negatif dalam paragraf, maka hasilnya adalah netral dan bernilai (0). Hasil dari penelitian ini menunjukkan bahwa tweet sentimen dari kedua hashtag cenderung positif, lebih banyak daripada sentimen negatif dan netral.","PeriodicalId":259537,"journal":{"name":"JOINTECS (Journal of Information Technology and Computer Science)","volume":"26 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2019-07-12","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"131235922","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2019-07-12DOI: 10.31328/JOINTECS.V4I1.999
Yanuar Risah Prayogi
Beberapa metode ekstraksi fitur untuk sistem identifikasi pembicara memiliki kelemahan yaitu ketika dilingkungan berderau hasil akurasinya menurun. Metode ekstraksi fitur Mel-Frequency Cepstral Coefficient (MFCC) merupakan metode ekstraksi sinyal suara yang peka terhadap derau. Metode MFCC menghasilkan akurasi yang tinggi ketika dilingkungan yang bersih. Sebaliknya ketika di lingkungan yang berderau akurasi yang dihasilkan turun drastis. Penelitian ini mengusulkan metode ekstraksi fitur menggunakan MFCC digabung dengan algoritma deteksi endpoint. Algoritma deteksi endpoint memisahkan daerah speech dan nonspeech. Daerah nonspeech biasanya lebih banyak berisi derau sehingga bisa dijadikan informasi derau. Informasi derau diekstrak dan menghasilkan magnitude frekuensi derau. Uji coba metode yang diusulkan menghasilkan nilai akurasi yang lebih tinggi pada semua tipe derau dan tingkat SNR. Akurasi yang dihasilkan oleh metode yang diusulkan lebih tinggi 14.69% dibanding metode MFCC, 6.4% dibanding metode MFCC+wiener, dan 2.74% dibanding metode MFCC+Spectral Subtraction (SS).
{"title":"Modifikasi Metode MFCC untuk Identifikasi Pembicara di Lingkungan Ber-Noise","authors":"Yanuar Risah Prayogi","doi":"10.31328/JOINTECS.V4I1.999","DOIUrl":"https://doi.org/10.31328/JOINTECS.V4I1.999","url":null,"abstract":"Beberapa metode ekstraksi fitur untuk sistem identifikasi pembicara memiliki kelemahan yaitu ketika dilingkungan berderau hasil akurasinya menurun. Metode ekstraksi fitur Mel-Frequency Cepstral Coefficient (MFCC) merupakan metode ekstraksi sinyal suara yang peka terhadap derau. Metode MFCC menghasilkan akurasi yang tinggi ketika dilingkungan yang bersih. Sebaliknya ketika di lingkungan yang berderau akurasi yang dihasilkan turun drastis. Penelitian ini mengusulkan metode ekstraksi fitur menggunakan MFCC digabung dengan algoritma deteksi endpoint. Algoritma deteksi endpoint memisahkan daerah speech dan nonspeech. Daerah nonspeech biasanya lebih banyak berisi derau sehingga bisa dijadikan informasi derau. Informasi derau diekstrak dan menghasilkan magnitude frekuensi derau. Uji coba metode yang diusulkan menghasilkan nilai akurasi yang lebih tinggi pada semua tipe derau dan tingkat SNR. Akurasi yang dihasilkan oleh metode yang diusulkan lebih tinggi 14.69% dibanding metode MFCC, 6.4% dibanding metode MFCC+wiener, dan 2.74% dibanding metode MFCC+Spectral Subtraction (SS).","PeriodicalId":259537,"journal":{"name":"JOINTECS (Journal of Information Technology and Computer Science)","volume":"25 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2019-07-12","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"128658476","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Penelitian ini bertujuan untuk mengembangkan sebuah laboratorium berbasis virtualisasi untuk simulasi uji penetrasi dan membandingkan tingkat performa antara server fisik dan server virtual. Tipe Pengembangan laboratorium virtual menggunakan hypervisor Vmware Wokstation. Pengujian simulasi Penetrasi menggunakan pedoman Information System Security Assessment Framework (ISSAF) sedangkan Tools yang digunakan untuk pengujian simulasi penetrasi menggunakan tools yang disediakan pada Kali Linux. Penelitian ini menunjukan jika tahapan-tahapan pengujian penetrasi dapat dilakukan pada lingkungan virtual. Berdasarkan hasil pengujian tingkat performa menunjukkan perbandingan tingkat respon time kedua server cukup signifikan sedangkan untuk throughput server fisik 10 kali lebih cepat dibandingkan server virtual. Perbandingan peningkatan CPU pada kedua server juga cukup signifikan berbanding terbalik dengan Perbandingan penggunaan memory pada server virtual 2 kali lebih besar dari server fisik.
{"title":"Pengembangan Laboratorium Virtual untuk Simulasi Uji Penetrasi Sistem Keamanan Jaringan","authors":"Fahru Roszy Mahtuf, Puspanda Hatta, Endar Suprih Wihidiyat","doi":"10.31328/JOINTECS.V4I1.1000","DOIUrl":"https://doi.org/10.31328/JOINTECS.V4I1.1000","url":null,"abstract":"Penelitian ini bertujuan untuk mengembangkan sebuah laboratorium berbasis virtualisasi untuk simulasi uji penetrasi dan membandingkan tingkat performa antara server fisik dan server virtual. Tipe Pengembangan laboratorium virtual menggunakan hypervisor Vmware Wokstation. Pengujian simulasi Penetrasi menggunakan pedoman Information System Security Assessment Framework (ISSAF) sedangkan Tools yang digunakan untuk pengujian simulasi penetrasi menggunakan tools yang disediakan pada Kali Linux. Penelitian ini menunjukan jika tahapan-tahapan pengujian penetrasi dapat dilakukan pada lingkungan virtual. Berdasarkan hasil pengujian tingkat performa menunjukkan perbandingan tingkat respon time kedua server cukup signifikan sedangkan untuk throughput server fisik 10 kali lebih cepat dibandingkan server virtual. Perbandingan peningkatan CPU pada kedua server juga cukup signifikan berbanding terbalik dengan Perbandingan penggunaan memory pada server virtual 2 kali lebih besar dari server fisik.","PeriodicalId":259537,"journal":{"name":"JOINTECS (Journal of Information Technology and Computer Science)","volume":"218 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2019-07-12","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"133712615","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2019-07-12DOI: 10.31328/JOINTECS.V4I2.1007
Imanuddin Imanuddin, Raza Oktafian, M. Munawir
Pelembutan Citra (Image smoothing) bertujuan untuk menekan gangguan (noise) pada citra.Gangguan tersebut biasanya muncul sebagai akibat dari hasil penerokan yang tidak bagus (sensor noise, photographic grain noise) atau akibat saluran transmisi (pada pengiriman data).Penelitian ini telah menghasilkan sebuah program aplikasi untuk image smoothing dengan beberapa metode yaitu mean filtering,grayscale dan gaussian filtering. Citra uji yang digunakan pada penelitian ini menggunakan satu sampel gambar. Citra tersebut di-load dan ditampilkan pada program. Kemudian dilakuan proses image smoothing dengan menggunakan metode grayscale,gaussian dan mean.
{"title":"Image Smoothing Menggunakan Metode Mean Filtering","authors":"Imanuddin Imanuddin, Raza Oktafian, M. Munawir","doi":"10.31328/JOINTECS.V4I2.1007","DOIUrl":"https://doi.org/10.31328/JOINTECS.V4I2.1007","url":null,"abstract":"Pelembutan Citra (Image smoothing) bertujuan untuk menekan gangguan (noise) pada citra.Gangguan tersebut biasanya muncul sebagai akibat dari hasil penerokan yang tidak bagus (sensor noise, photographic grain noise) atau akibat saluran transmisi (pada pengiriman data).Penelitian ini telah menghasilkan sebuah program aplikasi untuk image smoothing dengan beberapa metode yaitu mean filtering,grayscale dan gaussian filtering. Citra uji yang digunakan pada penelitian ini menggunakan satu sampel gambar. Citra tersebut di-load dan ditampilkan pada program. Kemudian dilakuan proses image smoothing dengan menggunakan metode grayscale,gaussian dan mean.","PeriodicalId":259537,"journal":{"name":"JOINTECS (Journal of Information Technology and Computer Science)","volume":"170 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2019-07-12","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"117084769","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2019-07-12DOI: 10.31328/JOINTECS.V4I1.1002
Isbalaikana Larasati, Fitri Marisa
AHP (Analitycal Hierarchy Process) merupakan metode untuk membantu mengambil suatu keputusan tertentu yang sesuai dengan kriteria. Dalam permasalahan ini mempunyai kriteria yaitu kedisiplinan, tanggung jawab, komitmen, jujur, dan etika. Untuk mebantu perhitungan metode AHP ini ditentukan sebuah bobot pada setiap kriteria agar lebih mudah dalam perhitungan selanjutnya. Hasil akhir yang didapatkan adalah proses penjumlahan dari setiap kriteria dengan memiliki hasil tertinggi 1,559545999.
{"title":"Sistem Aplikasi Penentu Gaji Karyawan pada UD. Mebel DM Menggunakan Metode AHP Berbasis Website","authors":"Isbalaikana Larasati, Fitri Marisa","doi":"10.31328/JOINTECS.V4I1.1002","DOIUrl":"https://doi.org/10.31328/JOINTECS.V4I1.1002","url":null,"abstract":"AHP (Analitycal Hierarchy Process) merupakan metode untuk membantu mengambil suatu keputusan tertentu yang sesuai dengan kriteria. Dalam permasalahan ini mempunyai kriteria yaitu kedisiplinan, tanggung jawab, komitmen, jujur, dan etika. Untuk mebantu perhitungan metode AHP ini ditentukan sebuah bobot pada setiap kriteria agar lebih mudah dalam perhitungan selanjutnya. Hasil akhir yang didapatkan adalah proses penjumlahan dari setiap kriteria dengan memiliki hasil tertinggi 1,559545999.","PeriodicalId":259537,"journal":{"name":"JOINTECS (Journal of Information Technology and Computer Science)","volume":"53 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2019-07-12","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"121595210","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2019-07-12DOI: 10.31328/JOINTECS.V4I1.1001
M. Alamsyah
Iridologi atau yang biasa disebut sebagai diagnosis iris adalah suatu metode kedokteran yang menyatakan bahwa tiap bagian pada tubuh manusia dapat direpresentasikan dengan wilayah yang terdapat pada iris mata (bagian yang berwarna pada pupil) dan dapat mengetahui seseorang yang telah mengalami gejala penyakit. Untuk menentukan gejala suatu penyakit yang diderita pasien pada umumnya akan dilakukan tes laboratorium, dimana tes ini cukup mahal dan terkadang menimbulkan luka serta hasilnya pun terkadang lama untuk diketahui, metode sebelumnya mampu melakukan segmentasi citra iris mata tapi sulit untuk pengambilan fokus iris mata yang akurat dan nilai tingkat pada akurasi karena antara sklera, iris mata dan pupil masih jadi satu. Oleh karena itu, pada penelitian ini mengimplementasikan segmentasi tiga kelas menggunakan metode otsu thresholding, metode otsu merupakan metode pencarian ambang batas atau treshold otomatis yang baik kemudian menggunakan metode tiga kelas dengan menentukan foreground, TBD (To Be Determinand) dan background. Metode ini mampu melakukan segmentasi citra iris mata dengan baik yaitu dengan akurasi 99.07 % dan nilai Area Under Curve (AUC) pada kurva relaive operating characteristic (ROC) sebesar 99.07 %.
虹膜诊断通常被称为虹膜诊断的医学方法是，人体的每一部分都可以用虹膜的颜色区域(瞳孔的颜色部分)来表示，可以识别出现疾病症状的人。决定病人遭受疾病的症状一般会做实验室测试,这个测试在哪里很贵,而且有时候连引起伤口都和结果才知道,以前能做虹膜图像分割方法,但很难准确的虹膜水平和价值关注投票结果的准确性,因为sklera之间,虹膜和瞳孔仍然是一体的。因此，在本研究中，采用otsu thresholding方法实施三类细分，otsu方法是一种很好的自动阈值或treshold搜索方法，然后采用三类方法确定前场、TBD (To Be Determinand)和背景。该方法可以很好地分割虹膜图像，即以99.07分的精度，以及reacteristic曲线下的区域值为99.07分。
{"title":"Segmentasi Citra Iris Mata Menggunakan Metode Otsu Thresholding","authors":"M. Alamsyah","doi":"10.31328/JOINTECS.V4I1.1001","DOIUrl":"https://doi.org/10.31328/JOINTECS.V4I1.1001","url":null,"abstract":"Iridologi atau yang biasa disebut sebagai diagnosis iris adalah suatu metode kedokteran yang menyatakan bahwa tiap bagian pada tubuh manusia dapat direpresentasikan dengan wilayah yang terdapat pada iris mata (bagian yang berwarna pada pupil) dan dapat mengetahui seseorang yang telah mengalami gejala penyakit. Untuk menentukan gejala suatu penyakit yang diderita pasien pada umumnya akan dilakukan tes laboratorium, dimana tes ini cukup mahal dan terkadang menimbulkan luka serta hasilnya pun terkadang lama untuk diketahui, metode sebelumnya mampu melakukan segmentasi citra iris mata tapi sulit untuk pengambilan fokus iris mata yang akurat dan nilai tingkat pada akurasi karena antara sklera, iris mata dan pupil masih jadi satu. Oleh karena itu, pada penelitian ini mengimplementasikan segmentasi tiga kelas menggunakan metode otsu thresholding, metode otsu merupakan metode pencarian ambang batas atau treshold otomatis yang baik kemudian menggunakan metode tiga kelas dengan menentukan foreground, TBD (To Be Determinand) dan background. Metode ini mampu melakukan segmentasi citra iris mata dengan baik yaitu dengan akurasi 99.07 % dan nilai Area Under Curve (AUC) pada kurva relaive operating characteristic (ROC) sebesar 99.07 %.","PeriodicalId":259537,"journal":{"name":"JOINTECS (Journal of Information Technology and Computer Science)","volume":"65 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2019-07-12","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"117044588","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2019-07-12DOI: 10.31328/JOINTECS.V4I1.998
Ricsa Andrean, Septian Fendy, Aryo Nugroho
Proses pengendalian persediaan merupakan bagian penting bagi perusahaan untuk melakukan penyediaan barang. Pengendalian persediaan dilakukan untuk memenuhi jumlah barang yang dibutuhkan pada saat pemasaran dilakukan, namun perusahaan memiliki permasalahan dalam menentukan jumlah persediaan barang dikarenakan jumlah barang yang dibutuhkan pada saat pemasaran berubah setiap waktu. Penelitian ini melakukan data mining guna membantu perusahaan agar dapat mengukur jumlah persediaan barang sebelum dipasarkan dengan melakukan penggalian data menggunakan salah satu metode data mining yaitu pengelompokan data. Pada penelitian ini melakukan mengelompokkan data laporan distribusi dan laporan penjualan pada perusahaan aki, data tersebut di kelompokkan menjadi 3 kelompok dengan menggunakan salah satu algoritma pengelompokan data yaitu K-Means, dari hasil pengelompokan digunakan untuk mengetahui kelompok produk yang diminati, sedang dan kurang diminati kemudian kelompok tersebut digunakan sebagai acuan persediaan banyak, sedang dan sedikit. Data yang digunakan merupakan data laporan distribusi dan laporan penjualan periode Januari – Desember 2018 dengan total sebanyak 125 produk. Setelah data tersebut diolah menggunakan algoritma K-Means, menunjukkan bahwa kelompok 1 dengan nilai objek data rendah merupakan kelompok produk yang kurang diminati, kelompok 2 dengan nilai objek data sedang merupakan kelompok produk diminati dalam kategori sedang, sedangkan kelompok 3 dengan nilai objek data tinggi merupakan kelompok produk yang banyak diminati.
{"title":"Klasterisasi Pengendalian Persediaan Aki Menggunakan Metode K-Means","authors":"Ricsa Andrean, Septian Fendy, Aryo Nugroho","doi":"10.31328/JOINTECS.V4I1.998","DOIUrl":"https://doi.org/10.31328/JOINTECS.V4I1.998","url":null,"abstract":"Proses pengendalian persediaan merupakan bagian penting bagi perusahaan untuk melakukan penyediaan barang. Pengendalian persediaan dilakukan untuk memenuhi jumlah barang yang dibutuhkan pada saat pemasaran dilakukan, namun perusahaan memiliki permasalahan dalam menentukan jumlah persediaan barang dikarenakan jumlah barang yang dibutuhkan pada saat pemasaran berubah setiap waktu. Penelitian ini melakukan data mining guna membantu perusahaan agar dapat mengukur jumlah persediaan barang sebelum dipasarkan dengan melakukan penggalian data menggunakan salah satu metode data mining yaitu pengelompokan data. Pada penelitian ini melakukan mengelompokkan data laporan distribusi dan laporan penjualan pada perusahaan aki, data tersebut di kelompokkan menjadi 3 kelompok dengan menggunakan salah satu algoritma pengelompokan data yaitu K-Means, dari hasil pengelompokan digunakan untuk mengetahui kelompok produk yang diminati, sedang dan kurang diminati kemudian kelompok tersebut digunakan sebagai acuan persediaan banyak, sedang dan sedikit. Data yang digunakan merupakan data laporan distribusi dan laporan penjualan periode Januari – Desember 2018 dengan total sebanyak 125 produk. Setelah data tersebut diolah menggunakan algoritma K-Means, menunjukkan bahwa kelompok 1 dengan nilai objek data rendah merupakan kelompok produk yang kurang diminati, kelompok 2 dengan nilai objek data sedang merupakan kelompok produk diminati dalam kategori sedang, sedangkan kelompok 3 dengan nilai objek data tinggi merupakan kelompok produk yang banyak diminati.","PeriodicalId":259537,"journal":{"name":"JOINTECS (Journal of Information Technology and Computer Science)","volume":"109 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2019-07-12","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"127689314","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
京公网安备 11010802042870号
京ICP备2023020795号-1
扫码关注我们
求助内容：
应助结果提醒方式：