Nur Fajriyani, Enda Esyudha Pratama, Rina Septiriana
Instagram adalah salah satu media sosial yang populer di Indonesia dan memiliki resiko terjadinya cyberbullying, sehingga klasifikasi komentar cyberbullying perlu dilakukan menggunakan text mining. Model klasifikasi yang dibangun pada penelitian ini menggunakan Neural Network dengan arsitektur Multilayer Perceptron dan dilatih dengan algoritma Backpropagation. Bayesian Optimization digunakan untuk melakukan optimasi hyperparameter, dengan hyperparameter yang dioptimasi adalah hidden layer, learning rate, dan momentum. Dilihat dari hasil evaluasi, performa dari model Neural Network dengan optimasi hyperparameter lebih baik daripada Neural Network yang hanya menggunakan default hyperparameter. Dimana model Neural Network dengan default hyperparameter mengalami overfitting dan menghasilkan nilai akurasi sebesar 81,38%, sedangkan model dengan optimasi hyperparameter tidak mengalami overfitting dan mengalami kenaikan akurasi dibandingkan dengan model Neural Network tanpa optimasi hyperparameter dengan model dengan tiga hyperparameter yang dioptimasi yaitu hidden layer, learning rate, dan momentum mengalami kenaikan akurasi sebesar 2,5%, model dengan optimasi hyperparameter pada hidden layer dan pada learning rate masing-masing mengalami kenaikan akurasi yang sama, yaitu sebesar 2,37%, dan model dengan optimasi hyperparameter pada momentum mengalami kenaikan akurasi sebesar 2%. Hasil penelitian ini menunjukkan bahwa hidden layer, learning rate, dan momentum ketika di optimasi secara bersamaan memiliki pengaruh besar dalam mencegah overfitting, menaikan akurasi, dan memiliki waktu eksekusi yang baik daripada dioptimasi secara terpisah.
{"title":"Optimasi Hyperparameter pada Neural Network (Studi Kasus: Identifikasi Komentar Cyberbullying Instagram)","authors":"Nur Fajriyani, Enda Esyudha Pratama, Rina Septiriana","doi":"10.26418/jp.v9i2.68319","DOIUrl":"https://doi.org/10.26418/jp.v9i2.68319","url":null,"abstract":"Instagram adalah salah satu media sosial yang populer di Indonesia dan memiliki resiko terjadinya cyberbullying, sehingga klasifikasi komentar cyberbullying perlu dilakukan menggunakan text mining. Model klasifikasi yang dibangun pada penelitian ini menggunakan Neural Network dengan arsitektur Multilayer Perceptron dan dilatih dengan algoritma Backpropagation. Bayesian Optimization digunakan untuk melakukan optimasi hyperparameter, dengan hyperparameter yang dioptimasi adalah hidden layer, learning rate, dan momentum. Dilihat dari hasil evaluasi, performa dari model Neural Network dengan optimasi hyperparameter lebih baik daripada Neural Network yang hanya menggunakan default hyperparameter. Dimana model Neural Network dengan default hyperparameter mengalami overfitting dan menghasilkan nilai akurasi sebesar 81,38%, sedangkan model dengan optimasi hyperparameter tidak mengalami overfitting dan mengalami kenaikan akurasi dibandingkan dengan model Neural Network tanpa optimasi hyperparameter dengan model dengan tiga hyperparameter yang dioptimasi yaitu hidden layer, learning rate, dan momentum mengalami kenaikan akurasi sebesar 2,5%, model dengan optimasi hyperparameter pada hidden layer dan pada learning rate masing-masing mengalami kenaikan akurasi yang sama, yaitu sebesar 2,37%, dan model dengan optimasi hyperparameter pada momentum mengalami kenaikan akurasi sebesar 2%. Hasil penelitian ini menunjukkan bahwa hidden layer, learning rate, dan momentum ketika di optimasi secara bersamaan memiliki pengaruh besar dalam mencegah overfitting, menaikan akurasi, dan memiliki waktu eksekusi yang baik daripada dioptimasi secara terpisah.","PeriodicalId":31793,"journal":{"name":"JEPIN Jurnal Edukasi dan Penelitian Informatika","volume":"44 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-08-26","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"135236711","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}
Fatchurrochman Fatchurrochman, Arif Nur Afandi, M Zainal Arifin, Wayan Firdaus Mahmudy
Penjadwalan perkuliahan di universitas adalah kegitan rutin yang membutuhkan waktu relatif lama untuk menyelesaikannya jika dikerjakan secara manual. Waktu yang dibutuhkan akan semakin besar ketika semakin banyak constraint yang dipertimbangkan. Mekanisme penanganannya akan berbeda di tiap universitas karena mungkin mereka mempunyai constraint yang unik. Dalam paper ini dipaparkan berbagai algoritma penanganan untuk tiap jenis constraint dalam persoalan penjadwalan perkuliahan. Algoritma penjadwalan perkuliahan otomatis yang digunakan dalam penjadwalan otomatispenelitian ini adalah sequential search yang bekerja dengan cara mencari slot waktu yang masih belum dipergunakan untuk ditempati oleh kelas perkuliahan . Bila slot waktu telah dipergunakan maka sistem akan mencari slot waktu yang lain secara berurutan. Uji coba dilakukan di program studi Teknik Informatika UIN Malang pada semester Ganjil tahun akademik 2021/2022. Hasilnya menunjukkan bahwa dengan 10 constraint, sistem yang dibangun dapat menjadwalkan 190 kelas perkuliahan secara otomatis dan 21 kelas perkuliahan dijadwalkan secara interaktif. Dengan sistem yang diajukan maka seluruh kelas perkuliahan sebanyak 211 dapat terjadwal meskipun ada pelanggaran soft constraint oleh 17 kelas perkuliahan.
{"title":"Algoritma Penanganan Constraint pada Persoalan Penjadwalan Perkuliahan Universitas di Lingkungan Pendidikan Tinggi Keagamaan Islam (PTKI)","authors":"Fatchurrochman Fatchurrochman, Arif Nur Afandi, M Zainal Arifin, Wayan Firdaus Mahmudy","doi":"10.26418/jp.v9i2.64546","DOIUrl":"https://doi.org/10.26418/jp.v9i2.64546","url":null,"abstract":"Penjadwalan perkuliahan di universitas adalah kegitan rutin yang membutuhkan waktu relatif lama untuk menyelesaikannya jika dikerjakan secara manual. Waktu yang dibutuhkan akan semakin besar ketika semakin banyak constraint yang dipertimbangkan. Mekanisme penanganannya akan berbeda di tiap universitas karena mungkin mereka mempunyai constraint yang unik. Dalam paper ini dipaparkan berbagai algoritma penanganan untuk tiap jenis constraint dalam persoalan penjadwalan perkuliahan. Algoritma penjadwalan perkuliahan otomatis yang digunakan dalam penjadwalan otomatispenelitian ini adalah sequential search yang bekerja dengan cara mencari slot waktu yang masih belum dipergunakan untuk ditempati oleh kelas perkuliahan . Bila slot waktu telah dipergunakan maka sistem akan mencari slot waktu yang lain secara berurutan. Uji coba dilakukan di program studi Teknik Informatika UIN Malang pada semester Ganjil tahun akademik 2021/2022. Hasilnya menunjukkan bahwa dengan 10 constraint, sistem yang dibangun dapat menjadwalkan 190 kelas perkuliahan secara otomatis dan 21 kelas perkuliahan dijadwalkan secara interaktif. Dengan sistem yang diajukan maka seluruh kelas perkuliahan sebanyak 211 dapat terjadwal meskipun ada pelanggaran soft constraint oleh 17 kelas perkuliahan.","PeriodicalId":31793,"journal":{"name":"JEPIN Jurnal Edukasi dan Penelitian Informatika","volume":"25 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-08-25","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"134981487","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}
Dedy Kurniadi, Rahmat Gernowo, Bayu Surarso, Adi Wibowo, Budi Warsito
Penggunaan teknologi di bidang pendidikan sekarang ini sedang trending ke arah penilaian secara otomatis, namun penilaian secara otomatis ini memiliki permasalahan yaitu belum bisa mengkoreksi jawaban teks singkat secara otomatis, selain itu pada saat ini juga belum tersedia platform yang bisa mengkoreksi jawaban singkat secara otomatis, penilaian jawaban teks singkat ini membutuhkan waktu koreksi yang lama dan hasil penilaian yang tidak konsisten jika koreksi dilakukan oleh manusia, pada penelitian ini diusulkan sistem yang mampu mengkoreksi ujian peserta didik pada bagian jawaban singkat secara otomatis atau disebut dengan Automated Short Answer Grading (ASAG) dengan menggunakan metode cosine similarity, tahapan yang dilakukan adalah melakukan ekstraksi pada dua variabel inputan yaitu teks pada jawaban peserta didik dan teks pada kunci jawaban yang dilakukan dengan ekstraksi teks casefolding, tokenizing, stopword removal, setelah tahapan tersebut dilakukan kemudian dihitung nilai similarity antara kunci jawaban ujian dengan jawaban peserta didik apakah jawaban peserta didik sama dengan kunci jawaban atau tidak, dengan menggunakan skor yang dinilai otomatis menggunakan sistem, dihasilkan similarity antara jawaban peserta didik dengan kunci jawaban rata-rata sebesar 85,4%, untuk menguji korelasi koreksi jawaban peserta didik dengan sistem dan koreksi yang dilakukan oleh manusia maka dilakukan uji korelasi antara hasil penilian yang dilakukan oleh sistem dengan hasil penilaian yang dilakukan oleh manusia (instruktur) dengan menggunakan kendall’s w value menghasilkan nilai w antara instruktur 1 dengan sistem sebesar 0,885 dan instruktur 2 dengan sistem sebesar 0,883 dengan nilai chi square sebesar 135,4 dan 133,8 dengan p sebesar 0,0001, hasil tersebut menunjukkan ASAG memiliki korelasi yang tinggi dan sistem ASAG ini bisa melakukan penilaian secara otomatis.
使用科技在教育领域现在正朝自动评估,但评估流行。这就是没能纠正问题的答案自动文本自动短,此外在目前还没有可用的平台可以自动纠正简短的回答,答案判断这些简短的文本需要很久的纠正和纠正结果不一致的判断,如果是由人类,考试的这项研究提出了一个系统能够纠正学习者的自动简短的回答或部分叫做自动分级短答案(ASAG)通过使用方法cosine similarity,做的就是从事开采阶段学习者对两个变量inputan即短信答案的答案和文本提取文本进行casefolding tokenizing stopword晕倒,完成后，然后计算测试答案的键和学习者的答案之间的相似值，不管学习者的答案是否与学习者的答案相同，通过使用自动评分系统，可以在学习者的答案与平均答案85.4%之间产生类似的值，检验学习者纠正答案相关性系统和纠正人类所做的那么做的之间的相关性测试结果penilian人类所做的系统评估的结果(导师)用肯德尔的w值产生w导师之间1 0,885大小和教练两大系统0.883 chi 135.4大小的广场和133.8 p值的0,0001一样大,结果表明ASAG具有很高的相关性，这个ASAG系统可以自动进行评估。
{"title":"Sistem Penilaian Jawaban Singkat Otomatis pada Ujian Online Berbasis Komputer Menggunakan Algoritma Cosine Similarity","authors":"Dedy Kurniadi, Rahmat Gernowo, Bayu Surarso, Adi Wibowo, Budi Warsito","doi":"10.26418/jp.v9i2.66934","DOIUrl":"https://doi.org/10.26418/jp.v9i2.66934","url":null,"abstract":"Penggunaan teknologi di bidang pendidikan sekarang ini sedang trending ke arah penilaian secara otomatis, namun penilaian secara otomatis ini memiliki permasalahan yaitu belum bisa mengkoreksi jawaban teks singkat secara otomatis, selain itu pada saat ini juga belum tersedia platform yang bisa mengkoreksi jawaban singkat secara otomatis, penilaian jawaban teks singkat ini membutuhkan waktu koreksi yang lama dan hasil penilaian yang tidak konsisten jika koreksi dilakukan oleh manusia, pada penelitian ini diusulkan sistem yang mampu mengkoreksi ujian peserta didik pada bagian jawaban singkat secara otomatis atau disebut dengan Automated Short Answer Grading (ASAG) dengan menggunakan metode cosine similarity, tahapan yang dilakukan adalah melakukan ekstraksi pada dua variabel inputan yaitu teks pada jawaban peserta didik dan teks pada kunci jawaban yang dilakukan dengan ekstraksi teks casefolding, tokenizing, stopword removal, setelah tahapan tersebut dilakukan kemudian dihitung nilai similarity antara kunci jawaban ujian dengan jawaban peserta didik apakah jawaban peserta didik sama dengan kunci jawaban atau tidak, dengan menggunakan skor yang dinilai otomatis menggunakan sistem, dihasilkan similarity antara jawaban peserta didik dengan kunci jawaban rata-rata sebesar 85,4%, untuk menguji korelasi koreksi jawaban peserta didik dengan sistem dan koreksi yang dilakukan oleh manusia maka dilakukan uji korelasi antara hasil penilian yang dilakukan oleh sistem dengan hasil penilaian yang dilakukan oleh manusia (instruktur) dengan menggunakan kendall’s w value menghasilkan nilai w antara instruktur 1 dengan sistem sebesar 0,885 dan instruktur 2 dengan sistem sebesar 0,883 dengan nilai chi square sebesar 135,4 dan 133,8 dengan p sebesar 0,0001, hasil tersebut menunjukkan ASAG memiliki korelasi yang tinggi dan sistem ASAG ini bisa melakukan penilaian secara otomatis.","PeriodicalId":31793,"journal":{"name":"JEPIN Jurnal Edukasi dan Penelitian Informatika","volume":"17 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-08-25","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"134981488","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}
Nadya Lestari, Tursina Tursina, Enda Esyudha Pratama
Dunia saat ini sedang berada di era Big Data, dimana sejumlah besar data berdimensi tinggi tersebar di berbagai domain, seperti media sosial, layanan kesehatan, bio-informatika, dan pendidikan online. Big Data adalah salah satu teknik pembelajaran mesin dan menjadi alat penting yang populer dalam bisnis, sehingga pengelolaan Big Data yang efektif menjadi hal yang sangat penting. Salah satu topik yang menarik untuk diteliti dalam kajian Big Data khususnya text mining ialah cyberbullying Instagram. Beberapa teknik yang dapat digunakan untuk memecahkan masalah text mining yaitu, clustering, klasifikasi, outlier, asosiasi, dan masih banyak lagi. Klasifikasi merupakan bentuk dasar dari analisis data yang banyak diterapkan diberbagai bidang. Penelitian ini membangun model klasifikasi menggunakan algoritma Logistic Regression dengan penambahan proses seleksi fitur menggunakan algoritma Particle Swarm Optimization sebagai tahapan yang berada sebelum proses pelatihan model regresi untuk mengklasifikasi komentar cyberbullying Instagram. Seleksi fitur dilakukan untuk mempertahankan kinerja model klasifikasi dengan menggunakan jumlah fitur pelatihan yang lebih sedikit. Hasil penelitian menunjukkan bahwa penambahan seleksi fitur dapat mereduksi fitur kata sebanyak 40% yang diikuti penurunan akurasi, presisi, dan AUC masing-masing sebesar 1,25%, 4,25%, 1,09% serta peningkatan nilai recall dan f1-score secara berurut sebesar 5,36% dan 0,57%. Penambahan Particle Swarm Optimization sebagai seleksi fitur pada kasus disimpulkan efektif mempertahankan kinerja pembelajaran model dilihat dari nilai AUC yang tetap berada pada kategori Good Classification saat dilatih dengan fitur kata yang lebih sedikit.
{"title":"Penerapan Seleksi Fitur Particle Swarm Optimization pada Klasifikasi Teks (Studi Kasus: Komentar Cyberbullying Instagram)","authors":"Nadya Lestari, Tursina Tursina, Enda Esyudha Pratama","doi":"10.26418/jp.v9i2.68320","DOIUrl":"https://doi.org/10.26418/jp.v9i2.68320","url":null,"abstract":"Dunia saat ini sedang berada di era Big Data, dimana sejumlah besar data berdimensi tinggi tersebar di berbagai domain, seperti media sosial, layanan kesehatan, bio-informatika, dan pendidikan online. Big Data adalah salah satu teknik pembelajaran mesin dan menjadi alat penting yang populer dalam bisnis, sehingga pengelolaan Big Data yang efektif menjadi hal yang sangat penting. Salah satu topik yang menarik untuk diteliti dalam kajian Big Data khususnya text mining ialah cyberbullying Instagram. Beberapa teknik yang dapat digunakan untuk memecahkan masalah text mining yaitu, clustering, klasifikasi, outlier, asosiasi, dan masih banyak lagi. Klasifikasi merupakan bentuk dasar dari analisis data yang banyak diterapkan diberbagai bidang. Penelitian ini membangun model klasifikasi menggunakan algoritma Logistic Regression dengan penambahan proses seleksi fitur menggunakan algoritma Particle Swarm Optimization sebagai tahapan yang berada sebelum proses pelatihan model regresi untuk mengklasifikasi komentar cyberbullying Instagram. Seleksi fitur dilakukan untuk mempertahankan kinerja model klasifikasi dengan menggunakan jumlah fitur pelatihan yang lebih sedikit. Hasil penelitian menunjukkan bahwa penambahan seleksi fitur dapat mereduksi fitur kata sebanyak 40% yang diikuti penurunan akurasi, presisi, dan AUC masing-masing sebesar 1,25%, 4,25%, 1,09% serta peningkatan nilai recall dan f1-score secara berurut sebesar 5,36% dan 0,57%. Penambahan Particle Swarm Optimization sebagai seleksi fitur pada kasus disimpulkan efektif mempertahankan kinerja pembelajaran model dilihat dari nilai AUC yang tetap berada pada kategori Good Classification saat dilatih dengan fitur kata yang lebih sedikit.","PeriodicalId":31793,"journal":{"name":"JEPIN Jurnal Edukasi dan Penelitian Informatika","volume":"31 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-08-25","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"134981669","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}
Salah satu syarat kelulusan kuliah adalah lulus skripsi. Pada skripsi, mahasiswa perlu menentukan topik skripsi. Penentuan topik adalah hal yang penting pada skripsi, karena topik yang tepat akan mengurangi kendala dalam membuat skripsi [1]. Penulis melakukan analisa terhadap persentase nilai E pada nilai mata kuliah seminar dan skripsi. Hasil analisis menunjukan terdapat 21.6% dari 351 mahasiswa seminar yang mendapat nilai E dan 61.25% dari 240 mahasiswa yang belum dapat lulus skripsi. Hal tersebut menunjukan mahasiswa belum siap mengerjakan skripsi. FTI UKDW (Fakultas Teknologi Informasi Universitas Kristen Duta Wacana) ingin membuat sistem rekomendasi topik skripsi agar mahasiswa dapat memilih topik skripsi dengan tepat. Hasil penelitian, menunjukan sistem rekomendasi topik skripsi dapat dibuat menggunakan kombinasi K-Means++, cosine similarity, dan LDA Gibbs sampling. Sistem diimplementasikan pada framework Laravel.
{"title":"Sistem Rekomendasi Topik Skripsi Program Studi Informatika","authors":"Lukas Kurniawan, Agata Filiana, Gloria Virginia, Bastian Surya Hartono","doi":"10.26418/jp.v9i2.65425","DOIUrl":"https://doi.org/10.26418/jp.v9i2.65425","url":null,"abstract":"Salah satu syarat kelulusan kuliah adalah lulus skripsi. Pada skripsi, mahasiswa perlu menentukan topik skripsi. Penentuan topik adalah hal yang penting pada skripsi, karena topik yang tepat akan mengurangi kendala dalam membuat skripsi [1]. Penulis melakukan analisa terhadap persentase nilai E pada nilai mata kuliah seminar dan skripsi. Hasil analisis menunjukan terdapat 21.6% dari 351 mahasiswa seminar yang mendapat nilai E dan 61.25% dari 240 mahasiswa yang belum dapat lulus skripsi. Hal tersebut menunjukan mahasiswa belum siap mengerjakan skripsi. FTI UKDW (Fakultas Teknologi Informasi Universitas Kristen Duta Wacana) ingin membuat sistem rekomendasi topik skripsi agar mahasiswa dapat memilih topik skripsi dengan tepat. Hasil penelitian, menunjukan sistem rekomendasi topik skripsi dapat dibuat menggunakan kombinasi K-Means++, cosine similarity, dan LDA Gibbs sampling. Sistem diimplementasikan pada framework Laravel.","PeriodicalId":31793,"journal":{"name":"JEPIN Jurnal Edukasi dan Penelitian Informatika","volume":"26 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-08-25","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"134981670","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}
Ikan merupakan kelas vertebrata yang dikategorikan sebagai hewan ektotermik, artinya suhu tubuhnya berubah-ubah tergantung suhu lingkungan, hal tersebut berpengaruh terhadap tingkah laku makan ikan, saat ini sudah banyak sistem otomatisasi pakan ikan, namun sistem yang ada belum memperhatikan kondisi lingkungan, faktor yang sangat signifikan berpengaruh terhadap tingkah laku makan ikan adalah suhu air, dari permasalahan tersebut, peneliti membuat sistem otomatisasi pemberi pakan ikan lele berdasarkan suhu air menggunakan logika fuzzy sugeno. Sistem yang dibuat menggunakan metode pengembangan sistem prototype dan logika fuzzy sugeno, logika fuzzy sugeno digunakan untuk membuat aturan banyaknya pakan yang keluar berdasarkan parameter suhu air. variabel input suhu air memiliki rentang antara 0-36 oC dan variabel output jumlah pakan memiliki rentang 0-100%, hasil pengujian pada aplikasi matlab menunjukan akurasi yang tinggi, dari pengujian motor servo, didapat keluaran pakan 20 gram setiap satu kali putaran dalam waktu satu detik, pada pengujian sensor suhu air didapat selisih rata-rata 0.45 oC dengan rata-rata error 1,8%. Pada pengujian penjadwalan didapat selisih pada waktu pagi, siang dan sore hari yaitu 5 detik. Pengujian lapangan dilakukan pada kolam berukuran 4x3 meter dengan bobot ikan 600 kg, dari hasil perhitungan, kebutuhan pakan dalam satu hari yaitu 18 kg, maka sistem harus melakukan 900 kali putaran dengan waktu 15 menit untuk memenuhi kebutuhan pakan ikan dalam kolam tersebut.
{"title":"Perancangan Sistem Otomatisasi Pemberi Pakan Ikan Lele Berdasarkan Suhu Air Menggunakan Logika Fuzzy Sugeno","authors":"Somantri Somantri, Gina Purnama Insany, Siti Olis, Kamdan Kamdan","doi":"10.26418/jp.v9i2.65823","DOIUrl":"https://doi.org/10.26418/jp.v9i2.65823","url":null,"abstract":"Ikan merupakan kelas vertebrata yang dikategorikan sebagai hewan ektotermik, artinya suhu tubuhnya berubah-ubah tergantung suhu lingkungan, hal tersebut berpengaruh terhadap tingkah laku makan ikan, saat ini sudah banyak sistem otomatisasi pakan ikan, namun sistem yang ada belum memperhatikan kondisi lingkungan, faktor yang sangat signifikan berpengaruh terhadap tingkah laku makan ikan adalah suhu air, dari permasalahan tersebut, peneliti membuat sistem otomatisasi pemberi pakan ikan lele berdasarkan suhu air menggunakan logika fuzzy sugeno. Sistem yang dibuat menggunakan metode pengembangan sistem prototype dan logika fuzzy sugeno, logika fuzzy sugeno digunakan untuk membuat aturan banyaknya pakan yang keluar berdasarkan parameter suhu air. variabel input suhu air memiliki rentang antara 0-36 oC dan variabel output jumlah pakan memiliki rentang 0-100%, hasil pengujian pada aplikasi matlab menunjukan akurasi yang tinggi, dari pengujian motor servo, didapat keluaran pakan 20 gram setiap satu kali putaran dalam waktu satu detik, pada pengujian sensor suhu air didapat selisih rata-rata 0.45 oC dengan rata-rata error 1,8%. Pada pengujian penjadwalan didapat selisih pada waktu pagi, siang dan sore hari yaitu 5 detik. Pengujian lapangan dilakukan pada kolam berukuran 4x3 meter dengan bobot ikan 600 kg, dari hasil perhitungan, kebutuhan pakan dalam satu hari yaitu 18 kg, maka sistem harus melakukan 900 kali putaran dengan waktu 15 menit untuk memenuhi kebutuhan pakan ikan dalam kolam tersebut.","PeriodicalId":31793,"journal":{"name":"JEPIN Jurnal Edukasi dan Penelitian Informatika","volume":"15 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-08-24","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"135517009","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}
Komputer biasa digunakan untuk kebutuhan sehari-hari. apapun kebutuhan itu pastinya tidak luput dari kebutuhan akan mengetik maupun menekan tombol pada keyboard namun tidak semua orang mampu mengetik dengan cepat. Disaat bersamaan komputer juga digunakan sebagai sarana hiburan seperti bermain game akan tetapi ini menyebabkan hiburan lama seperti kisah rakyat menjadi ditinggalkan. Dikarenakan hal itu dibuatlah sebuah game mengetik bergenre typing game dengan latar belakang cerita rakyat berupa Candi Prambanan. Game akan dikembangkan menggunakan metode Game Development Life Cycle (GDLC) dan juga menggunakan algoritma Linear Congruential Generator (LCG) yang merupakan bagian dari Pseudo Random Number Generator (PRNG) pada permainannya. Hasil yang didapatkan dari penelitian ini adahal para pemain dapat dengan mudah mengerti kisah Candi Prambanan yang disampaikan saat memainkan game mengetik dengan genre typing game ini.
{"title":"Implementasi Pseudo Random Number Generator (PRNG) dengan Algoritma Linear Congruential Generator (LCG) pada Permainan Mengetik Bertema Candi Prambanan","authors":"Galih Rizky Fahrezi, Dolly Virgian Shaka Yudha Sakti, Hafiz Muhardi","doi":"10.26418/jp.v9i2.64713","DOIUrl":"https://doi.org/10.26418/jp.v9i2.64713","url":null,"abstract":"Komputer biasa digunakan untuk kebutuhan sehari-hari. apapun kebutuhan itu pastinya tidak luput dari kebutuhan akan mengetik maupun menekan tombol pada keyboard namun tidak semua orang mampu mengetik dengan cepat. Disaat bersamaan komputer juga digunakan sebagai sarana hiburan seperti bermain game akan tetapi ini menyebabkan hiburan lama seperti kisah rakyat menjadi ditinggalkan. Dikarenakan hal itu dibuatlah sebuah game mengetik bergenre typing game dengan latar belakang cerita rakyat berupa Candi Prambanan. Game akan dikembangkan menggunakan metode Game Development Life Cycle (GDLC) dan juga menggunakan algoritma Linear Congruential Generator (LCG) yang merupakan bagian dari Pseudo Random Number Generator (PRNG) pada permainannya. Hasil yang didapatkan dari penelitian ini adahal para pemain dapat dengan mudah mengerti kisah Candi Prambanan yang disampaikan saat memainkan game mengetik dengan genre typing game ini.","PeriodicalId":31793,"journal":{"name":"JEPIN Jurnal Edukasi dan Penelitian Informatika","volume":"6 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-08-24","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"135517010","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 mendapatkan klasifikasi indeks kedalaman kemiskinan dengan metode terbaik untuk kabupaten/kota di Provinsi Sulawesi Selatan dengan membandingkan metode Decision Tree, K-Nearest Neighbor, Naïve Bayes, Neural Network, dan Random Forest. Penelitian ini menggunakan metode kuantitatif dengan menggunakan data sekunder yang diperoleh dari situs resmi Badan Pusat Statistik Provinsi Sulawesi Selatan. Pada penelitian ini digunakan 168 data latih yang bersumber dari data tahun 2014 sampai dengan data tahun 2021, kemudian untuk data uji yang digunakan yaitu 24 data yang bersumber dari data tahun 2022. Hasil dari penelitian ini menunjukkan bahwa metode K-NN dan Neural Network memperoleh performa paling tinggi dibandingkan dengan metode lain tingkat akurasi 79,17%, precission 85,71%, recall 80%. Namun pada penilaian parameter AUC, metode Neural Network lebih unggul dibandingkan metode K-NN dengan skor AUC 0,837. Sehingga dapat disimpulkan bahwa metode Neural Network ini dapat dijadikan sebagai metode untuk melakukan klasifikasi indeks kedalaman kemiskinan kabupaten/kota Provinsi Sulawesi Selatan.
{"title":"Klasifikasi Indeks Kedalaman Kemiskinan Provinsi Sulawesi Selatan Berbasis Decision Tree, K-Nearest Neighbor, Naive Bayes, Neural Network, dan Random Forest","authors":"Muhammad Faozan Mulad Khalik, Fatchul Arifin","doi":"10.26418/jp.v9i2.67492","DOIUrl":"https://doi.org/10.26418/jp.v9i2.67492","url":null,"abstract":"Penelitian ini bertujuan untuk mendapatkan klasifikasi indeks kedalaman kemiskinan dengan metode terbaik untuk kabupaten/kota di Provinsi Sulawesi Selatan dengan membandingkan metode Decision Tree, K-Nearest Neighbor, Naïve Bayes, Neural Network, dan Random Forest. Penelitian ini menggunakan metode kuantitatif dengan menggunakan data sekunder yang diperoleh dari situs resmi Badan Pusat Statistik Provinsi Sulawesi Selatan. Pada penelitian ini digunakan 168 data latih yang bersumber dari data tahun 2014 sampai dengan data tahun 2021, kemudian untuk data uji yang digunakan yaitu 24 data yang bersumber dari data tahun 2022. Hasil dari penelitian ini menunjukkan bahwa metode K-NN dan Neural Network memperoleh performa paling tinggi dibandingkan dengan metode lain tingkat akurasi 79,17%, precission 85,71%, recall 80%. Namun pada penilaian parameter AUC, metode Neural Network lebih unggul dibandingkan metode K-NN dengan skor AUC 0,837. Sehingga dapat disimpulkan bahwa metode Neural Network ini dapat dijadikan sebagai metode untuk melakukan klasifikasi indeks kedalaman kemiskinan kabupaten/kota Provinsi Sulawesi Selatan.","PeriodicalId":31793,"journal":{"name":"JEPIN Jurnal Edukasi dan Penelitian Informatika","volume":"50 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-08-24","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"135519575","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}
Sudirman S. Panna, Aprianto Alhamad, Kartika Chandra Pelangi
Umumnya kecelakaan lalu lintas disebabkan oleh terjadinya penurunan konsentrasi saat berkendara yang diakibatkan oleh rasa kantuk yang dialami, terdapat 20% kecelakaan disebabkan oleh penurunan konsentrasi. Teknologi computer vision berupaya mengembangkan teknologi driving assistance dalam menyelesaikan persoalan kecelakaan lalu lintas. Penelitian sebelumnya terkait deteksi ekspresi wajah pengemudi menyimpulkan bahwa metode eigenface memiliki waktu komputasi yang cukup baik akan tetapi hanya mampu menghasilkan akurasi sebesar 80%, sehingganya dalam penelitian ini akan dilakukan pengabungan dua buah fitur ekstraksi (eigenface dan GLCM) serta algoritma ANN sebagai pengklasifikasi. Pada penelitian yang kami lakukan menunjukkan metode yang diusulkan dapat memberikan performa dengan nilai akurasi sebesar 83%, recall sebesar 86%, precission sebesar 81% dan F1-Score sebesar 83%.
{"title":"Pengenalan Ekspresi Wajah Pengemudi Berbasis Fitur Eigenface dan Gray Level Co-Occurance Matrice","authors":"Sudirman S. Panna, Aprianto Alhamad, Kartika Chandra Pelangi","doi":"10.26418/jp.v9i2.61857","DOIUrl":"https://doi.org/10.26418/jp.v9i2.61857","url":null,"abstract":"Umumnya kecelakaan lalu lintas disebabkan oleh terjadinya penurunan konsentrasi saat berkendara yang diakibatkan oleh rasa kantuk yang dialami, terdapat 20% kecelakaan disebabkan oleh penurunan konsentrasi. Teknologi computer vision berupaya mengembangkan teknologi driving assistance dalam menyelesaikan persoalan kecelakaan lalu lintas. Penelitian sebelumnya terkait deteksi ekspresi wajah pengemudi menyimpulkan bahwa metode eigenface memiliki waktu komputasi yang cukup baik akan tetapi hanya mampu menghasilkan akurasi sebesar 80%, sehingganya dalam penelitian ini akan dilakukan pengabungan dua buah fitur ekstraksi (eigenface dan GLCM) serta algoritma ANN sebagai pengklasifikasi. Pada penelitian yang kami lakukan menunjukkan metode yang diusulkan dapat memberikan performa dengan nilai akurasi sebesar 83%, recall sebesar 86%, precission sebesar 81% dan F1-Score sebesar 83%.","PeriodicalId":31793,"journal":{"name":"JEPIN Jurnal Edukasi dan Penelitian Informatika","volume":"9 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-08-24","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"135517011","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}
Dari banyaknya budaya yang ada di Indonesia pasti memiliki bahasa yang berbeda beda. Dalam dialek suatu daerah ada yang memiliki huruf sendiri sebagai jenis komposisi atau penggambaran bahasa itu. Salah satu bahasa yang memiliki huruf tersendiri sebagai jenis penyusunannya adalah bahasa Batak Toba, yang juga disebut dengan aksara Batak Toba. Penelitian ini bertujuan untuk melatih komputer agar dapat mengenali karakter aksara Batak Toba. Dalam penelitian ini, digunakan metode Convolutional Neural Network (CNN) dalam mengenali tulisan tangan aksara Batak Toba. Hasil penelitian diperoleh model CNN dengan ukuran kernel 3x3, hidden layer 1, ukuran citra masukan sebesar 150x150 pixel, menggunakan batas epoch sebesar 300 epoch dan dari model tersebut dihasilkan akurasi pada pengujian I sebesar 89.47 %, akurasi pada pengujian II sebesar 73.68 %, akurasi pada pengujian III sebesar 57,89%, akurasi pada pengujian IV sebesar 84,21% dan akurasi pada pengujian V sebesar 84,21%.
{"title":"Pengenalan Tulisan Tangan Karakter Aksara Batak Toba dengan Metode Convolutional Neural Network (CNN)","authors":"Alfael Maradu Andar Turnip, Nurul Fadillah, Munawir Munawir","doi":"10.26418/jp.v9i2.64242","DOIUrl":"https://doi.org/10.26418/jp.v9i2.64242","url":null,"abstract":"Dari banyaknya budaya yang ada di Indonesia pasti memiliki bahasa yang berbeda beda. Dalam dialek suatu daerah ada yang memiliki huruf sendiri sebagai jenis komposisi atau penggambaran bahasa itu. Salah satu bahasa yang memiliki huruf tersendiri sebagai jenis penyusunannya adalah bahasa Batak Toba, yang juga disebut dengan aksara Batak Toba. Penelitian ini bertujuan untuk melatih komputer agar dapat mengenali karakter aksara Batak Toba. Dalam penelitian ini, digunakan metode Convolutional Neural Network (CNN) dalam mengenali tulisan tangan aksara Batak Toba. Hasil penelitian diperoleh model CNN dengan ukuran kernel 3x3, hidden layer 1, ukuran citra masukan sebesar 150x150 pixel, menggunakan batas epoch sebesar 300 epoch dan dari model tersebut dihasilkan akurasi pada pengujian I sebesar 89.47 %, akurasi pada pengujian II sebesar 73.68 %, akurasi pada pengujian III sebesar 57,89%, akurasi pada pengujian IV sebesar 84,21% dan akurasi pada pengujian V sebesar 84,21%.","PeriodicalId":31793,"journal":{"name":"JEPIN Jurnal Edukasi dan Penelitian Informatika","volume":"41 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-08-18","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"136215436","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：