Articles
<![CDATA[Pemanfaatan Expert System Untuk Penentuan Kegawatdaruratan Pasien Balita Di IGD ]]>
<![CDATA[Jatmiko, Andik]]>;
<![CDATA[Santoso, Joan]]>;
<![CDATA[Armanto, Hendrawan]]>
<![CDATA[ TEKNOLOGI DITERAPKAN DAN JURNAL SAINS KOMPUTER Vol 1 No 2 (2018): December ]]>
Publisher : <![CDATA[Unusa Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.33086/atcsj.v1i2.854
<![CDATA[
Triage merupakan suatu suatu prosedur yang dilakukan petugas di instalasi gawat darurat untuk menentukan tingkat kegawatan pasien, dalam hal ini seorang petugas medis senior yang di tunjuk bertugas memilah dan menentukan urutan pasien yang terlebih dahulu dilayani. Namun kenyataan di lapangan tidak semua petugas menguasai keahlian dalam menentukan tingkat kegawatan pasien. Kurangnya petugas senior yang mempunyai keahlian tersebut berakibat kecepatan pelayanan kurang maksimal, terlebih kasus balita yang mana merupakan kasus yang memerlukan perhatian khusus karena sistem kekebalaan dan daya tahan tubuhnya belum terbentuk sempurna. Dari beberapa faktor tersebut penulis ingin melalukan pemanfaatan expert system untuk penentuan kegawatdaruratan pasien balita di IGD Rumah Sakit Islam Jemursari Surabaya. Pemanfaatan sistem pakar ini dilakukan dengan menggunakan mesin inferensi backward chaining yang artinya proses pencarian dimulai dari fakta-fakta untuk selanjutnya menuju pada suatu kesimpulan. Manfaat penelitian ini adalah untuk meringankan kerja petugas medis dan bagi keluarga pasien dalam mengakses informasi tentang tingkat kegawatan pasien. Dalam implementasinya menggunakan metode backward chaining dengan menggunakan DBMS MySQL dan bahasa pemograman PHP.
]]>
<![CDATA[PENCARIAN LOKASI FASILITAS UMUM TERDEKAT DILENGKAPI DENGAN RUTE KENDARAAN UMUM LYN ]]>
<![CDATA[Esther Irawati S.]]>;
<![CDATA[Gunawan Gunawan]]>;
<![CDATA[Indra Maryati]]>;
<![CDATA[Joan Santoso]]>;
<![CDATA[Rossy P. C.]]>
<![CDATA[ Semantik Vol 2, No 1 (2012): Prosiding Semantik 2012 ]]>
Publisher : <![CDATA[Semantik ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (250.303 KB)
<![CDATA[Terbatasnya informasi tentang lokasi suatu fasilitas umum menyebabkan kesulitan bagi seseorang saat hendak menggunakan fasilitas umum tersebut. Kesulitan akan semakin terasa ketika kebutuhan untuk menggunakan fasilitas tersebut bersifat mendesak. Seseorang yang terbiasa menggunakan kendaraan pribadi dalam aktifitas sehari-hari akan mengalami kesulitan dalam mencari suatu fasilitas pada saat menggunakan kendaraan umum. Hal ini disebabkan banyaknya jenis kendaraan umum yang ada dewasa ini. Pada penelitian ini akan dibuat sebuah aplikasi yang dapat menyediakan informasi tentang lokasi dari suatu fasilitas umum dan rute kendaraan umum yang dapat digunakan. Aplikasi yang dibuat terdiri dari dua bagian, yaitu aplikasi server dan aplikasi mobile. Aplikasi server digunakan untuk melakukan proses pencarian lokasi fasilitas terdekat. Selain melakukan proses pencarian lokasi terdekat, aplikasi server jugamelakukan pencarian rute yang dapat digunakan serta menentukan rute kendaraan umum yang dapat digunakan.Algoritma yang digunakan dalam proses pencarian lokasi terdekat menggunakan dua buah algoritma yang seringdigunakan yaitu A*. Hasil informasi dari server berupa detail lokasi terdekat, rute menuju lokasi fasilitas yang ditampilkan dalam peta, dan jenis kendaraan umum yang dapat digunakan. Hasil informasi akan dikirimkan kembali menjadi output pada aplikasi mobile.Kata kunci : Pencarian Lokasi Terdekat; Kendaraan Umum; Lyn; Lokasi Fasilitas Umum; Algoritma A*]]>
<![CDATA[Stemming Bahasa Tetun Menggunakan Pendekatan Rule Based ]]>
<![CDATA[Anita Guterres]]>;
<![CDATA[Gunawan]]>;
<![CDATA[Joan Santoso]]>
<![CDATA[ Teknika Vol 8 No 2 (2019): November 2019 ]]>
Publisher : <![CDATA[Center for Research and Community Service, Institut Informatika Indonesia (IKADO) Surabaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.34148/teknika.v8i2.224
<![CDATA[Stemming adalah proses yang sangat penting untuk mencari kata dasar dari sebuah kata derivatif. Inti dari proses stemming adalah menghilangkan imbuhan pada suatu kata. Stemming sangat dibutuhkan untuk proses information retrieval system. Algoritma pada proses stemming bisa berbeda-beda pada setiap bahasa di berbeda negara. Data yang digunakan adalah 176 kata dasar dalam bahasa Tetun yang merupakan bahasa asli warga negara Timor Leste. Penelitian ini bertujuan untuk merancang algoritma baru yang tepat untuk stemming bahasa Tetun. Tahap awal stemming bahasa Tetun adalah proses filterisasi untuk menghilangkan tanda baca, angka, dan kata yang tidak penting. Lalu tahap tokenisasi untuk membuat variabel yang terdiri dari satu kata. Lalu setiap kata melalui proses stemming untuk menghilangkan imbuhan awalan, akhiran, dan konfiks. Analisis dilakukan berdasarkan kasus error stemming seperti overstemming, understemming, unchanged, dan spelling exception. Hasil uji coba yang didapatkan adalah algoritma stemming bahasa Tetun menghasilkan akurasi sebesar 90.52%.]]>
<![CDATA[Aplikasi Mobile Untuk Memantau Body Mass Index Dengan Metodologi Scrum ]]>
<![CDATA[Esther Irawati Setiawan]]>;
<![CDATA[Hans Keven Budi Prakoso]]>;
<![CDATA[Tjwanda Putera Gunawan]]>;
<![CDATA[Endang Setyati]]>;
<![CDATA[Joan Santoso]]>
<![CDATA[ Teknika Vol 10 No 3 (2021): November 2021 ]]>
Publisher : <![CDATA[Center for Research and Community Service, Institut Informatika Indonesia (IKADO) Surabaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.34148/teknika.v10i3.405
<![CDATA[Pandemi berkepanjangan menyebabkan adanya kecenderungan manusia untuk kurang bergerak dan berolahraga, sehingga terjadi peningkatan berat badan yang menyebabkan penurunan kualitas kesehatan. Di samping itu, teknologi smartphone dewasa ini semakin berkembang pesat dan telah menjadi kebutuhan sehari-hari. Oleh karena itu, teknologi smartphone sebaiknya dimanfaatkan sebaik mungkin, sehingga dapat digunakan dalam berbagai aspek kehidupan, seperti penghitungan Body Mass Index (BMI), yang diharapkan dapat mengontrol tingkat tumbuhnya obesitas pada masyarakat terutama di masa pandemi ini. Pengembangan aplikasi ini mencakup penggunaan kamera dalam penghitungan BMI. Jika pada umumnya penghitungan BMI dilakukan dengan menggunakan tinggi dan berat badan, aplikasi ini dapat menggunakan gambar dari kamera smartphone sebagai sumber datanya. Melalui pembuatan aplikasi penghitungan BMI ini, dapat disimpulkan bahwa metodologi Scrum sangat membantu dalam proses pencatatan perkembangan kerja task-task pembuatan aplikasi saat mengerjakan setiap sprint mulai sprint pertama hingga empat. Penghitungan BMI dengan menggunakan hasil gambar dari kamera memiliki tingkat akurasi sebesar 70%.]]>
<![CDATA[Pemanfaatan Expert System Untuk Penentuan Kegawatdaruratan Pasien Balita Di IGD ]]>
<![CDATA[Andik Jatmiko]]>;
<![CDATA[Joan Santoso]]>;
<![CDATA[Hendrawan Armanto]]>
<![CDATA[ TEKNOLOGI DITERAPKAN DAN JURNAL SAINS KOMPUTER Vol 1 No 2 (2018): December ]]>
Publisher : <![CDATA[Unusa Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.33086/atcsj.v1i2.854
<![CDATA[Triage merupakan suatu suatu prosedur yang dilakukan petugas di instalasi gawat darurat untuk menentukan tingkat kegawatan pasien, dalam hal ini seorang petugas medis senior yang di tunjuk bertugas memilah dan menentukan urutan pasien yang terlebih dahulu dilayani. Namun kenyataan di lapangan tidak semua petugas menguasai keahlian dalam menentukan tingkat kegawatan pasien. Kurangnya petugas senior yang mempunyai keahlian tersebut berakibat kecepatan pelayanan kurang maksimal, terlebih kasus balita yang mana merupakan kasus yang memerlukan perhatian khusus karena sistem kekebalaan dan daya tahan tubuhnya belum terbentuk sempurna. Dari beberapa faktor tersebut penulis ingin melalukan pemanfaatan expert system untuk penentuan kegawatdaruratan pasien balita di IGD Rumah Sakit Islam Jemursari Surabaya. Pemanfaatan sistem pakar ini dilakukan dengan menggunakan mesin inferensi backward chaining yang artinya proses pencarian dimulai dari fakta-fakta untuk selanjutnya menuju pada suatu kesimpulan. Manfaat penelitian ini adalah untuk meringankan kerja petugas medis dan bagi keluarga pasien dalam mengakses informasi tentang tingkat kegawatan pasien. Dalam implementasinya menggunakan metode backward chaining dengan menggunakan DBMS MySQL dan bahasa pemograman PHP.]]>
<![CDATA[Indonesian Sentence Boundary Detection using Deep Learning Approaches ]]>
<![CDATA[Joan Santoso]]>;
<![CDATA[Esther Irawati Setiawan]]>;
<![CDATA[Christian Nathaniel Purwanto]]>;
<![CDATA[Fachrul Kurniawan]]>
<![CDATA[ Knowledge Engineering and Data Science Vol 4, No 1 (2021) ]]>
Publisher : <![CDATA[Universitas Negeri Malang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.17977/um018v4i12021p38-48
<![CDATA[Detecting the sentence boundary is one of the crucial pre-processing steps in natural language processing. It can define the boundary of a sentence since the border between a sentence, and another sentence might be ambiguous. Because there are multiple separators and dynamic sentence patterns, using a full stop at the end of a sentence is sometimes inappropriate. This research uses a deep learning approach to split each sentence from an Indonesian news document. Hence, there is no need to define any handcrafted features or rules. In Part of Speech Tagging and Named Entity Recognition, we use sequence labeling to determine sentence boundaries. Two labels will be used, namely O as a non-boundary token and E as the last token marker in the sentence. To do this, we used the Bi-LSTM approach, which has been widely used in sequence labeling. We have proved that our approach works for Indonesian text using pre-trained embedding in Indonesian, as in previous studies. This study achieved an F1-Score value of 98.49 percent. When compared to previous studies, the achieved performance represents a significant increase in outcomes..]]>
<![CDATA[Digit Classification of Majapahit Relic Inscription using GLCM-SVM ]]>
<![CDATA[Tri Septianto]]>;
<![CDATA[Endang Setyati]]>;
<![CDATA[Joan Santoso]]>
<![CDATA[ Knowledge Engineering and Data Science Vol 1, No 2 (2018) ]]>
Publisher : <![CDATA[Universitas Negeri Malang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (1094.878 KB)
|
DOI: 10.17977/um018v1i22018p46-54
<![CDATA[A higher level of image processing usually contains some kind of classification or recognition. Digit classification is an important subfield in handwritten recognition. Handwritten digits are characterized by large variations so template matching, in general, is inefficient and low in accuracy. In this paper, we propose the classification of the digit of the year of a relic inscription in the Kingdom of Majapahit using Support Vector Machine (SVM). This method is able to cope with very large feature dimensions and without reducing existing features extraction. While the method used for feature extraction using the Gray-Level Co-Occurrence Matrix (GLCM), special for texture analysis. This experiment is divided into 10 classification class, namely: class 1, 2, 3, 4, 5, 6, 7, 8, 9, and class 0. Each class is tested with 10 data so that the whole data testing are 100 data number year. The use of GLCM and SVM methods have obtained an average of classification results about 77 %.]]>
<![CDATA[Sentiment Analysis Twitter Bahasa Indonesia Berbasis WORD2VEC Menggunakan Deep Convolutional Neural Network ]]>
<![CDATA[Hans Juwiantho]]>;
<![CDATA[Esther Irawati Setiawan]]>;
<![CDATA[Joan Santoso]]>;
<![CDATA[Mauridhi Hery Purnomo]]>
<![CDATA[ Jurnal Teknologi Informasi dan Ilmu Komputer Vol 7, No 1: Februari 2020 ]]>
Publisher : <![CDATA[Fakultas Ilmu Komputer, Universitas Brawijaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Media sosial sebagai media informasi dan komunikasi mulai berkembang pesat sejak internet mudah diakses. Orang dengan mudah menyatakan pendapat, ekspresi, opini, dan informasi melalui tulisan pada media sosial. Opini atau informasi pada media sosial dapat digunakan untuk menilai baik atau buruk suatu brand perusahaan. Orang cenderung jujur dalam mengungkapkan perasaan terhadap sesuatu pada media sosial. Dengan menggunakan sentiment analysis terhadap opini dari pelanggan, analisis opini dapat dilakukan secara otomatis. Perusahaan dapat secara langsung mengetahui tingkat kepuasan pelanggan dan digunakan untuk meningkatkan kualitas pelayanan hingga menaikan brand perusahaan. Penggunaan metode classical machine learning yang sudah banyak diterapkan pada sentiment analysis, tetapi metode tersebut tidak memperhatikan pentingnya urutan kata pada suatu kalimat. Metode deep learning dengan algoritme Deep Convolutional Neural Network ditawarkan untuk menjawab permasalahan tersebut dengan melakukan operasi convolution menggunakan filter sebesar ukuran window untuk mendapatkan fitur berdasarkan urutan kata. Model Word2Vec untuk Bahasa Indonesia digunakan sebagai representasi kata dalam bentuk vektor. Penggunaan Word2Vec juga mempercepat proses pelatihan dan meningkatkan akurasi algoritme Deep Convolutional Neural Network. Data yang digunakan dalam makalah ini adalah data Twitter Bahasa Indonesia dengan jumlah 999 tweet. Hasil percobaan yang telah dilakukan dengan algoritme Deep Convolutional Neural Network memiliki nilai akurasi terbaik sebesar 76,40%. AbstractSocial media as information media and communication is growing rapidly since the internet is easily accessible. People easily express opinions, expressions, and information by writing on social media. Opinion or information on social media can be used to assess how good or bad a companies is. People tend to be honest in expressing feelings towards something on social media. With sentiment analysis, analysis of the opinions of customers can be done automatically. The company will know the level of customer satisfaction and can be used to improve the quality of service to raise the company's brand. The use of classical machine learning methods that have been widely applied to sentiment analysis ignoring the importance of the word order in a sentence. Deep Convolutional Neural Network algorithm is offered to answer these problems by carrying out convolution operations using filters as large as window size to get features based on word order. Word2Vec model for Indonesian is used as a word vector representation. The use of Word2Vec also reduce the training time and improve the accuracy of the Deep Convolutional Neural Network algorithm. The data used in this paper is Indonesian Twitter data with 999 tweets. The results of experiments that have been carried out with the Deep Convolutional Neural Network algorithm have the best accuracy value of 76.40%.]]>
<![CDATA[HIDDEN MARKOV MODELS BASED INDONESIAN VISEME MODEL FOR NATURAL SPEECH WITH AFFECTION ]]>
<![CDATA[Endang Setyati]]>;
<![CDATA[Mauridhi Hery Purnomo]]>;
<![CDATA[Surya Sumpeno]]>;
<![CDATA[Joan Santoso]]>
<![CDATA[ Jurnal Ilmiah Kursor Vol 8 No 3 (2016) ]]>
Publisher : <![CDATA[Universitas Trunojoyo Madura ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.28961/kursor.v8i3.61
<![CDATA[In a communication using texts input, viseme (visual phonemes) is derived from a group of phonemes having similar visual appearances. Hidden Markov model (HMM) has been a popular mathematical approach for sequence classification such as speech recognition. For speech emotion recognition, a HMM is trained for each emotion and an unknown sample is classified according to the model which illustrate the derived feature sequence best. Viterbi algorithm, HMM is used for guessing the most possible state sequence of observable states. In this work, first stage, we defined system of an Indonesian viseme set and the associated mouth shapes, namely system of text input segmentation. The second stage, we defined a choice of one of affection type as input in the system. The last stage, we experimentally using Trigram HMMs for generating the viseme sequence to be used for synchronized mouth shape and lip movements. The whole system is interconnected in a sequence. The final system produced a viseme sequence for natural speech of Indonesian sentences with affection. We show through various experiments that the proposed, the results in about 82,19% relative improvement in classification accuracy.]]>
<![CDATA[Combination of Genetic Algorithm and Brill Tagger Algorithm for Part of Speech Tagging Bahasa Madura ]]>
<![CDATA[Nindian Puspa Dewi]]>;
<![CDATA[Joan Santoso]]>;
<![CDATA[Ubaidi Ubaidi]]>;
<![CDATA[Eka Rahayu Setyaningsih]]>
<![CDATA[ Proceeding of the Electrical Engineering Computer Science and Informatics Vol 7, No 2: EECSI 2020 ]]>
Publisher : <![CDATA[IAES Indonesia Section ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.11591/eecsi.v7.2034
<![CDATA[Part of speech (POS) is commonly known as word types in a sentence such as verbs, adjectives, nouns, and so on. Part of Speech (POS) Tagging is a process of marking the word class or part of speech in every word in a sentence. Part of Speech Tagging has an important role to be used as a basis for research in Natural Language Processing. That is why research on Part of Speech Tagging for Bahasa Madura as an effort to preserve and develop the use of regional languages. In this research, POS Tagging is done using the Brill Tagger Algorithm which is combined with the Genetic Algorithm. Brill Tagger is a POS Tagging Algorithm that has the best level of accuracy when implemented in other languages. Genetic Algorithms used in the contextual learner process with consideration in previous studies can increase the speed of the training process so that it is more efficient. The results of this study are then compared with the results of the previous study so that we can find out suitable algorithms used for the development of text processing in Bahasa Madura. From a series of experiments, the average accuracy obtained by using Brill Tagger is 86.4% with the highest accuracy of 86.7%, while using GA Brill Tagger shows an average accuracy of 86.5% with the highest accuracy of 86.6%. Testing by observing OOV (Out of Vocabulary) achieves an average accuracy of 67.7% for Brill Taggers and 64.6% for GA Brill Taggers. Testing by considering multiple POS with Brill Tagger produces an average accuracy of 73.3% while testing using GA Brill Tagger produces an average accuracy of 90.9%. This shows that the accuracy with GA Brill Tagger is better than Brill Tagger, especially if considering multiple POS. This is because GA Brill Tagger can generate rules for handling the existence of multiple POS more than pure Brill Tagger.Part of speech (POS) is commonly known as word types in a sentence such as verbs, adjectives, nouns, and so on. Part of Speech (POS) Tagging is a process of marking the word class or part of speech in every word in a sentence. Part of Speech Tagging has an important role to be used as a basis for research in Natural Language Processing. That is why research on Part of Speech Tagging for Bahasa Madura as an effort to preserve and develop the use of regional languages. In this research, POS Tagging is done using the Brill Tagger Algorithm which is combined with the Genetic Algorithm. Brill Tagger is a POS Tagging Algorithm that has the best level of accuracy when implemented in other languages. Genetic Algorithms used in the contextual learner process with consideration in previous studies can increase the speed of the training process so that it is more efficient. The results of this study are then compared with the results of the previous study so that we can find out suitable algorithms used for the development of text processing in Bahasa Madura. From a series of experiments, the average accuracy obtained by using Brill Tagger is 86.4% with the highest accuracy of 86.7%, while using GA Brill Tagger shows an average accuracy of 86.5% with the highest accuracy of 86.6%. Testing by observing OOV (Out of Vocabulary) achieves an average accuracy of 67.7% for Brill Taggers and 64.6% for GA Brill Taggers. Testing by considering multiple POS with Brill Tagger produces an average accuracy of 73.3% while testing using GA Brill Tagger produces an average accuracy of 90.9%. This shows that the accuracy with GA Brill Tagger is better than Brill Tagger, especially if considering multiple POS. This is because GA Brill Tagger can generate rules for handling the existence of multiple POS more than pure Brill Tagger]]>
