Article Per Year (5 Year)
p-Index From 2019 - 2024
3.575
P-Index
This Author published in this journals
All Journal Jurnal Edukasi dan Penelitian Informatika (JEPIN) ILKOM Jurnal Ilmiah Jurnal Nasional Komputasi dan Teknologi Informasi JOURNAL OF SCIENCE AND SOCIAL RESEARCH Simtek : Jurnal Sistem Informasi dan Teknik Komputer Jurnal Tecnoscienza Jurnal Indonesia : Manajemen Informatika dan Komunikasi Jurnal Nasional Cosphi Nusantara of Engineering (NOE) Jurnal Ilmiah Ilmu Komputer Banthayo Lo Komputer (BALOK) Jurnal Indonesia : Manajemen Informatika dan Komunikasi
Andi Bode
Universitas Ichsan Gorontalo
Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Library & Information Science Mathematics Mechanical Engineering Social Sciences Other

Published : 23 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 23 Documents
Search

 1   2   3 
PENGENDALIAN LAMPU LALU LINTAS CERDAS DI PERSIMPANGAN EMPAT RUAS YANG KOMPLEKS MENGGUNAKAN ALGORITMA ADAPTIVE NEURO FUZZY INFERENCE SYSTEM Santoso, Budy; Azis, Azminuddin I. S.; Bode, Andi
Jurnal Edukasi dan Penelitian Informatika (JEPIN) Vol 6, No 1 (2020): Volume 6 No 1
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v6i1.37311

Abstract

Masalah transportasi masih sering dihadapkan pada fenomena kemacetan arus lalu lintas yang berdampak pada kecelakaan lalu lintas, polusi, dan kerugian ekonomi. Salah satu cara untuk meminimalisir fenomena tersebut melalui pengendalian sistem lampu lalu lintas yang baik terhadap arus lalu lintas jangka pendek di persimpangan jalan. Pengendalian lampu lalu lintas secara statis terbukti belum optimal dalam meminimalisir kemacetan arus lalu lintas, salah satu penyebabnya karena kondisi arus lalu lintas yang bervariasi sehingga tidak mudah diprediksi. Fuzzy Inference System (FIS) sering terbukti mampu menunjukkan hasil yang lebih baik daripada pengendalian lampu lalu lintas secara statis. Namun FIS tidak dapat diterapkan pada kondisi arus lalu lintas yang bervariasi atau di persimpangan jalan yang berbeda karena metode tersebut tidak mampu mempelajari kondisi arus lalu lintas secara real time. Agar FIS mampu melakukan pembelajaran, maka pendekatan machine learning dapat diterapkan pada FIS. Salah satu pengembangannya adalah Adaptive Neuro Fuzzy Inference System (ANFIS) yang dapat mengendalikan lampu lalu lintas cerdas secara dinamis dengan hasil yang lebih baik daripada FIS. Namun umumnya ANFIS diuji coba pada persimpangan jalan yang normal. Bagaimana jika di persimpangan yang kompleks? Persimpangan yang memiliki beberapa ruas/jalur utama yang besar (jalur poros), sementara ruas laiinya kecil, bahkan terdapat ruas yang tidak berpotongan, sehingga ada prioritas untuk setiap ruasnya. Hasilnya, penerapan ANFIS (3 GaussMf) untuk pengendalian lampu lalu lintas cerdas/dinamis di persimpangan empat ruas yang kompleks mampu mereduksi Average Waiting Times (AWT) rata-rata sebesar 3,4071E-05 detik dengan 2,7156 RMSE rata-rata, menggunakan variabel Queues Quantity dan Priority Degree. Sedangkan jika menggunakan variabel Arrival Times, Transportation Type, dan Goal Junction, ANFIS (4 TrapMf) mampu mereduksi AWT sebesar 0,0779 detik dengan 19,7646 RMSE.
PERBANDINGAN METODE PREDIKSI SUPPORT VECTOR MACHINE DAN LINEAR REGRESSION MENGGUNAKAN BACKWARD ELIMINATION PADA PRODUKSI MINYAK KELAPA Andi Bode
Simtek : jurnal sistem informasi dan teknik komputer Vol 4 No 2 (2019): Oktober 2019
Publisher : STMIK Catur Sakti Kendari

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (192.365 KB) | DOI: 10.51876/simtek.v4i2.57

Abstract

Pohon kelapa banyak dimanfaatkan oleh manusia, sehingga tumbuhan ini dianggap tumbuhan serbaguna, salah satunya minyak kelapa yang dihasilkan oleh buah pohon kelapa. Produksi jumlah minyak kelapa menjadi bagian penting disetiap perusahaan yang bergerak di bidang produksi dengan tujuan mencapai target hasil produksi. Namaun Produksi minyak setiap hari mengalami perubahan fluktuatif. Perusahaan sangat memerlukan prediksi jumlah produksi. Penelitian ini bermaksud membandingakn metode support vector machine dan linear regression mengunakan fitur seleksi backward elimination berdasarkan data time series Sales Order. Hasil penelitian pada dataset sales order dengan menggunakan metode Support Vector Machine (SVM) didapatkan RMSE 0,127, dengan menggunakan metode SVM dan Backward Elimination (BE) didapatkan RMSE 0,115, dengan metode Linear Regression (LR) didapatkan RMSE 0,118 dan dengan menggunakan metode LR dan Backward Elimination didapatkan RMSE 0,118. Dari hasil perbandingan tersebut dapat disimpulkan bahwa kinerja SVM menggunakan Backward Elimination lebih baik dibanding SVM, LR dan LR menggunakan Backward Elimination
SIMULASI JARINGAN MENGGUNAKAN CISCO PACKET TRACER Ivo Colanus Rally Drajana; Andi Bode
Simtek : jurnal sistem informasi dan teknik komputer Vol 6 No 1 (2021): April 2021
Publisher : STMIK Catur Sakti Kendari

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51876/simtek.v6i1.91

Abstract

Perkembangan jaringan komputer saat ini begitu pesat dengan seiringnya waktu, simulasi jaringan komputer sangat dibutuhkan pada langkah awal dalam pembangunan jaringan komputer serta menentukan bentuk dari jaringan yang akan di terapkan. Software cisco packet tracer 6.2 dapat digunakan sebagai simulasi yang menggambarkan arsitektur dan juga model dari jaringan komputer pada sistem jaringan yang digunakan nantinya. Dengan menggunakan aplikasi software cisco packet tracer 6.2 dapat menentukan bentuk jaringan yang akan di terapkan, baik penentuan topologi jaringan, penentuan concentrator, media transmisi, IP adrress, dan menentukan router. Simulasi mengenai jaringan dapat dimanfaatkan menjadi informasi tentang gambaran bentuk atau arsitektur jaringan, biaya konfigurasi, keadaan koneksi komputer dalam suatu jaringan serta alat dan bahan yang akan digunakan.
Influence of gray level co-occurrence matrix for texture feature extraction on identification of batik motifs using k-nearest neighbor Zulfrianto Yusrin Lamasigi; Andi Bode
ILKOM Jurnal Ilmiah Vol 13, No 3 (2021)
Publisher : Prodi Teknik Informatika FIK Universitas Muslim Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33096/ilkom.v13i3.1025.322-333

Abstract

Batik is one type of fabric that is unique because it has a special motif, in Indonesia itself batik is unique because it has certain motifs that are made based on the culture from which batik was made. This study aims to examine the effect of the texture feature extraction method on the identification of batik motifs from five major islands in Indonesia. The method used in this study is the Gray Level Co-occurrence Matrix as the texture feature extraction of batik motifs to obtain good batik motif identification accuracy results and to determine the value of the proximity of the training data and image testing of batik motifs, the K-Nearest Neighbor classification method will be used based on texture feature extraction value obtained. In this experiment, 5 experiments will be carried out based on angles 0degrees, 45degrees, 90degrees, 135degrees, and 180degreesusing the values of k is1, 3, 5, and 7. The confusion matrix will be used to calculate the accuracy level of the K-Nearest Neighbor classification. From the results of experiments carried out using training data as many as 607 images and testing as many as 344 images in five classes used with angles of 0 degrees, 45degrees, 90degrees, 135degrees, 180degrees, and values of k are 1, 3, 5, and 7, getting the highest accuracy results is at an angle of 135degreesand 180degreeswith a value of k is 1 of 89.24% and the lowest is at an angle of 90degreeswith a value of k is 3 of 67.44%. This shows that the Gray level co-occurrence matrix method is good for extracting the texture features of batik motifs from five major islands in Indonesia, it is evidenced by the results of the average accuracy of the classification obtained.
K-NEAREST NEIGHBOR DENGAN FEATURE SELECTION MENGGUNAKAN BACKWARD ELIMINATION UNTUK PREDIKSI HARGA KOMODITI KOPI ARABIKA Andi Bode
ILKOM Jurnal Ilmiah Vol 9, No 2 (2017)
Publisher : Teknik Informatika Fakultas Ilmu Komputer Univeristas Muslim Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33096/ilkom.v9i2.139.188-195

Abstract

Prediksi Status Penderita Stunting Pada Balita Provinsi Gorontalo Menggunakan K-Nearest Neighbor Berbasis Seleksi Fitur Chi Square Ivo Colanus Rally Drajana; Andi Bode
Jurnal Nasional Komputasi dan Teknologi Informasi (JNKTI) Vol 5, No 2 (2022): April 2022
Publisher : Program Studi Teknik Informatika, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v5i2.4205

Abstract

Abstrak - Stunting adalah malnutrisi yang ditandai dengan tinggi badan, diukur dengan standar deviasi dari WHO. Dinas Kesehatan Provinsi Gorontalo khususnya dibidang Gizi mengenai stunting, selama ini melakukan kegiatan pemantauan tiap-tiap puskesmas dan posyandu. Pemantauan dan pendataan terkait stunting di berbagai puskesmas faktor penting. Masalah yang sering muncul adalah data yang dikumpulkan untuk underestimasi selalu tidak akurat setiap bulannya, karena hanya perkiraan yang dihitung berdasarkan kasus puskesmas. Prediksi yang akurat diperlukan untuk mengatasi permasalahan yang ada. Penelitian ini menggunakan algoritma K-Nearest Neighbor (K-NN) menggunkan Chi Square. Berdasarkan hasil eksperimen, prediksi jumlah penderita stunting telah berhasil dilakukan. Maka nilai hasil dari prediksi tersebut dapat diimplementasikan untuk bahan pertimbangan atau kebijakan didalam pengambilan keputusan. Tingkat error terkecil hasil RMSE 1,200 pada algoritma K-Nearest Neighbor menggunkan Chi Square dibandingkan algoritma K-Nesrest Neighbor tanpa seleksi fitur. Dengan demikian dari hasil eksperimen menunjukan bahwa penambahan seleksi fitur telah menunjukan performa kinerja yang baik pada algoritma K-Nearest Neighbor.Kata kunci: Prediksi, Stunting, K-NN, Chi Square Abstract - Stunting is a nutritional deficiency characterized by height as measured by the WHO standard deviation. The Gorontalo Provincial Health Office, especially in the field of nutrition related to stunting, has so far carried out monitoring activities at every puskesmas and posyandu. Monitoring and data collection related to stunting in various health centers is an important factor. The problem that often arises is that the data collected for underestimation is always inaccurate every month, because only estimates are calculated based on puskesmas cases. Accurate predictions are needed to overcome the existing problems. This study uses the K-Nearest Neighbor (K-NN) algorithm using Chi Square. Based on the experimental results, the prediction of the number of stunting sufferers has been successfully carried out. Then the value of the predicted results can be implemented for consideration or policy in decision making. The smallest error rate is RMSE 1,200 in the K-Nearest Neighbor algorithm using Chi Square compared to the K-Nesrest Neighbor algorithm without feature selection. Thus, the experimental results show that the addition of feature selection has shown good performance on the K-Nearest Neighbor algorithm.Keyword: Prediction, Stunting, K-NN, Chi Square
Support Vector Machine Menggunakan Forward Selection untuk Prediksi Penjualan Obat Andi Bode
JURNAL TECNOSCIENZA Vol. 3 No. 1 (2018): TECNOSCIENZA
Publisher : JURNAL TECNOSCIENZA

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (408.304 KB)

Abstract

Perkembangan industri kesehatan terutama farmasi mengalami peningkatan yang pesat. Bersamaan dengan meningkatnya dunia industri farmasi maka informasi produk menjadi masukan bagi perusahaan. Informasi penjualan obat dan informasi persediaan obat. Obat merupakan produk yang dihasilkan dari bahan yang berasal dari tumbuhan, mineral, binatang serta obat syntetis. Prediksi jumlah penjualan di masa yang akan datang bertujuan untuk mengendalikan jumlah stok produk yang ada, sehingga kelebihan stok produk atau kekurangan dapat diminimalkan. Hasil prediksi penjualan akurat maka, pemenuhan permintaan konsumen dapat dipenuhi tepat waktu. Penelitian ini dilakukan untuk memprediksi penjualan obat. Rekapitulasi peserdiaan obat adalah permasalahan yang sering dijumpai oleh pihak apotek. Dalam mempermudah prediksi persediaan obat di periode yang akan datang menggunakan data penjualan obat pada periode sebelumnya. Metode time series sering digunakan sebagai metode peramalan, data time series untuk mengetahui bentuk pola dimasa lalu untuk mengetahui nilai dimasa mendatang. Metode Support Vector Machine tidak bekerja dengan akurat ketika memiliki fitur tidak relevan, karena tidak semua fitur diperlukan. Metode SVM memberikan kinerja yang efektif, jika fitur yang tidak relevan dihapus. Seleksi fitur bekerja secara langsung mengeliminasi fitur serta memilih fitur yang benar memberikan informasi. Pemilahan fitur akan meningkatkan efisiensi. Pada eksperimen algoritma Support Vector Machine dihasilkan model terbaik yang dilihat berdasarkan nilai error terkecil yaitu 0.135 dengan variabel periode 4, validation Shuffled Sampling 10 dan type kernel Polynomial. Kemudian pada eksperimen algoritma Support Vector Machine menggunakan fitur seleksi Forward Selection dihasilkan model terbaik yang dilihat berdasarkan nilai error terkecil yaitu 0.133 dengan variabel periode 8, validation Shuffled Sampling 10 dan type kernel Polynomial. Kata kunci: Support Vector Machine, Forward Selection, Data Mining, Penjualan Obat
Komparasi Algoritma Data Mining Menggunakan Forward selection Pada Prediksi Harga Jagung Mohamad Efendi Lasulika; Andi Bode
JURNAL TECNOSCIENZA Vol. 5 No. 2 (2021): TECNOSCIENZA
Publisher : JURNAL TECNOSCIENZA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51158/tecnoscienza.v5i2.392

Abstract

Meningkatnya volume produksi jagung yang diperdagangkan dan kecenderungan harga jagung dipasaran menuntut kebijakan pemerintah dalam mengendalikan stabilasi harga jagung. Sehingga pemerintah kesulitan dalam menentukan atau memprediksi harga komoditi yang akan datang, namun pada penelitian ini hanya fokus pada beberapa algoritma klasifikasi untuk mengetahui algoritma apakah yang mempunyai tingkat akurasi tertinggi dalam hal prediksi harga jagung sehingga dapat digunakan dalam melakukan prediksi harga beberapa hari kedepannya. Dalam data mining ada beberapa algoritma klasifikasi yang dapat digunakan, seperti K-Neural Network, Artificial Neural Network, Naïve Bayes, Regresi Linear, C-45 dll, namun pada penelitian ini hanya fokus pada dua metode saja yaitu Naïve Bayes dan K- Neural Network. Berdasarkan hasil penelitian yang dilakukan metode K-nn merupakan metode yang sangat bagus atau baik dalam melakukan prediksi ataupun klasifikasi, hala ini dapat dilihat dari hasil RMSE yang di hasilkan yaitu 0,05, metode ini mampu menghasilkan nilai terbaik walaupun tanpa adanya penambahan metode lain seperti forward selection, sementara itu untuk naïve bayes metode ini juga merupakan metode terbaik dalam melakukan prediksi ataupun klasifikasi, akan tetapi naïve bayes mempunyai beberapa kekurangan apabila digunakan untuk type data univariate ataupun numerical. Penambahan forward selection kepada pengolahan data dapat membantu menghasilkan akurasi yang baik pula. Walaupun tanpa forward selection K-NN dan Naïve bayes merupakan metode komputasi yang sangat baik dalam prediksi ataupun klasifikasi. Kata kunci: Harga Jagung, Komparasi Metode, K-Neural Network, Naïve bayes, forward selection
Aplikasi Diagnosa Penyakit Hama Tanaman Kakao Menggunakan Metode Certainty Factor Pada Dinas Perkebunan dan Peternakan Provinsi Gorontalo Andi Bode; Mohamad Efendi Lasulika; Muh. Jabal Nur
JURNAL TECNOSCIENZA Vol. 5 No. 2 (2021): TECNOSCIENZA
Publisher : JURNAL TECNOSCIENZA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51158/tecnoscienza.v5i2.403

Abstract

Kakao merupakan komoditas yang diperdagangkan yang memiliki peluang untuk berkembang dan dapat berkembang serta menambah devisa negara. Tanaman kakao terserang berbagai hama dan penyakit, Hama dan penyakit tersebut dapat dilihat dari gejala yang ditimbulkannya, namun untuk mengetahui secara pasti jenis hama dan penyakit yang menyerang kakao diperlukan tenaga ahli / ahli pertanian. Sedangkan tenaga ahli pertanian yang jumlahnya terbatas dan tidak dapat sekaligus menyelesaikan permasalahan petani, sehingga diperlukan suatu aplikasi dengan kemampuan ahli yang berisi keahlian ahli pertanian tentang penyakit dan gejala tanaman kakao. Pada penelitian ini dirancang aplikasi diagnostik dengan menggunakan metode kepastian Certainty Factor dan metode inferensi Backward Chaining, dengan bantuan bahasa pemrograman PHP (PHP: Hypertext Preprocessor) dan Basi Data MySQL. Aplikasi ini dirancang untuk membantu petani dalam mendiagnosis penyakit tanaman kakao. Kata kunci: Certainty Factor, Hama dan Penyakit, Tanaman Kakao
Algoritma Backpropagation Menggunakan PSO Prediksi Penerimaan Retribusi Peminjaman Rumah Adat Dulohupa Sarlis Mooduto; Abdul Yunus Labolo; Andi Bode; Ivo Colanus Rally Drajana
JURNAL TECNOSCIENZA Vol. 6 No. 2 (2022): TECNOSCIENZA
Publisher : JURNAL TECNOSCIENZA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51158/tecnoscienza.v6i2.711

Abstract

Regional retribution as payment for services or granting certain permits specifically granted and/or issued by local governments for personal or business interests. Gorontalo City Government has several public facilities that are used as a source of regional income in the form of taxes or levies. The Dulohupa traditional house levy carried out by the Gorontalo City Youth and Sports Tourism Office often experiences ups and downs because it is caused by uncertainty about rentals or competition. The purpose of this research is to overcome the existing problems by predicting retribution receipts using the backpropagation method, the use of particle swarm optimization (PSO) to increase the accurate value in predicting. The data collected is daily quantitative univariate time series data. This type of data is the Dulohupa Traditional House Retribution Receipt Data. The dataset taken from the levy receipt variable has 211 records. The best model is generated on the backpropagation algorithm using the particle swarm optimization (PSO) selection feature, which can be seen from the smallest error rate of 0.122. Thus the addition of a selection feature can improve the performance of an algorithm. The results of the predictions for the next four months from January to April which have been denormalized with an average number of predictions of Rp. 1,806,789 with an error value of 0.112.
Co-Authors Abdul Yunus Labolo Asdiranto A Marisang Azminuddin I. S. Azis Budy Santoso Dedi Setiawan Fatma YR Dunggio Ikbal Iskandar Ivo Colanus Rally Drajana Ivo Colanus Rally Drajana Jorry Karim Merin Nurlaisa Abbas Moh. Yasir Mohamad Efendi Lasulika Muh Jabal Nur Muis Nanja Sarlis Mooduto Sunarto Taliki Warid Yunus Yasin Aril Mustofa Yulianti Lasena Yurike Musa Zulfrianto Yusrin Lamasigi