Article Per Year (5 Year)
p-Index From 2019 - 2024
0.659
P-Index
This Author published in this journals
All Journal Jurnal Ilmu Komputer dan Agri-Informatika The IJICS (International Journal of Informatics and Computer Science) Jurnal Manajemen Informatika dan Sistem Informasi HOAQ (High Education of Organization Archive Quality) : Jurnal Teknologi Informasi
Franki Yusuf Bisilisin
STIKOM Uyelindo Kupang
Agriculture, Biological Sciences & Forestry Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering

Published : 5 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 5 Documents
Search

 1 
Optimasi K-Means Clustering Menggunakan Particle Swarm Optimization pada Sistem Identifikasi Tumbuhan Obat Berbasis Citra Bisilisin, Franki Yusuf; Herdiyeni, Yeni; Silalahi, Bib Paruhum
Jurnal Ilmu Komputer dan Agri-Informatika Vol 3, No 1 (2014)
Publisher : Departemen Ilmu Komputer IPB

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1151.464 KB)

Abstract

Teknologi identifikasi pada penelitian ini diperlukan untuk mempercepat proses identifikasi spesies tumbuhan obat berupa data citra digital. Penelitian ini membangun sistem identifikasi tumbuhan obat menggunakan teknik clustering. Teknik clustering digunakan untuk mengelompokkan data citra sesuai dengan spesies tumbuhan obat. Penelitian ini bertujuan melakukan optimasi k-means clustering menggunakan metode particle swarm optimization (PSO). Metode PSO digunakan untuk mengatasi kelemahan pada metode clustering tradisional yaitu pemilihan pusat cluster awal dan solusi lokal. Proses ekstraksi fitur menggunakan fuzzy local binary pattern (FLBP) untuk merepresentasikan tekstur dari citra. Implementasi program menggunakan bahasa pemrograman C++. Analisis clustering dilakukan untuk 30 spesies tumbuhan obat yang ada di Indonesia dengan jumlah 48 citra masing-masing spesies. Pengukuran kualitas clustering menggunakan nilai quantization error dan akurasi. Hasil yang diperoleh menunjukkan metode PSO mampu meningkatkan kinerja dari metode k-means clustering dalam proses identifikasi tumbuhan obat.Kata kunci: fuzzy local binary pattern, k-means clustering, particle swarm optimization, tumbuhan obat
PENGELOMPOKKAN JENIS RUMPUT LAUT MENGGUNAKAN FUZZY C-MEANS BERBASIS CITRA Franki Bisilisin Yusuf Bisilisin; Remerta Noni Naatonis
Jurnal Manajemen Informatika dan Sistem Informasi Vol. 4 No. 1 (2021): MISI Januari 2021
Publisher : LPPM STMIK Lombok

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36595/misi.v4i1.212

Abstract

Rumput laut merupakan komoditas unggulan bagi petani rumput laut dalam meningkatkan pendapatan rumah tangga. Rumput laut tersedia dalam jumlah banyak dan berbagai jenis rumput laut banyak ditemukan di perairan Teluk Kupang. Permasalahan yang terjadi adalah minimnya pengetahuan petani rumput laut tentang jenis rumput laut yang tersedia. Teknologi sangat dibutuhkan untuk membantu permasalahan yang dihadapi. Salah satunya adalah pengelompokan jenis rumput laut dengan menggunakan komputer untuk mengidentifikasi jenis rumput laut. Data yang digunakan adalah 10 jenis rumput laut dengan masing-masing 10 jenis diambil di Teluk Kupang. Data citra diekstraksi untuk mendapatkan karakteristik tekstur menggunakan pola fuzzy local binary (FLBP). Pengelompokan jenis rumput laut menggunakan metode fuzzy c-means clustering. Sistem dibangun dengan menggunakan Matlab sebagai bahasa pemrograman. Pengujian menggunakan purity untuk menghitung kemurnian sebuah cluster yang direpresentasikan sebagai anggota cluster yang paling sesuai. Hasil penelitian menunjukkan jumlah citra teridentifikasi sebanyak 63 citra rumput laut. Jenis rumput laut yang teridentifikasi dengan benar adalah jenis ulva reticulate dengan nilai kemurnian 1.
Optimasi K-Means Clustering Menggunakan Particle Swarm Optimization pada Sistem Identifikasi Tumbuhan Obat Berbasis Citra Franki Yusuf Bisilisin; Yeni Herdiyeni; Bib Paruhum Silalahi
Jurnal Ilmu Komputer & Agri-Informatika Vol. 3 No. 1 (2014)
Publisher : Departemen Ilmu Komputer - IPB University

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1151.464 KB) | DOI: 10.29244/jika.3.1.37-46

Abstract

Teknologi identifikasi pada penelitian ini diperlukan untuk mempercepat proses identifikasi spesies tumbuhan obat berupa data citra digital. Penelitian ini membangun sistem identifikasi tumbuhan obat menggunakan teknik clustering. Teknik clustering digunakan untuk mengelompokkan data citra sesuai dengan spesies tumbuhan obat. Penelitian ini bertujuan melakukan optimasi k-means clustering menggunakan metode particle swarm optimization (PSO). Metode PSO digunakan untuk mengatasi kelemahan pada metode clustering tradisional yaitu pemilihan pusat cluster awal dan solusi lokal. Proses ekstraksi fitur menggunakan fuzzy local binary pattern (FLBP) untuk merepresentasikan tekstur dari citra. Implementasi program menggunakan bahasa pemrograman C++. Analisis clustering dilakukan untuk 30 spesies tumbuhan obat yang ada di Indonesia dengan jumlah 48 citra masing-masing spesies. Pengukuran kualitas clustering menggunakan nilai quantization error dan akurasi. Hasil yang diperoleh menunjukkan metode PSO mampu meningkatkan kinerja dari metode k-means clustering dalam proses identifikasi tumbuhan obat.Kata kunci: fuzzy local binary pattern, k-means clustering, particle swarm optimization, tumbuhan obat
SISTEM PENDUKUNG KEPUTUSAN UNTUK MENGEVALUASI KINERJA DOSEN PRODI DI STIKOM UYELINDO KUPANG MENGGUNAKAN METODE TOPSIS Franki Yusuf Bisilisin; Remerta R. Naatonis
HOAQ (High Education of Organization Archive Quality) : Jurnal Teknologi Informasi Vol. 10 No. 2 (2019): Jurnal HOAQ - Teknologi Informasi
Publisher : STIKOM Uyelindo Kupang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52972/hoaq.vol10no2.p59-65

Abstract

STIKOM Uyelindo Kupang was established in the year 2000 as an information technology-based tertiary institution which has three study programs, namely under graduate of informatics engineering, diploma three informatics engineering and under graduate of information systems. The three study programs always strive to improve the status of accreditation by continuously improving internal quality and making accreditation a strategy to compete with other universities. To maintain quality, STIKOM Uyelindo Kupang, especially the undergraduate informatics engineering study program routinely monitors and evaluates the performance of lecturers. The problem that is often faced in routine monitoring and evaluation of lecturer performance is the performance evaluation process that is still objective so that to overcome these problems, a decision support system is needed that can assist in evaluating the performance of lecturers at STIKOM Uyelindo Kupang. The purpose of this study is to make a decision support system for the assessment of performance of lecturers of the first-degree informatics engineering study program at STIKOM Uyelindo Kupang using TOPSIS method. The results of this study are in the form of a desktop-based application that can facilitate the monitoring and performance evaluation teams of lecturers in evaluating the performance of lecturers of study programs
Teachable Machine: Real-Time Attendance of Students Based on Open Source System Edwin Ariesto Umbu Malahina; Ryan Peterzon Hadjon; Franki Yusuf Bisilisin
The IJICS (International Journal of Informatics and Computer Science) Vol 6, No 3 (2022): November 2022
Publisher : STMIK Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/ijics.v6i3.4928

Abstract

The utilization of open source-based services will be very useful, simplifying and accelerating the process of object recognition and complex computational processes, one of them uses the Teachable Machine service. Identification of student faces in real-time attendance is a case study that will be applied to students to recognize and identify accurately and clearly the presence of students during online / offline lectures, by applying Teachable Machine services that have good algorithms with a machine learning approach that utilizes the Tensorflow.js library where the training data testing uses Convolutional Neural Network (CNN). Of the objects identified, the average accuracy of all classes ranged from 91-100%, with the number of samples for each object class being 23 objects or more. Number of sample images in one class. Clothing, object background and lighting intensity around the image object are also very influential in determining the accuracy value of student face recognition later, so that the use of the tensorflow.js library that implements Convolutional Neural Network (CNN) will be very helpful in facial recognition and influencing factors so that the data entered later needs to be further corrected and improved again, so that the results obtained in implementing the online attendance system have been very helpful in detecting student faces with an average accuracy rate of 91.8%
Co-Authors Bib Paruhum Silalahi Edwin Ariesto Umbu Malahina Remerta Noni Naatonis Remerta R. Naatonis Ryan Peterzon Hadjon