Articles
<![CDATA[Comparison of Distance Models on K-Nearest Neighbor Algorithm in Stroke Disease Detection ]]>
<![CDATA[Iswanto Iswanto]]>;
<![CDATA[Tulus Tulus]]>;
<![CDATA[Poltak Sihombing]]>
<![CDATA[ TEKNOLOGI DITERAPKAN DAN JURNAL SAINS KOMPUTER Vol 4 No 1 (2021): June ]]>
Publisher : <![CDATA[Unusa Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.33086/atcsj.v4i1.2097
<![CDATA[Stroke is a cardiovascular (CVD) disease caused by the failure of brain cells to get oxygen supply to pose a risk of ischemic damage and result in death. This Disease can detect based on the similarity of symptoms experienced by the sufferer so that early steps can be taking with appropriate counseling and treatment. Stroke detecting requires a machine learning method. In this research, the author used one of the supervised learning classification methods, namely K-Nearest Neighbor (K-NN). K-NN is a classification method based on calculating the distance to training data. This research compares the Euclidean, Minkowski, Manhattan, Chebyshev distance models to obtain optimal results. The distance models have been tested using the stroke dataset sourced from the Kaggle repository. Based on the test results, the Chebyshev model has the highest levels of accuracy compared to the other three distance models with an average accuracy value of 95.49%, the highest accuracy of 96.03%, at K = 10. The Euclidean and Minkowski distance models have the same level of accuracy at each K value with an average accuracy value of 95.45%, the highest accuracy of 95.93% at K = 10. Meanwhile, Manhattan has the lowest average compared to the other distance models, which is 95.42% but has the highest accuracy of 96.03% at the value of K = 6]]>
<![CDATA[Indonesian Text Dataset for Determining Sentiment Classification Using Mechine Learning Approach ]]>
<![CDATA[Indra Edy Syahputra]]>;
<![CDATA[Tulus Tulus]]>;
<![CDATA[Syahril Efendi]]>
<![CDATA[ JOURNAL OF INFORMATICS AND TELECOMMUNICATION ENGINEERING Vol 3, No 2 (2020): EDISI JANUARI ]]>
Publisher : <![CDATA[Universitas Medan Area ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.31289/jite.v3i2.3153
<![CDATA[Advances in information technology encourage the emergence of unlimited textual information with the use of online media developing so rapidly that the emergence of the need for information presentation without reducing the value of the information presented. Basicaly the concept of the dataset is a general form of almost every discipline, where the dataset provides empirical basic information for research activities. Sentiment analysis is done to see opinions or feelings about a problem or identify and classify information trends from the problem. The dataset analysis in determining sentiment classification is a model of sentiment classification that has relevance to the dataset with the use of machine learning techniques with supervision that learns from experience to predict output from labeled input data and output from machine learning. The results of experiments and tests that have been carried out on machine learning techniques with supervision can classify sentiments in the tweet text properly and the level of accuracy can still be improved to a better direction with data namely baseline 100 (days) and 83 (weeks), naivebayes 100 (days) and 82 (weeks), maxent 100 (days) and 83 (weeks), and SVM 100 (days) and 83 (weeks).]]>
<![CDATA[Biased support vector machine and weighted-smote in handling class imbalance problem ]]>
<![CDATA[Hartono Hartono]]>;
<![CDATA[Opim Salim Sitompul]]>;
<![CDATA[Tulus Tulus]]>;
<![CDATA[Erna Budhiarti Nababan]]>
<![CDATA[ International Journal of Advances in Intelligent Informatics Vol 4, No 1 (2018): March 2018 ]]>
Publisher : <![CDATA[Universitas Ahmad Dahlan ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26555/ijain.v4i1.146
<![CDATA[Class imbalance occurs when instances in a class are much higher than in other classes. This machine learning major problem can affect the predicted accuracy. Support Vector Machine (SVM) is robust and precise method in handling class imbalance problem but weak in the bias data distribution, Biased Support Vector Machine (BSVM) became popular choice to solve the problem. BSVM provide better control sensitivity yet lack accuracy compared to general SVM. This study proposes the integration of BSVM and SMOTEBoost to handle class imbalance problem. Non Support Vector (NSV) sets from negative samples and Support Vector (SV) sets from positive samples will undergo a Weighted-SMOTE process. The results indicate that implementation of Biased Support Vector Machine and Weighted-SMOTE achieve better accuracy and sensitivity.]]>
<![CDATA[KOMBINASI ALGORITMA FUZZY SIMPLE ADDITIVE WEIGHTING (FUZZY-SAW) DENGAN PREFERENCE RANKING ORGANIZATION METHOD FOR ENRICHMENT EVALUATION (PROMETHEE II) ]]>
<![CDATA[Chairil Umri]]>;
<![CDATA[Tulus Tulus]]>;
<![CDATA[Syahril Efendi]]>
<![CDATA[ CESS (Journal of Computer Engineering, System and Science) Vol 4, No 2 (2019): JULI 2019 ]]>
Publisher : <![CDATA[Universitas Negeri Medan ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (1138.322 KB)
|
DOI: 10.24114/cess.v4i2.14173
<![CDATA[Pada penelitian ini dilakukan Kombinasi Algoritma Fuzzy Simple Additive Weighting (Fuzzy-SAW) dengan Preference Ranking Organization Method for Enrichment Evaluation (PROMETHEE II) untuk mendapatkan goal berupa informasi hasil akurasi dengan mengkombinasikan algoritma Fuzzy Simple Additive Weighting (Fuzzy-SAW) dengan Preference Ranking Organization Method For Enrichment Evaluation II (PROMETHEE II). Data yang diolah pada penelitian ini berupa dataset Indian Liver Patient Dataset (ILPD) yang diperoleh dari UCI Machine Learning Repository yang memiliki 583 instance, 11 atribut dan 1 label kelas. Label kelas bertipe teks yang terdiri dari dua nilai, yaitu penderita liverdan bukan penderita liver.Hasil percobaan dari segi running time dapat dilihat bahwa running time algoritma Kombinasi dalam menyelesaikan perhitungan lebih besar dibandingkan dengan algoritam Fuzzy SAW, ini disebabkan karena tingkat kompleksitas algoritmanya lebih besar dibandingkan dengan algoritma Fuzzy SAW. Hasil percobaan nilai akurasi untuk algoritma Fuzzy SAW dengan nilai akhir lebih besar dari 0.5, 0.4 dan 0.3 adalah 71.35%. Hasil percobaan nilai akurasi untuk algoritma Kombinasi dengan nilai akhir lebih besar dari 0.5 adalah sebesar 72.55%, lebih besar dari 0.4 adalah sebesar 74.09% dan lebih besar dari 0.3 adalah sebesar 71.01%. Jadi nilai akhir yang baik untuk algoritma Kombinasi adalah lebih besar dari 0.4.]]>
<![CDATA[Pengenalan Tingkat Kematangan Buah Pepaya Paya Rabo Menggunakan Pengolahan Citra Berdasarkan Warna RGB Dengan K-Means Clustering ]]>
<![CDATA[Eliyani Eliyani]]>;
<![CDATA[Tulus Tulus]]>;
<![CDATA[Fahmi Fahmi]]>
<![CDATA[ Singuda ENSIKOM 2013: VOL 5 : SPECIAL ISSUE IN IMAGE PROCESSING ]]>
Publisher : <![CDATA[Singuda ENSIKOM ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (167.669 KB)
<![CDATA[Proses identifikasi buah-buahan secara tradisional mengalami banyak kendala akibat sifat manusia yang mempunyai kelemahan yang menyebabkan hasil yang diinginkan tidak efektif. Kemajuan teknologi komputer telah menyentuh dunia pertanian dari segi sebelum panen maupun pasca panen. Di sini timbul permasalahan bagaimana mengenali buah sehingga sesuai dengan kondisi nyata. Kondisi buah pepaya ditentukan oleh tingkat kematangan yang dilihat dari sisi warna pepaya. Klasifikasi yang lakukan oleh petani biasanya mengelompokkan pepaya dalam katagori muda, mengkal, dan masak penuh. Metode pengolahan citra mempunyai kemampuan untuk menganalisa kondisi kematangan pepaya dengan menggunakan nilai Red, Green, Blue (RGB) sebagai acuan. Penentuan klasifikasi dengan metode K-means clustering yang menggunakan selisih jarak eucludian sebagai acuannya. Untuk hasil pada kelompok pepaya muda 60% berhasil dikenali sebagai pepaya muda, kelompok pepaya mengkal 90% berhasil dikenali sebagai masak mengkal sedangkan pada kelompok pepaya penuh 100 % dikenali sebagai masak penuh. Sehingga dapat disimpulkan metode K-means Clustering hampir sama dengan proses klasifikasi oleh petani yang sudah berpengalaman bertahun tahun.]]>
<![CDATA[KLASIFIKASI DAN PENINGKATAN KUALITAS CITRA SIDIK JARI MENGGUNAKAN FFT (FAST FOURIER TRANSFORM) ]]>
<![CDATA[Salahuddin Salahuddin]]>;
<![CDATA[Tulus Tulus]]>;
<![CDATA[Fahmi Fahmi]]>
<![CDATA[ Singuda ENSIKOM 2013: VOL 5 : SPECIAL ISSUE IN IMAGE PROCESSING ]]>
Publisher : <![CDATA[Singuda ENSIKOM ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (693.334 KB)
<![CDATA[Sistem pengenalan sidik jari bertujuan untuk mengidentifikasi sidik jari seseorang sehingga dapat di kenali ciri unik dari orang tersebut. Hasil dari ekstraksi ciri sidik jari sangat bergantung pada kualitas dari citra sidik jari itu sendiri, seperti halnya kejelasan ridge structure pada citra sidik jari. Citra yang baik akan memiliki kontras yang baik dan dapat menggambarkan ridges dan valleys. Jenis sidik jari didefinisikan diantaranya: sidik jari berminyak yang memiliki piksel ridges cenderung sangat tebal, sidik jari kering yang memiliki ridges yang kasar pada tingkat lokal dan terdapat piksel putih/ valley yang banyak, serta sidik jari netral secara umum tidak memiliki sifat khusus seperti berminyak dan kering. Untuk mendapatkan citra yang baik pada citra sidik jari kering dilakukan ekstraksi garis tengahnya dan menghapus piksel putih/valley sehingga nilai ridge meningkat. Penelitian ini menggunakan metode FFT karena FFT merupakan salah satu algoritma yang dapat menghitung secara cepat dan mendukung dilakukan proses secara real time. Dengan metode FFT citra sidik jari dengan ridges yang terputus dianalisa dan dihitung probabilitasnya dari ridge frequency dan ridge orientation, setelah ditingkatkan kualitasnya dengan menggunakan FFT maka didapatkan peningkatan piksel ridge 97.52 % pada konstanta k=0,6. Dan Hasil Verifikasi Persentase Matching Sidik jari tertinggi pada nilai konstanta k=0,6 yaitu 54,29%.]]>
<![CDATA[PENINGKATAN UNJUK KERJA VERIFIKASI CITRA SIDIK JARI BERMINYAK BERDASARKAN MINUTIAE DENGAN METODE GABOR FILTER ]]>
<![CDATA[Sayed Munazzar]]>;
<![CDATA[Tulus Tulus]]>;
<![CDATA[Fahmi Fahmi]]>
<![CDATA[ Singuda ENSIKOM 2013: VOL 5 : SPECIAL ISSUE IN IMAGE PROCESSING ]]>
Publisher : <![CDATA[Singuda ENSIKOM ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (616.83 KB)
<![CDATA[Sidik jari merupakan salah satu sistem biometrik yang banyak digunakan untuk pengenalan secara otomatis maupun pemeriksaan identitas dikarenakan sifat dari citra sidik jari yang uniqness dan tidak pernah berubah. Dengan menggunakan 56 sampel sidik jari dari 7 orang yang berbeda, verifikasi citra sidik jari berminyak berdasarkan minutiae bertujuan untuk mendapat nilai minutiae dari citra sidik jari yang maksimal sehingga citra sidik jari bisa didapatkan kecocokan paling tinggi. Hasil dari verifikasi citra sidik jari normal dengan citra sidik jari berminyak sebelum gabor menghasilkan kecocokan sebesar 15,54% sedangkan verifikasi citra sidik jari normal dengan citra sidik jari berminyak setelah gabor menghasilkan kecocokan sebesar 20,46% sehingga persentase kecocokan meningkat 5%.]]>
<![CDATA[DETEKSI FITUR WAJAH MANUSIA TANPA MARKER AKTIF MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS (PCA) ]]>
<![CDATA[Muliyadi Muliyadi]]>;
<![CDATA[Tulus Tulus]]>;
<![CDATA[Fahmi Fahmi]]>
<![CDATA[ Singuda ENSIKOM 2013: VOL 5 : SPECIAL ISSUE IN IMAGE PROCESSING ]]>
Publisher : <![CDATA[Singuda ENSIKOM ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (374.531 KB)
<![CDATA[Motion capture dengan menggunakan marker aktif yang ada saat ini membutuhkan perangkat dan pakaian khusus yang dipakai oleh aktor yang mengakibatkan aktor sulit untuk melakukan gerakan-gerakan yang kompleks. Hal ini kemungkinan ada bagian marker yang terlepas atau tidak tertangkap oleh kamera sehingga mempengaruhi hasil capture. Dalam penelitian ini akan Menggunakan Metode Principal Component Analysis (PCA) untuk mendeteksi fitur–fitur wajah yang meliputi alis, mata, hitung, mulut dan lengkungan wajah. tanpa menggunakan marker akan tetapi dengan menggunakan titik landmark pada setiap fitur-fitur wajah, yang nantinya dapat memberikan kontribusi pada bidang penelitian facial motion capture dan pada dunia animasi serta game development sehingga akan mempermudah para kreator dalam membuat animasi yang realistis sebagaimana gerakan aslinya atau alami dari Aktor tanpa menggunakan pakaian khusus atau marker.]]>
<![CDATA[ANALISIS PENGGUNAAN PARALLEL PROCESSING MULTITHREADING PADA RESILIENT BACKPROPAGATION ]]>
<![CDATA[Kelvin Onggrono]]>;
<![CDATA[Tulus Tulus]]>;
<![CDATA[Erna Budhiarti Nababan]]>
<![CDATA[ InfoTekJar : Jurnal Nasional Informatika dan Teknologi Jaringan Vol 2, No 1 (2017): InfoTekJar September ]]>
Publisher : <![CDATA[Universitas Islam Sumatera Utara ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30743/infotekjar.v2i1.146
<![CDATA[Proses pembelajaran neural network merupakan hal yang penting, bertujuan untuk mengenali lingkungan. Proses pembelajaran neural network membutuhkan waktu untuk dapat mengenali lingkungan. Terutama pada salah satu algoritma neural network yaitu resilient backpropagation. Proses untuk mempercepat pembelajaran resilient backpropagation pada penelitian ini adalah menggunakan teknik parallel processing. Teknik parallel processing yang digunakan adalah multithreading. Teknik parallel ini diterapkan pada bagian hidden layer yaitu membagi jumlah neuron pada hidden layer menjadi beberapa subproses yang dikerjakan secara bersamaan, pembagian yang dilakukan berdasarkan pada jumlah thread. Hasil yang didapatkan dalam penerapan parallel processing menggunakan teknik multithreading ke dalam algoritma resilient backpropagation membantu mempercepat waktu proses pembelajaran resilient backpropagation dengan thread yang digunakan sebanyak 3 buah thread.]]>
<![CDATA[Pengamanan File Teks Menggunakan Algoritma RSA – LUC dan Algoritma Zig-Zag dalam Hybrid Crypto Sistem ]]>
<![CDATA[Rahmi Suliani Lubis]]>;
<![CDATA[Tulus Tulus]]>;
<![CDATA[Erna Budhiarti Nababan]]>
<![CDATA[ InfoTekJar : Jurnal Nasional Informatika dan Teknologi Jaringan Vol 6, No 2 (2022): InfoTekJar Maret ]]>
Publisher : <![CDATA[Universitas Islam Sumatera Utara ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30743/infotekjar.v6i2.4717
<![CDATA[Kriptografi adalah ilmu yang berdasarkan pada teknik matematika untuk berurusan dengan keamanan informasi seperti kerahasiaan, keutuhan data dan otentifikasi entitas. Hybrid crypto metode untuk mengunci plainteks dengan algoritma simetris dan menggunakan algoritma asimetris untuk mengunci algoritma simetris. Tujuan dari penelitian ini adalah kriptografi masih memiliki kelemahan oleh karena itu peneliti menggabungkan zig-zag dan RSA dengan kunci LUC dalam mengenkripsi pesan. Dalam penelitian digunakan pembangkit kunci pada algoritma LUC. hybrid kriptosistem merupaka metode untuk mengunci algortima plainteks dengan algoritma simetris dan asimetris digunakan untuk mengamankan algoritma simetris. Algoritma digunakan untuk mengenkripsi plainteks sedangkan algoritma RSA-LUC untuk mengenkripsi kunci zig-zag. Hasil dari penelitian ini adalah Semakin panjang jumlah karakter maka semakin lama proses yang dibutuhkan untuk proses enkripsi pada file teks. Dan semakin besar ukuran file, maka semakin besar ukuran ciphertext yang dihasilkan.]]>
