Garuda - Garba Rujukan Digital

p-Index From 2019 - 2024

0.778

P-Index

This Author published in this journals

All Journal Jurnal Ilmu Komputer dan Agri-Informatika SITEKIN: Jurnal Sains, Teknologi dan Industri Jurnal Teknologi Informasi dan Ilmu Komputer Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi)

Agus Buono

Institut Pertanian Bogor

Author-ID : 2560719

Agriculture, Biological Sciences & Forestry Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Engineering Industrial & Manufacturing Engineering Other

Published : 6 Documents Claim Missing Document

Claim Missing Document

Articles

Pemodelan Jaringan Syaraf Tiruan untuk Memprediksi Awal Musim Hujan Berdasarkan Suhu Permukaan Laut Laila Sari Lubis; Agus Buono
Jurnal Ilmu Komputer dan Agri-Informatika Vol 1 No 2 (2012)
Publisher : Departemen Ilmu Komputer, Institut Pertanian Bogor

Anjatan, Indramayu adalah salah satu daerah pertanian di Indonesia. Keberhasilan atau kegagalan panen setiap tahun tergantung pada ketersediaan air di wilayah tersebut. Oleh karena itu, diperlukan suatu metode yang akurat untuk memprediksi awal musim hujan. Metode yang digunakan untuk prediksi dalam penelitian ini adalah jaringan saraf tiruan (JST) back-propagation. Hasil akurasi prediksi JST diukur dengan R2 dan RMSE. Penelitian ini menggunakan suhu permukaan laut (SST) ECHAM4p5_CA yang merupakan salah satu model suhu permukaan laut di bulan Juni, Juli, dan Agustus. Domain SST dipilih berdasarkan korelasi 5% dan 10% untuk masing-masing bulan Juni, Juli, dan Agustus. Penelitian ini menggunakan arsitektur JST dengan dua parameter: hidden neuron (HN) dan learning rate (LR). Jumlah hidden neuron yang digunakan dalam penelitian ini adalah 5, 10, 20, dan 40, dan tingkat pembelajaran adalah 0.3, 0.1, dan 0.01. Prediksi hasil terbaik untuk korelasi 5% menggunakan JST adalah untuk bulan Juni dengan R2 adalah 51% dan RMSE 3.03 pada HN 10 dan LR 0.01, Juli dengan R2 adalah 48% dan RMSE 3.39 pada HN 20 dan LR 0.1, dan Agustus dengan R2 adalah 75% dan RMSE 2.51 di HN 40 dan LR 0.01. Prediksi hasil terbaik untuk korelasi 10% menggunakan JST adalah untuk bulan Juni dengan R2 adalah 44% dan RMSE 3.32 di HN 5 dan LR 0.3, Juli dengan R2 adalah 42% dan RMSE 3.42 di HN 10 dan LR 0.1, dan Agustus dengan R2 adalah 71% dan RMSE 3.37 di HN 20 dan LR 0.01. Kesimpulan dari penelitian ini adalah hidden neuron dan learning rate dengan nilai yang berbeda mempengaruhi R2 dan RMSE. Kata kunci: hidden neuron, jaringan saraf tiruan, learning rate, RMSE, R2

Perbandingan Sistem Perhitungan Suara Tepuk Tangan dengan Metode Berbasis Frekuensi dan Metode Berbasis Amplitudo Puspita Kartika Sari; Karlisa Priandana; Agus Buono
Jurnal Ilmu Komputer & Agri-Informatika Vol. 2 No. 1 (2013)
Publisher : Departemen Ilmu Komputer - IPB University

Sistem penilaian berdasarkan suara tepuk tangan sering digunakan dalam acara perlombaan di Indonesia. Namun, penentuan pemenang dengan cara konvensional cenderung subjektif. Penelitian ini mengembangkan sistem penilaian otomatis berbasis komputer untuk menghitung jumlah orang bertepuk tangan dan menentukan pemenang dari perlombaan berdasarkan tepuk tangan. Penelitian ini membandingkan dua metode yang dapat diterapkan yaitu metode berbasis frekuensi dan metode berbasis amplitudo. Metode yang berbasis frekuensi mengimplementasikan Mel Frequency Cepstral Coefficient (MFCC) sebagai pengekstraksi ciri dan codebook sebagai pengenal pola. Hasil yang diperoleh merupakan suatu model berupa kelas-kelas yang diklasterkan oleh K-Means clustering. Parameter penting dalam metode ini adalah jumlah koefisien cepstral, overlap, time frame, dan jumlah klaster. Beberapa pengujian dilakukan untuk menemukan parameter optimum dengan nilai akurasi tertinggi. Metode kedua merupakan metode berbasis amplitudo yang dilakukan dengan menghitung jumlah sampel sinyal yang memiliki nilai amplitudo di atas nilai-nilai ambang (thresholds) tertentu yang menghasilkan akurasi maksimum. Hasil penelitian menunjukkan bahwa akurasi sistem berbasis frekuensi untuk tepuk tangan periodik adalah 83.3% dan untuk tepuk tangan acak ialah 50% sehingga akurasi sistem untuk tepuk tangan acak berbasis threshold yang lebih sederhana ialah 66.7 %. Dengan demikian, metode berbasis amplitudo baik digunakan.Kata kunci: Codebook, K-means, Mel Frequency Cepstral Coefficients (MFCC), Pengenalan Suara, Threshold

Support Vector Regression untuk Prediksi Produktivitas Kelapa Sawit di Provinsi Riau Mustakim Mustakim; Agus Buono; Irman Hermadi
SITEKIN: Jurnal Sains, Teknologi dan Industri Vol 12, No 2 (2015): Juni 2015
Publisher : Fakultas Sains dan Teknologi Universitas Islam Negeri Sultan Syarif Kasim Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24014/sitekin.v12i2.990

Krisis energi yang melanda wilayah Provinsi Riau dan sekitarnya memberikan dampak penurunan nilai ekonomi masyarakat, hal tersebut disebabkan salah satunya adalah negara selalu bergantung kepada sumber energi fosil. Upaya pemerintah untuk mengatasi krisis energi telah dilakukan dengan mengganti energi fosil dengan energi alternatif terbarukan dari limbah kelapa sawit. Produksi dan produktifitas kelapa sawit di Provinsi Riau memiliki peringkat terbesar di Indonesia, hal ini menjadi gambaran akan terwujudnya energi alternatif masa depan di Riau. Penelitian ini melakukan prediksi produksi dan produktifitas untuk kedepannya dengan menggunakan metode Support Vector Regression. Dari hasil percobaan yang dilakukan, diperoleh nilai prediksi untuk kedepannya mengalami penurunan hingga 52% dan hanya mengalami kenaikan 5 dari 74 lokasi sebesar 8% . Kernel SVR terbaik dari kombinasi percobaan ini adalah Radial Basis Function dengan koefisien determinasi (R2) sebesar 95% dan nilai error galat (MSE) sebesar 6% terdapat pada fold 1 dengan rentang γ=20 dan C 23.

Pengembangan Algoritme Niching Particle Swarm Optimization untuk Pencarian Target pada Sistem Multi-Robot Siti Raehan; Agus Buono; Medria Kusuma Dewi Hardhienata
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 8 No 4: Agustus 2021
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.0813173

Robot seringkali digunakan untuk mencari target, dalam hal ini target bisa korban, barang berbahaya dan tidak bisa dijangkau oleh manusia sehingga diganti menggunakan robot.Robot melakukan pencarian untuk menemukan target yang kemudian mengalokasikan diri ketarget dengan asumsi bahwa targetnya dapat memancarkan sinyal. Permasalahan tersebut dipandang sebagai suatu masalah optimasi. Salah satu teknik yang dapat menyelesaikan masalah optimasi merupakan algoritme Particle Swarm Optimization (PSO). Masalah yang sering ditangani PSO sampai saat ini hanya sebatas masalah single-target. Beberapa masalah pada dunia nyata merupakan masalah multi-target, sehingga tidak dapat diselesaikan dengan algoritme PSO. Multi-target merupakan pencarian multi-robot untuk mengoptimasi pencarian target pada satu atau lebih titik optimum di dalam ruang pencarian. Masalah optimasi pada multi-target dapat diselesaikan menggunakan algoritme Niching Particle Swarm Optimization (NichePSO). Penelitian ini bertujuan untuk mengembangkan algoritme NichePSO untuk pencarian target pada sistem multi-robot. Pengembangan algoritme dilakukan dengan menggabungkan algoritme NichePSO dengan parameter robot e-puck yang merupakan kontribusi pertama pada penelitian ini. Kontribusi kedua adalah menerapkan algoritme penghindaran dan menggunakan teknik reflecting untuk robot yang keluar dari batas area pencarian.Pada studi ini membandingkan hasil performa antara algoritme NichePSO tanpa algoritme penghindaran dan dengan algoritme penghindaran, diuji dengan beberapa rintangan dalam lingkungan statis. Hasil penelitian menunjukkan bahwa pengembangan algoritme NichePSO pada tanpa algoritme penghindaran dan dengan algoritme penghindaran jauh berbeda dalam jumlah tabrakan tetapi tidak berbeda secara signifikan dalam waktu pencarian dan nilai fitnes. Abstract Robots are often used to find targets, in this case targets can be victims, dangerous goods and cannot be reached by humans so they are replaced using robots. The robot does a search to find a target which then allocates itself to the target assuming that the target can emit a signal. This problem is seen as an optimization problem. One technique that can solve optimization problems is the Particle Swarm Optimization (PSO) algorithm. The problem that is often handled by PSO to date is only limited to single-target problems. Some real-world problems are multi-target problems, so they cannot be solved by the PSO algorithm. Multi-target is a multi-robot search to optimize target search at one or more optimum points in the search space. The problem of optimization on multi-targets can be solved using the Niching Particle Swarm Optimization (NichePSO) algorithm. This study aims to develop a NichePSO algorithm for target search on multi-robot systems. The development of the algorithm is done by combining the NichePSO algorithm with the e-puck robot parameters which is the first contribution to this research. The second contribution is to apply avoidance algorithms and use reflecting techniques for robots that come out of the boundary of the search area. In this study comparing the performance results between the NichePSO algorithm without the avoidance algorithm and with the avoidance algorithm, tested with several obstacles in a static environment. The results showed that the development of the NichePSO algorithm without the avoidance algorithm and with the avoidance algorithm differed significantly in the number of collisions but did not differ significantly in search time and fitness values. Robot seringkali digunakan untuk mencari target, dalam hal ini target bisa korban, barang berbahaya dan tidak bisa dijangkau oleh manusia sehingga diganti menggunakan robot. Robot melakukan pencarian untuk menemukan target yang kemudian mengalokasikan diri ke target dengan asumsi bahwa targetnya dapat memancarkan sinyal. Permasalahan tersebut dipandang sebagai suatu masalah optimasi. Salah satu teknik yang dapat menyelesaikan masalah optimasi merupakan algoritme Particle Swarm Optimization (PSO). Masalah yang sering ditangani PSO sampai saat ini hanya sebatas masalah single-target. Beberapa masalah pada dunia nyata merupakan masalah multi-target, sehingga tidak dapat diselesaikan dengan algoritme PSO. Multi-target merupakan pencarian multi-robot untuk mengoptimasi pencarian target pada satu atau lebih titik optimum di dalam ruang pencarian. Masalah optimasi pada multi-target dapat diselesaikan menggunakan algoritme Niching Particle Swarm Optimization (NichePSO). Penelitian ini bertujuan untuk mengembangkan algoritme NichePSO untuk pencarian target pada sistem multi-robot. Pengembangan algoritme dilakukan dengan menggabungkan algoritme NichePSO dengan parameter robot e-puck yang merupakan kontribusi pertama pada penelitian ini. Kontribusi kedua adalah menerapkan algoritme penghindaran dan menggunakan teknik reflecting untuk robot yang keluar dari batas area pencarian.Pada studi ini membandingkan hasil performa antara algoritme NichePSO tanpa algoritme penghindaran dan dengan algoritme penghindaran, diuji dengan beberapa rintangan dalam lingkungan statis. Hasil penelitian menunjukkan bahwa pengembangan algoritme NichePSO pada tanpa algoritme penghindaran dan dengan algoritme penghindaran jauh berbeda dalam jumlah tabrakan tetapi tidak berbeda secara signifikan dalam waktu pencarian dan nilai fitnes.

Blockchain dan Kecerdasan Buatan dalam Pertanian : Studi Literatur Fajar Delli Wihartiko; Sri Nurdiati; Agus Buono; Edi Santosa
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 8 No 1: Februari 2021
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.0814059

Dewasa ini teknologi blockchain dan kecerdasan buatan (artificial intelligence/AI) telah diimplementasikan dalam bidang pertanian. Teknologi blockchain menjanjikan keamanan dan peningkatan kepercayaan untuk pengguna. Teknologi kecerdasan buatan menjanjikan berbagai kemudahan bagi pengguna. Perpaduan kedua teknologi tersebut dapat meningkatan kepercayaan terhadap sistem kecerdasan buatan (blockchain for AI) atau dapat juga digunakan untuk meningkatkan kinerja sistem blockchain (AI for blockchain). Tujuan penelitian ini mengulas kedua teknologi tersebut dalam studi literatur serta memberikan tantangan riset ke depan terkait implementasinya di bidang pertanian. Metodologi yang digunakan adalah Systematic Literature Review (SLR) dan text mining. Text mining digunakan untuk memberikan deskripsi riset yang ada berdasarkan kata-kata di setiap artikel terpilih. SLR digunakan untuk memberikan ulasan yang komprehensif terkait riset Blockchain dan kecerdasan Buatan dalam pertanian. Hasil penelitian menunjukan bahwa terdapat 10 % penelitian terkait penerapan blockchain dan AI dalam pertanian. Riset tersebut memiliki potensi besar untuk berkembang terlihat dari peningkatan jumlah publikasi dalam 2 tahun terakhir. Kontribusi penelitian ini meliputi posisi riset terkini dan usulan riset ke depan dengan mempertimbangkan kondisi pertanian Indonesia. Posisi riset tersebut didominasi komunitas peneliti dari negara-negara di Asia seperti India (33%), Pakistan (33%), China (14%) dan Korea (14%). Originalitas penelitian ini terletak pada studi literatur dari integrasi teknologi blockchain dan kecerdasan buatan dalam bidang pertanian menggunakan SLR dan text mining. AbstractArtificial intelligence and blockchain technology are being developed and implemented in Agriculture. Blockchain technology promises security and trust for users. Moreover, artificial intelligence technology promises convenience for users. The combination of these two technologies will increase trust in artificial intelligence systems. Besides, this combination can also increase security on the blockchain system through the application of artificial intelligence. This paper summarizes the application of both technologies and reviews them in a systematic literature review, presents a description of articles based on text mining, and provides future research challenges related to the implementation of blockchain and artificial intelligence in agriculture. The methodologies used are Systematic Literature Review (SLR) and text mining. Text mining is used to describe a description of existing research based on the words in each selected article. SLR is used to provide a comprehensive review of Blockchain research and Artificial intelligence in agriculture. The results showed that there were 10% of research related to the application of blockchain and AI in agriculture. This research has great potential for growth as seen from the increase in the number of publications in the last 2 years. The contribution of this research includes the latest research positions and future research proposals taking into account the conditions of Indonesian agriculture. The research position is dominated by the research community from countries in Asia such as India (33%), Pakistan (33%), China (14%) and Korea (14%). The originality of this research is a literature study on the integration of blockchain and artificial intelligence in agriculture using SLR and text mining.

Fuzzy Learning Vector Quantization Untuk Klasifikasi Citra Daging Oplosan Berdasarkan Ciri Warna dan Tekstur Lidya Ningsih; Agus Buono; Mushthofa; Toto Haryanto
Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol 6 No 3 (2022): Juni 2022
Publisher : Ikatan Ahli Informatika Indonesia (IAII)

Beef consumption is quite high and expensive in the world. In Indonesia, beef prices are relatively expensive because the meat supply chain from farmers to the market is quite long. The high demand for beef and the difficulty of obtaining meat are factors in the high price of meat. This makes some meat traders cheat by mixing beef and pork (oplosan). Mixing beef and pork is detrimental to beef consumers, especially those who are Muslim. In this paper, we proposed a new strategy for identifying beef, pig, and mixed meat utilizing Fuzzy learning vector quantization (FLVQ) Based on the color and texture aspects of the meat. The HSV (Hue saturation value) approach is used for color features, whereas the GLCM (Gray level co-occurrence matrix) method is used for texture features. This study makes use of primary data collected from the Pasar Bawah Tourism and Cipuan Market in Pekanbaru, Riau Province. The data set consists of 600 photos, 200 each of beef, pork, and mixed. Based on the test scenario, the coefficient of fuzzyness and learning rate affect the accuracy of meat image identification. The proposed strategy has succeeded in classifying pork, beef and mixed meat with the best percentage of accuracy results in theclasses of beef and pork, beef and mixed, pork and mixed meat, respectively, at 100%, 97.5%, and 95%. This demonstrates that the proposed strategy has succeeded in classifying the image of pork, beef, and mixed.

Co-Authors Edi Santosa Fajar Delli Wihartiko Irman Hermadi Karlisa Priandana Laila Sari Lubis Lidya Ningsih Medria Kusuma Dewi Hardhienata Mushthofa Mushthofa Mushthofa Mustakim Mustakim Puspita Kartika Sari Siti Raehan Sri Nurdiati Toto Haryanto

Title

Found 6 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 6 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 6 Documents
Search