Article Per Year (5 Year)
p-Index From 2019 - 2024
2.286
P-Index
This Author published in this journals
All Journal INTENSIF: Jurnal Ilmiah Penelitian dan Penerapan Teknologi Sistem Informasi RESEARCH : Computer, Information System & Technology Management Informasi Interaktif Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi Jurnal Informa: Jurnal Penelitian dan Pengabdian Masyarakat Infotek : Jurnal Informatika dan Teknologi Explore
Sudarmawan Sudarmawan
Universitas Amikom Yogyakarta
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Engineering

Published : 19 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 5 Documents
Search
Journal : Explore

 1 
Analisis Algoritma Apriori dan FP-Growth Dalam Menemukan Pola Frequent Item Data Association Rule Pada Supermarket Vita Rahayu; Bambang Soedijo; Sudarmawan Sudarmawan
Explore Vol 11 No 2 (2021): Juli 2021
Publisher : Universitas Teknologi Mataram

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35200/ex.v11i2.46

Abstract

Teknologi informasi yang setiap tahun nya semakin berkembang sehingga pada saat ini membuat seseorang tidak pernah lepas dari teknologi tersebut, teknologi digunakan diberbagai bidang yang salah satunya sepert usaha supermarket, pemanfaatan teknologi informasi pada supermarket dalam pengolahan data yang besar bisa menggunakan data mining dengan cara menganalisa data transaksi, dengan menganalisa data transaksi penjualan produk pada supermarket maka akan menghasilkan pola-pola kombinasi keterhubungan antar produk atau pola asosiasi. Penelitian ini penulis melakukan komparasi algoritma apriori dan FP-Growth yang dapat mengetahui pola pembelian atau pola asosiasi dengan membandingkan algoritma mana yang menghasilkan tingkat kepercayaan tertinggi dengan menggunakan data besar maka didapatkanlah FP-Growth yang menghasilkan tingkat ke percayaan tertinggi dalam menemukan kombinasi antar item berdasarkan teknik association rulespada proses nya yang berdasarkan nilai support (penunjuang) dan confidence (kepercayaan) dari masing-masing proses mining.
Perbandingan Algoritma Apriori Dan Algoritma Fp-Growth Untuk Rekomendasi Item Paket Pada Konten Promosi Muhammad Mariko; Kusrini Kusrini; Sudarmawan Sudarmawan
Explore Vol 11 No 2 (2021): Juli 2021
Publisher : Universitas Teknologi Mataram

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35200/ex.v11i2.47

Abstract

Perkembangan teknologi memberi dampak yang begitu besar bagi kehidupan manusia, selain meningkatkan produktivitas teknologi juga dapat memudahkan berbagai pekerjaan termasuk salah satunya yaitu dapat digunakan sebagai sarana yang untuk membantu dalam mengambil sebuah keputusan yang tepat seperti menentukan produk yang tepat untuk digunakan sebagai konten promosi, sehingga konten promosi yang dibuat menjadi lebih tepat sasaran. Pemanfaatan teknologi dalam pengolahan data yang besar bisa menggunakan data mining untuk menganalisa data transaksi penjualan untuk mengetahui pola-pola kombinasi keterhubungan setiap produk sehingga hasil kombinasi tersebut dapat digunakan untuk konten promosi. penelitian ini menggunakan metode apriori dan fp-growth untuk menemukan kombinasi atau keterbuhungan setiap produk berdasarkan nilai support dan confidance dari setiap proses mining. Hasil dari penelitian ini menunjukan bahwa algoritma FP-Growth membutuhkan waktu yang lebih sedikit dibandingkan dengan algoritma Apriori dalam proses mining, kemudian pola asosiasi yang terbentuk dengan nilai minimum support 15% dan nilai minimum confidence 20%. selain itu semakin besar nilai support dan nilai confidence yang diatur maka akan semakin singkat waktu pemprosesan algoritma dan semakin kecil nlai suppor dan nilai confidance maka akan semakin lama waktu yang dibutuhkan untuk memproses algoritma.
Analisis Komparatif Kinerja Model Pengendalian Pada Alat Pendeteksi Kebocoran Gas Berbasis Internet Of Things Guido Adolfus Suni; Kusrini Kusrini; Sudarmawan Sudarmawan
Explore Vol 11 No 2 (2021): Juli 2021
Publisher : Universitas Teknologi Mataram

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35200/ex.v11i2.52

Abstract

Pada zaman modern ini masyarakat sudah banyak sekali menggunakan gas sebagaipendukung dalam kebutuhan rumah tangga yaitu masak-memasak. Namun bahaya dari adanya kebocoran gas sangat tinggi. Masalah utama pada penelitian ini adalah bahaya dari adanya kebocoran gas yang bisa memicu adanya kebakaran. Penyusunan penelitian ini dilakukan dengan merujuk pada beberapa referensi yang digunakan dengan melihat model-model yang digunakan pada penelitian terdahulu, kelebihan dan kekurangan dari penelitian terdahulu dan dengan membaca referensi tersebut maka penulis memperoleh masalah utama yang bisa diangkat dalam penelitian ini dan membandingkan pemodelan pengendalian untuk mengatasi masalah tersebut yaitu dengan membuat sebuah alat untuk mendeteksi gas secara cepat dan melakukan tindakan secara cepat.Konsep dari penelitian ini adalah membandingkan model pengendalian kebocoran gas dengan menggunakan aplikasi telegram dan blynk untuk mengetahui manakah dari dari model pengendalian tersebut yang cepat merespon dan menerima notifikasi jika sensor MQ2 mendeteksi adanya gas yang bocor. Selain itu, alat pendeteksi kebocoran gas ini dilengkapi juga dengan Motor Servo yang berfungsi untuk melepaskan regulator yang terpasang pada tabung gas akan, serta buzzer yang berfungsi sebagai alarm. Hasil dari penelitian ini adalah model pengendalian Blynk yang lebih cepat menerima notifikasi kebocoran gas dengan waktu yang diperoleh 14.93 second, sedangkan model pengendalian telegram memperoleh waktu 26.06 second. Proses pengujian dilakukan sebanyak 10 kali percobaan dengan memanfaatkan tools HoubyWatch untuk mengukur
Analisis Metode Wordtovec Pada Performa Klasifikasi Kategori Berita Menggunakan Metode SVM dan KNN Dwi Utami; Kusrini Kusrini; Sudarmawan Sudarmawan
Explore Vol 11 No 2 (2021): Juli 2021
Publisher : Universitas Teknologi Mataram

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35200/ex.v11i2.62

Abstract

Perkembangan teknologi saat ini meningkatkan kemudahan dalam mendapatkan berbagai informasi salah satunya adalah berita dari media internet. Berita yang ada di internet selain dapat memberikan informasi kepada masyarakat juga dapat digunakan sebagai bahan pembelajaran dan analisa seperti dapat digunakan untuk klasifikasi kategori berita. Terdapat tahapan sebelum melakukan klasifikasi yaitu preprocessing yang merupakan salah satu tahapan terpenting dalam klasifikasi. Penelitian ini bertujuan untuk melihat pengaruh proses stopword pada algoritma wordtovec, serta melihat performasinya pada klasifikasi yang dilakukan komparasi algoritma SVM dan KNN untuk melihat metode yang menghasilkan nilai akurasi tertinggi. Hasil penelitian menunjukan bahwa metode kombinasi yang menghasilkan akurasi tertinggi adalah metode wordtovec dengan SVM dengan akurasi sebesar 92.89%. Proses stopword sedikit meningkatkan akurasi sebesar 1.55%.
Preprocessing Tranformasi Data Menggunakan K-Means Clustering Fathoni Dwiatmoko; Ema Utami; Sudarmawan Sudarmawan
Explore Vol 11 No 2 (2021): Juli 2021
Publisher : Universitas Teknologi Mataram

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35200/ex.v11i2.75

Abstract

Perkembangan teknologi informasi telah menjadi hal yang tidak dapat dipisahkan dari kehidupan manusia. Banyaknya jumlah data di dunia menyebabkan pengolahan data menjadi pesat karena jumlah data yang semakin bertambah. Salah satu bidang yang terdapat pertumbuhan data yang pesat adalah bidang pertanian. Data pertanian dapat di proses dengan data mining untuk dapat di jadikan bahan pembelajaran maupun pengambilan keputusan. Pada data mining terdapat berbagai macam teknik salah satunya adalah klasifikasi, dalam klasifikasi terdapat preprocesing data salah satunya yaitu transformasi data, pada data pertanian di perlukan transformasi data numerik menjadi interval untuk itu diperlukan metode clustering yang digunakan untuk mengkategorikan data. K-means clustering merupakan salah satu metode yang dapat mempartisi setiap data sehingga pada setiap cluster memiliki karakteristik data yang sama. Tujuan dari penelitian ini adalah untuk mengkategorikan data dalam proses transformasi data pada data mining. Hasil dari clustering menggunakan k-means clustering didapatkan data cls_0 dengan 50 data dengan kategori ringan, cls_1 dengan 9 data kategori sedang dan cls_2 dengan 13 data dengan kategori berat. Pengujian dilakukan menggunakan data ujisebanyak 72 data dan memiliki tingkat kemiripan data pada cluster sebesar 82,3%.
Co-Authors Arief Setyanto Arik Sofan Tohir Sofan Tohir Bambang Soedijo Bambang Soedijono Bambang Soedijono W.A Bambang Soedijono WA Brama Wahyu Prabowo Candra Ratna Hariyanti Dandi Sunardi Dwi Utami Elvina Wahyuningsih Ema Utami Fathoni Dwiatmoko Guido Adolfus Suni Imam Listiono Khoirul Mustofa Khoirun Nisa Kusrini Kusrini M Suyanto Marwan Noor Fauzy Muhammad Mariko Muhammad Riandi Widiyantoro Roni Sasongko Sriyanta Sriyanta Supriantara Supriantara Vita Rahayu Zulkipli Zulkipli