Article Per Year (5 Year)
p-Index From 2019 - 2024
0.444
P-Index
This Author published in this journals
All Journal SITEKIN: Jurnal Sains, Teknologi dan Industri Seminar Nasional Teknologi Informasi Komunikasi dan Industri Jurnal Computer Science and Information Technology (CoSciTech) Jurnal UNITEK
Elvia Budianita
UIN Sultan Syarif Kasim Riau
Chemistry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Electrical & Electronics Engineering Industrial & Manufacturing Engineering Mathematics Other

Published : 6 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 6 Documents
Search

 1 
Diagnosa Penyakit Kejiwaan Menggunakan Jaringan Syaraf Tiruan Learning Vector Quantization2 (LVQ 2) Elvia Budianita
SITEKIN: Jurnal Sains, Teknologi dan Industri Vol 13, No 2 (2016): JUNI 2016
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.v13i2.1769

Abstract

In diagnosing mental illness takes a relatively long time is one week to one month and could only be carried out by experts which is psychological doctors, because it must diagnosing accordance with existed procedures. Based on the above the problem can be formulated how to diagnose psychiatric illness by applying neural network Learning Vector Quantuzation 2 (LVQ 2). LVQ2 is the development of basic LVQ. This study aims to help doctors diagnose phychiatric  illness by applying neural network Learning Vector Quantization 2 and can distinguish between types of mental illness. In this research using the data input 14 symptoms and 4 psychiatric diseases as output is used as the target of Schizophrenia, Organic Mental Disorders, Mental disorders and behavior due to substance users, and feeling the atmosphere Disorders (affective or mood disorders). Based on test results using 132 training data and 30 test data and parameter with a value of learning rate = 0.025, a reduction in the minimum learning rate = 0.1 learning rate = 0:01, and window = 0.4 which is done LVQ2 test result accuracy is as high as 90%. Thus LVQ2 can be applied to the classification of mental illness.
Implementasi Pengolahan Citra dan Klasifikasi K-Nearest Neighbour Untuk Membangun Aplikasi Pembeda Daging Sapi dan Babi Berbasis Web Elvia Budianita; Jasril Jasril; Lestari Handayani
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.v12i2.1005

Abstract

Salah satu cara untuk mengenali daging sapi dan babi di bidang informatika adalah menggunakan pengolahan citra. Pada penelitian ini akan dibuat suatu sistem pengolahan citra untuk membedakan daging sapi dan babi menggunakan metode HSV, GLCM, dan klasifikasi K-Nearest Neighbour (K-NN). Tahapan analisa yang dilakukan adalah Data acquisition dengan menggunakan kamera handphone dilakukan pemotretan terhadap data daging sapi dan babi sehingga diperoleh citra digital daging sapi dan babi dalam format jpg. Gambar (citra) diambil dari daging babi segar, daging sapi segar, daging sapi yang telah membusuk, dan daging campuran (oplosan). Preprocessing dilakukan peningkatan kualitas citra yaitu dengan melakukan pencerahan citra dan peregangan kontras. Ekstraksi fitur menggunakan histogram model warna HSV untuk fitur warna, dan metode orde dua untuk ekstraksi fitur tekstur. Klasifikasi citra daging sapi dan babi menggunakan K-NN dengan dua tahapan yaitu tahap training dan testing. Pengujian terdiri dari 4 pengujian yaitu pengujian tanpa background dengan akurasi keberhasilan 88,75%, pengujan dengan background sebesar 73,375%, pengujian campuran sebesar 88,75% dan pengujian berjarak sebesar 50% . Pengujian dengan akurasi pengujian tertinggi terdapat pada pengujian tanpa background dan pengujian campuran sebesar 88,75%. Pada pengujian campuran dinyatakan berhasil apabila hasil klasifikasinya adalah daging campuran (oplosan) dan daging babi segar. Sedangkan nilai K yang paling baik pada semua pengujian adalah K=5 dengan total akurasi keberhasilan 78,75%. Hasil klasifikasi dipengaruhi oleh nilai ciri, jarak terdekat, nilai K, dan yang paling mempengaruhi adalah background
Penerapan Learning Vector Quantization 3 (LVQ 3) untuk Menentukan Penyakit Gangguan Kejiwaan Elvia Budianita; Fadhilah Syafria; Iis Afrianty
Seminar Nasional Teknologi Informasi Komunikasi dan Industri 2018: SNTIKI 10
Publisher : UIN Sultan Syarif Kasim Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (832.855 KB)

Abstract

Beberapa pendapat yang berkembang di kalangan masyarakat bahwa gangguan jiwa itu identik dengan gila (sakit jiwa), sedangkan gangguan jiwa tidak sama dengan sakit jiwa. Seseorang yang mengalami gangguan pada kesehatan mentalnya (gangguan jiwa), jika tidak segera ditangani akan berkembang menjadi sakit jiwa. Pasien yang mengalami sakit jiwa dirawat di rumah sakit (rawat inap), sedangkan pasien yang mengalami gangguan jiwa melakukan perawatan jalan atau diagnosa oleh Dokter yang memerlukan waktu hingga satu bulan. Oleh karena itu, untuk membantu masyarakat agar bisa dengan cepat mengetahui seseorang terkena gangguan jiwa, maka dibutuhkan suatu sistem penerapan dibidang teknologi informasi. Metode yang digunakan adalah Learning Vector Quantization 3 (LVQ3) dengan inputan 14 gejala dan hasil keluaran 5 jenis penyakit kejiwaan yaitu penyakit Skizofernia, Gangguan  Mental Organik (GMO), Gangguan mental dan perilaku akibat pengguna zat, Gangguan suasana perasaan dan Gangguan perkembangan psikologis. Parameter yang digunakan adalah learning rate 0.02, 0.025, 0.045, 0.050, 0.75, pengurangan learning rate 0.005, minimal learning rate 0.01, dan nilai window 0, 0.2, 0.4. Jumlah data yang digunakan yaitu 190 data latih dan 20 data uji. Berdasarkan hasil pengujian nilai window dan jumlah data latih mempengaruhi hasil akurasi. Akurasi tertinggi diperoleh adalah 95%. Metode Learning Vector Quantization 3 dapat diterapkan untuk menentukan jenis gangguan kejiwaan. Kata kunci: gangguan jiwa, learning vector quantization 3, window
Implementasi Algoritma Jaringan Syaraf Tiruan (Jst) Hopfield untuk Klasifikasi Kualitas Kesuburan Pria Elvia Budianita; Fadhilah Syafria
Seminar Nasional Teknologi Informasi Komunikasi dan Industri 2018: SNTIKI 10
Publisher : UIN Sultan Syarif Kasim Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (271.191 KB)

Abstract

Reproduksi adalah suatu proses dalam ilmu biologis untuk suatu individu agar dapat menghasilkan individu baru. Tingkat kesuburan (fertilitas) dalam setiap individu sangat mempengaruhi dalam sistem reproduksi. Masalah infertilitas (ketidak suburan) seringnya ditujukan pada pihak wanita, padahal pria juga cukup berpeluang infertilitas sebesar 30-40%. Dengan adanya masalah infertilitas (ketidak suburan) akan menyulitkan bagi pasangan suami istri untuk mendapatkan keturunan. Oleh sebab itu untuk mengatasi masalah tersebut dilakukan penelitian implementasi algoritma Jaringan Syaraf Tiruan (JST) Hopfield untuk klasifikasi kualitas kesuburan pria sehingga dapat mengatasi lebih awal masalah yang dihadapi oleh pria tentang kesuburannya. Parameter yang digunakan yaitu usia, penyakit pada masa anak-anak, kecelakaan atau trauma, operasi bedah, kosumsi alkohol dan kebiasaan merokok. Total data yang digunakan dalam penelitian ini 100 data. Jumlah kelas yang digunakan terdapat 2 kelas yaitu N (Normal) dan O (Altered). Hasil penelitian dengan menggunakan metode Hopfield menghasilkan akurasi tertinggi 88,51% dan 100 data dengan vektor inisialisasi N (0,1,0,0,1,-1) dan O (1,1,1,0,0,-1). Diperoleh kesimpulan bahwa metode Hopfield adalah metode yang dapat diimplementasikan untuk klasifikasi kesuburan pria.
Diagnosa Awal Disgrafia pada Anak Menggunakan Metode Bacpropagation Aji Pangestu Adek; Fadhilah Syafria; Elin Haerani; Elvia Budianita
JURNAL UNITEK Vol. 15 No. 2 (2022): Juli - Desember
Publisher : Sekolah Tinggi Teknologi Dumai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52072/unitek.v15i2.391

Abstract

Gangguan belajar merupakan suatu gangguan dasar dalam psikologis yang meliputi penggunaan pemahaman bahasa tulisan. Gangguan belajar yang termasuk dalam klasifikasi gangguan belajar akademik adalah disgrafia. Disgrafia merupakan gangguan khusus dimana anak tidak dapat mengekspresikan pikirannya kedalam bentuk tulisan, karena tidak dapat mengkoordinasikan motorik halusnya untuk menulis dan menyusun kata dengan benar. Diagnosa awal disgrafia pada anak terdiri atas disgrafia dan tidak disgrafia. Diagnosa ini menggunakan 31 variabel inputan menggunakan metode Backpropagation dengan menggunakan data yang berjumlah 150 data. Dari pengujian yang dilakukan didapatkan hasil menggunakan learning rate 0.1 dan 0.01, maks epoch 500 dengan arsitektur jaringan syaraf tiruan 31-31-1 dengan pembagian data 90:10 menghasilkan nilai akurasi sebesar 100% serta pada pembagian data 80:20 menggunakan learning rate 0.1, maks epoch 500 dengan arsitektur jaringan syaraf tiruan 31-31-1 menghasilkan nilai akurasi sebesar 100%. Maka dapat disimpulkan bahwa diagnosa disgrafia pada anak dengan backpropagation dapat dilakukan sangat baik.
Analisis sentimen komentar youtube terhadap Anies Baswedan sebagai bakal calon presiden 2024 menggunakan metode naive bayes classifier Chely Aulia Misrun; Elin Haerani; Muhammad Fikry; Elvia Budianita
Computer Science and Information Technology Vol 4 No 1 (2023): Jurnal Computer Science and Information Technology (CoSciTech)
Publisher : Universitas Muhammadiyah Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37859/coscitech.v4i1.4790

Abstract

One of the figures as a presidential candidate is Anies Baswedan, the former governor of DKI Jakarta who received many awards and has an effective work program policy for problems in the DKI Jakarta area. Many comments about Anies Baswedan as a 2024 presidential candidate are found on YouTube social media. Youtube facilitates users to provide comments in response to videos which can be used as sentiment analysis information to find out positive comments and negative comments. The algorithm used in this research is the naïve bayes classifier. There are five main processes in this research, namely data collection, text preprocessing, word weighting (TF-IDF), classification (Naïve Bayes Classifier) and testing. From 1009 comment data on Indonesian-language youtube related to the Anies Baswedan video as a 2024 presidential candidate. Based on the analysis results, there are 610 positive comments and 399 negative comments. The accuracy result using the naïve bayes classifier algorithm is 78% which is obtained by using a comparison of 90% training data and 10% test data.
Co-Authors Aji Pangestu Adek Chely Aulia Misrun Elin Haerani Fadhilah Syafria Iis Afrianty Jasril Jasril Lestari Handayani Muhammad Fikry