Article Per Year (5 Year)
p-Index From 2019 - 2024
0.408
P-Index
This Author published in this journals
All Journal SITEKIN: Jurnal Sains, Teknologi dan Industri Jurnal DISPROTEK
Zainal Abidin
Sekolah Tinggi Teknik Pati
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 Other

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
KLASIFIKASI DAUN EMPON-EMPO MENGGUNAKAN METODE GRAY LEVEL CO-OCCURRENCE MATRIX DAN ALGORITMA K-NN Zainal Abidin; Bijanto Bijanto; Yayang Fredyatama
SITEKIN: Jurnal Sains, Teknologi dan Industri Vol 18, No 2 (2021): Juni 2021
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.v18i2.12913

Abstract

Perkembangan Ilmu Pengetahuan dan Teknologi serta sistem capture (memotret) sebuah objek menggunakan kamera digital menjadi image atau citra digital dijadikan sebuah trend di era globalisasi seperti saat ini. Memotret sebuah objek menjadi sebuah citra digital dapat digunakan untuk melakukan penelitian berupa image processing (Pengolahan citra digital). Pada penelitian ini Teknik GLCM dan algoritma K-NN diterapkan untuk melakukan klasifikasi pada daun empon-empon, sebagai pengujiannya menggunakan k-fold cross validation. Gambar daun empon-empon diolah menggunakan software matlab, kemudian dilakukan perubahan background (latar belakang) menjadi hitam dan mengubah warna gambar menjadi grey (abu-abu). Gambar kemudian diekstraksi menjadi Contrast, Correlation, Energy, dan Homogeneity kemudian mencari nilai akurasi menggunakan algoritma K-NN. Pada penelitian ini didapatkan hasil akurasi sebesar 92% menggunakan 9-fold Validation dari total keseluruhan data sebanyak 360.
PEMBELAJARAN ALGORITMA K-NN UNTUK BIG DATASET MENGGUNAKAN METODE SAMPLE BOOTSTRAP DAN WEIGHTED GINI INDEX Bijanto Bijanto; Zainal Abidin; Teguh Tamrin
JURNAL DISPROTEK Vol 12, No 2 (2021)
Publisher : Universitas Islam Nahdlatul Ulama Jepara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34001/jdpt.v12i2.2091

Abstract

Dataset yang mempunyai jumlah record atau atribut dalam jumlah besar bisa disebut juga dengan dataset besar. Ukuran dataset besar memiliki jumlah dalam besaran dari terabyte sampai petabyte. Pengolahan dataset besar tersebut membutuhkan komputer yang memiliki spesifikasi tinggi. Untuk mengklasifikasikan objek baru berdasarkan atribut data training sample tersebut bisa menggunakan algoritma k-NN. Salah satu kelebihan algorotma kNN adalah efektif dan sering digunakan untuk mengatur permasalahan mengenai klasifikasi. Cukup lamanya waktu komputasi menjadi salah satu kelemahan algoritma kNN. Hal ini diakibatkan oleh proses kalkulasi algoritma kNN terhadap dataset yang besar. Dari masalah-masalah yang muncul tersebut, maka peneliti mengusulkan sistem pembelajaran kNN menggunakan boostraping dan Weighted Gini Index sebagai solusi untuk penanganan masalah pengolahan dataset besar. Pembelajaran kNN menggunakan Bootstrap-Weighted Gini Index dipakai untuk memangkas atribut maupun record berlandaskan hasil penyaringan atribut dan record yang mempunyai kuwalitas error sedikit. Penelitian ini membuktikan bahwa, hasil penambahan akurasi yang didapat dari pengolahan pada dataset Landsat (akurasi semula sebesar 91,40% menjadi 94,95%), Thyroid (akurasi semula 89,31% menjadi 96,61%), HTRU (akurasi semula 96,01% menjadi 98,18%) dan EEG Eye (akurasi semula 97,40% menjadi 97,80%).
Co-Authors Bijanto Bijanto Bijanto Bijanto Teguh Tamrin Yayang Fredyatama