Article Per Year (5 Year)
p-Index From 2019 - 2024
0.23
P-Index
This Author published in this journals
All Journal JSM (Jurnal SIFO Mikroskil) Jurnal TIMES
Pahala Sirait
Unknown Affiliation
Computer Science & IT Decision Sciences, Operations Research & Management

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Pengenalan Captcha dengan Multivalued Image Decomposition dan Vector Space Image Recognition Irpan Pardosi; Pahala Sirait; Michael Oktando; Wilham Wilham
Jurnal SIFO Mikroskil Vol 17, No 2 (2016): JSM Volume 17 Nomor 2 Tahun 2016
Publisher : Fakultas Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (692.395 KB) | DOI: 10.55601/jsm.v17i2.334

Abstract

Completely Automated Public Turing Tests to Tell Computers and Humans Apart (CAPTCHA) merupakan program untuk meningkatkan keamanan web. Pengenalan CAPTCHA menggunakan aplikasi sering mengalami kegagalan karena posisi dari simbol yang terlalu rapat, juga karena sulitnya melatih simbol baru jika gagal dikenali. Metode Naive Pattern Recognition Algorithm salah satu metode yang belum memberikan hasil yang maksimal karena kesalahan pada proses pengenalan simbol tidak dapat dilatih kembali sehingga aplikasi tetap tidak akan mengenali simbol tersebut. Metode Multivalued Image Decomposition dan Vector Space Image Recognition dapat memberikan hasil yang lebih maksimal dengan menggunakan Training Set, dimana simbol yang tidak dikenali akan dilatih/training agar proses pengenalan simbol selanjutnya lebih akurat. Pengujian dilakukan terhadap CAPTCHA dengan berbagai warna background, CAPTCHA dengan simbol yang saling berdekatan (menyatu) dan kombinasi warna simbol dengan background yang berbeda. Untuk CAPTCHA dengan simbol berukuran berbeda dan saling terhubung, tidak dapat dikenali. Dengan threshold 0.90, hasil pengujian dengan training set yang dilakukan terhadap dengan algoritma ini menunjukkan akurasi tingkat keberhasilan sebesar 87%.
Integrasi Density Based Feature Selection dan Adaptive Boosting dalam Mengatasi Ketidakseimbangan Kelas Sudarto Sudarto; Muhammad Zarlis; Pahala Sirait
Jurnal SIFO Mikroskil Vol 17, No 2 (2016): JSM Volume 17 Nomor 2 Tahun 2016
Publisher : Fakultas Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (683.127 KB) | DOI: 10.55601/jsm.v17i2.336

Abstract

Ketidakseimbangan kelas (Class Imbalance) dari dataset antara dua kelas yang berbeda yaitu kelas mayoritas dan kelas minoritas, berpengaruh pada algoritma C4.5 yang cenderung menghasilkan akurasi prediksi yang baik pada kelas mayoritas tetapi???  menjadi tidak konduktif dalam memprediksi contoh kelas minoritas, sehingga nilai hasil akurasi pengklasifikasian (classifier) C4.5 menjadi tidak optimal. Untuk mengurangi pengaruh ketidakseimbangan kelas pada pengklasifikasi C4.5, maka perlu dilakukan dengan menerapkan???  kombinasi dari metode seleksi fitur???  yaitu algoritma Adaptive Boosting (Adaboost) dan metode Density Based Feature Selection (DBFS). Penerapan algoritma adaboost dalam seleksi fitur dilakukan untuk memberi bobot pada setiap fitur yang direkomendasikan, sehingga ditemukan fitur yang merupakan classifier yang kuat, sedangkan DBFS berfokus dalam mengidentifikasi kelas minoritas dan mengevaluasi dampak dari sebuah fitur yang bermanfaat berdasarkan rangking fitur agar dapat direkomendasikan pada classifier C4.5 dalam proses pengklasifikasian. Hasil penelitian menunjukkan bahwa, kinerja akurasi pengklasifikasi C4.5 pada dataset mahasiswa lulusan dengan mengkombinasikan DBFS sebelum proses adaboost, dengan pengaturan nilai confidence level 0,50???  dan 30 fold cross-validation, menunjukkan tingkat akurasi klasifikasi yang relatif lebih baik dalam penanganan ketidakseimbangan kelas.
Kajian Kinerja Metode Support Vector Machine Dan Neural Tangent Kernel Untuk Memprediksi Hasil Ujian Siswa Suryanto Suryanto; Pahala Sirait; Andri
Jurnal TIMES Vol 10 No 1 (2021): Jurnal TIMES
Publisher : STMIK TIME

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (421.803 KB)

Abstract

Data mining adalah salah satu teknik yang sangat populer dan bagus untuk prediksi. Salah satu algoritma yang sangat populer dalam data mining adalah SVM.Tetapi SVM ini memiliki kelemahan dalam menambang data-data yang besar. Untuk mengatasi hal ini terdapat metode kernel dimana salah satu metode kernel yang terbaru adalah Neural Tangent Kernel (NTK). Kombinasi penggunaan SVM dan NTK dapat digunakan dalam prediksi. Penelitian ini mengkaji metode SVM dikombinasikan dengan NTK dalam menambang Open Learning University Dataset yang merupakan Dataset pembelajaran online negara Inggris yang memiliki database besar dan tersertifikasi. Hasil akurasi prediksi penelitian ini diukur dengan 10 Fold Validation menunjukkan hasil yang memuaskan yaitu akurasi dari Kondisi ( 85.23 % ) lalu Performa ( 84.03 % ) dan yang terakhir adalah Demografi ( 73.17 % ).
Co-Authors Andri Irpan Pardosi Michael Oktando Muhammad Zarlis Sudarto Sudarto Suryanto Suryanto Wilham Wilham