Article Per Year (5 Year)
p-Index From 2019 - 2024
0.659
P-Index
This Author published in this journals
All Journal Jurnal Simantec
Mulaab Mulaab
Unknown Affiliation
Computer Science & IT

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

Found 3 Documents
Search

 1 
RINGKASAN DOKUMEN ILMIAH BERBASIS REPRESENTASI DATA GRAPH MENGGUNAKAN UKURAN CENTRALITY Mulaab Mulaab
Jurnal Simantec Vol 9, No 1 (2020)
Publisher : Universitas Trunojoyo Madura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21107/simantec.v9i1.9738

Abstract

Saat ini, informasi banyak tersedia di internet, sangat diperlukan suatu teknik untuk  mendapatkan informasi dengan cepat dan paling efisien. Diantaranya terdapat sumber informasi ilmiah yang berasal dari teks yang tersedia sangat banyak di internet. Oleh karena itu diperlukan teknik dan mekanisme yang baik untuk mengekstrak informasi yang paling relevan darinya. Teknik peringkasan dokumen ilmiah adalah salah satu metode untuk mengkompresi  dari isi  dokumen yang besar menjadi  teks yang lebih pendek. Ringkasan teks yang dihasilkan mengandung pokok-pokok makna dan gagasan yang ada dalam dokumen asli. Ringkasan teks atau dokumen ilmiah berdasarkan ekstraksi adalah memilih sebagian kalimat yang memiliki relevansi tinggi (peringkat) dari dokumen berdasarkan fitur kata dan kalimat tersebut selanjutnya menggabungkan kalimat-kalimat yang dipilih untuk menghasilkan ringkasan dokumen. Pada makalah ini menggunakan model pemeringkatan kalimat penting  berdasarkan ukuran centrality yaitu pentingnya simpul-simpul pada data graph. Kalimat direpresentasikan sebagai data berbasis graph dengan simpul-simpul dari suatu graph.
DETEKSI KEJANG EPILEPSY DENGAN MENGGUNAKAN PEMILIHAN FITUR INFORMATIOAN GAIN DAN PEMBELAJARAN ENSEMBLE RANDOM FOREST Mulaab Mulaab
Jurnal Simantec Vol 9, No 2 (2021)
Publisher : Universitas Trunojoyo Madura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21107/simantec.v9i2.11084

Abstract

Epilepsi adalah kondisi neurologis kronis yang ditandai dengan kejang yang tidak tidak diketahui penyebanya karena  pelepasan neuron yang abnormal (Seizures inturn). Kejang karena epilepsi akan berbeda dengan  kejang yang disebabkan oleh kelainan pelepasan neuronal dari peristiwa nonepilepsi, seperti kejang psikogenik. EEG merekam fluktuasi tegangan dari beberapa elektroda yang ditempatkan pada kulit kepala subjek selama periode waktu tertentu untuk mendiagnosa kelainan  sindrom afektif dan organik pada manusia. Bagaiman mendeteksi epilepsy berdasarkan ektraksi sinyal EEG untuk proses diagnosa.  Pada penelitan ini telah dilakukan deteksi epilepsy berdasarkan proses seleksi fitur dan pembelajaran ensemble random forest. Berdasarkan hasil percobaan didapatkan akruasi identifikasi kejang epilepsy dengan pemilhian fitur tertentu pada beberapa subjek pasien telah dihasilkan akurasi diatas 0.99
DETEKSI CYBERBULLYING PADA DATA TWEET MENGGUNAKAN METODE RANDOM FOREST DAN SELEKSI FITUR INFORMATION GAIN Rachmad Masbadi Hatullah Nurnaryo; Mulaab Mulaab; Ika Oktavia Suzanti; Doni Abdul Fatah; Andharini Dwi Cahyani; Fifin Ayu Mufarroha
Jurnal Simantec Vol 11, No 1 (2022): Jurnal Simantec Desember 2022
Publisher : Universitas Trunojoyo Madura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21107/simantec.v11i1.17256

Abstract

Indonesia merupakan salah satu negara dengan pengguna media sosial terbanyak. Dengan banyaknya pengguna media sosial, hal ini dapat memicu munculnya cyberbullying. Cyberbullying adalah tindakan berulang yang melecehkan, mempermalukan, mengancam, atau mengganggu orang lain melalui komputer, ponsel, dan perangkat elektronik lainnya, termasuk situs web jejaring sosial online. Twitter merupakan salah satu media sosial yang sering digunakan untuk melakukan cyberbullying. Deteksi cyberbullying merupakan langkah penting untuk membuat lingkungan yang baik dalam interaksi media sosial. Penelitian ini mendeteksi cyberbullying yang berasal dari tweet berbahasa Indonesia dengan menggunakan metode Random Forest sebagai pengklasifikasi. Seleksi fitur information gain juga digunakan untuk menyeleksi fitur yang berupa atribut. Penelitian ini bertujuan untuk mengetahui akurasi deteksi cyberbullying dari metode Random Forest dan memilih fitur penting untuk meningkatkan kinerja metode. Dari hasil pengujian, didapatkan nilai Accuracy tertinggi sebesar 72.1% dengan atribut berjumlah 1295 dari 2277 atribut. Hal ini berarti, pemilihan fitur yang baik dapat meningkatkan performa dari metode machine learning.Kata kunci: Cyberbullying, Information Gain, Random Forest, Tweet
Co-Authors Andharini Dwi Cahyani Doni Abdul Fatah Fifin Ayu Mufarroha Ika Oktavia Suzanti Rachmad Masbadi Hatullah Nurnaryo