Article Per Year (5 Year)
p-Index From 2019 - 2024
0.751
P-Index
This Author published in this journals
All Journal KLIK (Kumpulan jurnaL Ilmu Komputer) (e-Journal) JUSTIN (Jurnal Sistem dan Teknologi Informasi) Jurnal Teknik Ilmu dan Aplikasi
Rahmat Ramadhani
Universitas Lambung Mangkurat
Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering Mechanical Engineering

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

Found 3 Documents
Search

 1 
OPTIMASI FUNGSI KEANGGOTAAN FIS TSUKAMOTO MENGGUNAKAN SIMULATED ANNEALING UNTUK IDENTIFIKASI PENYAKIT GIGI Triando Hamonangan Saragih; Rahmat Ramadhani; Muhammad Itqan Mazdadi; Ahmad Rusadi Arrahimi; Mohammad Reza Faisal
KLIK- KUMPULAN JURNAL ILMU KOMPUTER Vol 7, No 3 (2020)
Publisher : Lambung Mangkurat University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20527/klik.v7i3.349

Abstract

Teeth are one of the tools in the framework related to the human stomach which fills as a food destroyer for simple processing. Diseases that attack teeth can withstand this action and cannot be distinguished quickly by young dental specialists. This problem can be solved by methods in the field of technology. The algorithm that can be used is FIS Tsukamoto in classification. Optimization of the membership function at FIS Tsukamoto is needed to improve accuracy. Optimization of FIS Tsukamoto membership function using Simulated Annealing produced the highest accuracy at 92.5% of the 100 test data.Keywords: Simulated Annealing; FIS Tsukamoto, Dental Disease, Optimization Gigi adalah salah satu alat dalam kerangka terkait perut manusia yang mengisi sebagai penghancur makanan untuk pemrosesan sederhana. Penyakit yang menyerang gigi dapat menahan tindakan ini dan tidak dapat dibedakan dengan cepat oleh dokter muda spesialis gigi. Masalah ini dapat diselesaikan dengan metode di bidang teknologi. Algoritma yang bisa digunakan yaitu FIS Tsukamoto dalam melakukan klasifikasi. Optimasi fungsi keanggotaan pada FIS Tsukamoto diperlukan untuk meningkatkan akurasi. Optimasi fungsi keanggotaan FIS Tsukamoto menggunakan Simulated Annealing menghasilkan akurasi paling tinggi yaitu 92,5% dari 100 data uji.Kata kunci: Simulated Annealing; FIS Tsukamoto, Penyakit Gigi, Optimisasi
Implementasi Seleksi Fitur Binary Particle Swarm Optimization pada Algoritma K-NN untuk Klasifikasi Kanker Payudara Rahmat Hidayat; Dwi Kartini; Muhammad Itqan Mazdadi; Irwan Budiman; Rahmat Ramadhani
JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol 11, No 1 (2023)
Publisher : Jurusan Informatika Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/justin.v11i1.53608

Abstract

Kanker Payudara adalah jenis kanker paling umum yang sering menyerang kalangan wanita di seluruh dunia. Diagnosa awal yang akurat dalam mendeteksi kanker payudara memainkan peran penting dalam pengobatan pasien karena semakin cepat kanker di diagnosa semakin cepat juga pengobatan dapat diberikan. Untuk menghasilkan diagnosa yang akurat terhadap pasien kanker payudara maka dilakukan penelitian dengan tujuan mendapatkan model klasifikasi yang dapat memberikan klasifikasi yang akurat terhadap penyakit kanker payudara. Algoritma klasifikasi yang sering digunakan dan cukup terkenal adalah K-Nearest Neighbor (K-NN). Algoritma K-NN melakukan klasifikasi menggunakan konsep tetangga terdekat berdasarkan pada data terdahulu, akan tetapi algoritma K-NN lemah terhadap data dengan jumlah fitur yang besar. Maka dari itu, untuk kasus dataset dengan banyak fitur dapat dilakukan seleksi fitur terlebih dahulu untuk meningkatkan performa klasifikasi K-NN. Salah satu yang sering digunakan untuk seleksi fitur adalah algoritma Binary Particle Swarm Optimization (BPSO). Pada penelitian ini akan dibuat 2 model klasifikasi K-NN yaitu model klasifikasi K-NN saja tanpa seleksi fitur dan model klasifikasi K-NN dengan seleksi fitur Binary Particle Swarm Optimization, Kemudian dilakukan perbandingan hasil akurasi yang didapat. Dataset yang akan digunakan adalah Breast Cancer Wincosin (Diagnostic) dari UCI Machine Learning Repository yang memiliki 569 data dan 30 fitur. Hasil penelitian menunjukan model K-NN+BPSO menghasilkan akurasi sebesar 95,32% dan model K-NN menghasilkan akurasi sebesar 94,15%. Berdasarkan akurasi yang didapatkan algoritma K-NN dengan seleksi fitur menghasilkan akurasi yang lebih baik daripada algoritma K-NN tanpa seleksi fitur sebesar 1,17%. Algoritma Binary PSO juga berhasil mereduksi fitur dari 30 fitur menjadi 5 fitur dengan tidak mengurangi akurasi dari model klasifikasi. Sehingga dapat disimpulkan bahwa pada kasus klasifikasi kanker payudara dengan dataset Breast Cancer Wincosin (Diagnostic) algoritma K-NN dapat dikombinasikan dengan seleksi fitur Binary PSO untuk membuat model klasifikasi yang memberikan performa cukup baik.
H2O ALGORITHM FOR JATROPHA CURCAS DISEASE IDENTIFICATION WITH FEATURE SELECTION USING GENETIC ALGORITHM Rahmat Ramadhani; Triando Hamonangan Saragih; Muhammad Haekal
Jurnal Teknik Ilmu dan Aplikasi Vol. 4 No. 1 (2023): Jurnal Teknik Ilmu dan Aplikasi
Publisher : Politeknik Negeri Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jtia.v4i1.2788

Abstract

Jatropha curcas is a plant that can be used as a substitute for diesel fuel. Lack of knowledge of farmers and the limited number of experts and extension agents into the problem of dealing with the disease Jatropha curcas plant which resulted in lower quality of Jatropha curcas. H2O Algorithm can be used for Jatropha Curcas disease identification. Based on previous research, H2O Algorithm gave 96.066%. In this research, we used Genetic Algorithm to do feature selection. H2O algorithm with feature selection gave average accuracy 97.03%, that means were better than without feature selection. The parameters that we got are number of populations 600, crossover rate 0.8 and mutation rate 0.2, and number of iterations 400. However, the time spent using feature selection is so longer than without feature selection.
Co-Authors Ahmad Rusadi Arrahimi - Universitas Lambung Mangkurat) Ahmad Rusadi Arrahimi - Universitas Lambung Mangkurat) Dwi Kartini, Dwi Irwan Budiman Muhammad Haekal Muhammad Itqan Mazdadi Muhammad Reza Faisal, Muhammad Reza Rahmat Hidayat Saragih, Triando Hamonangan