Garuda - Garba Rujukan Digital

p-Index From 2019 - 2024

1.325

P-Index

This Author published in this journals

All Journal Sistemasi: Jurnal Sistem Informasi Indonesian Journal on Software Engineering (IJSE) Techno Nusa Mandiri : Journal of Computing and Information Technology E-Link: Jurnal Teknik Elektro dan Informatika JUSTIN (Jurnal Sistem dan Teknologi Informasi)

Abdul Latif

Universitas Bina Sarana Informatika

Author-ID : 3318532

Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Energy Engineering

Published : 7 Documents Claim Missing Document

Claim Missing Document

Articles

Analisis Kriteria Kelayakan Calon Pendonor Darah Menggunakan Neural Network Muhammad Rifqi Firdaus; Abdul Latif; Windu Gata
Sistemasi: Jurnal Sistem Informasi Vol 9, No 2 (2020): Sistemasi: Jurnal Sistem Informasi
Publisher : Program Studi Sistem Informasi Fakultas Teknik dan Ilmu Komputer

Organisasi Kesehatan Dunia (WHO) menjelaskan, sekitar 180 juta unit darah yang disumbangkan dikumpulkan secara global setiap tahunnya. Kebutuhan kantong darah di Indonesia sendiri sangat tinggi, sesuai standar WHO, jumlah kantong yang harus tersedia di suatu negara adalah 2% dari populasi nasional. Artinya, untuk Indonesia sendiri, dibutuhkan kantong darah sekitar 4,5 juta dalam setahun. Donor darah merupakan kegiatan memberikan sebagian darah untuk disumbangkan pada pasien yang membutuhkan. Untuk menentukan calon pendonor termasuk layak atau tidak layak nya terdapat kriteria yang harus terpenuhi. Sehingga dataset kriteria kelayakan donor darah yang didapat dari UDD PMI Kota Tasikmaya bisa digunakan sebagai tolak ukur untuk mengukur keakuratan dalam meprediksi layak atau tidak layaknya calon pendonor darah untuk mendonorkan darahnya. Berdasarkan penelitian yang telah dilakukan menggunakan tools Rapid Miner 9.0 terhadap dataset kriteria kelayakan calon pendonor darah UDD PMI Kota Tasikmalaya dengan metode Neural network menghasilkan nilai accuracy sebesar 91.65%, precision sebesar 91.05, recall sebesar 99,75% dengan nilai AUC sebesar 0.806 yang menunjukkan bahwa hasil klasifikasinya baik. Sehingga calon pendonor bisa di prediksi terhadap layak atau tidak layaknya bagi calon pendonor untuk mendonorkan darahnya.

Komparasi Algoritma C4.5 Dan Naïve Bayes Dalam Penentuan Status Kelayakan Donor Darah Kartika Handayani; Lisnawanty Lisnawanty; Abdul Latif; Muhammad Rifqi Firdaus; Fuad Nur Hasan
Sistemasi: Jurnal Sistem Informasi Vol 10, No 3 (2021): Sistemasi: Jurnal Sistem Informasi
Publisher : Program Studi Sistem Informasi Fakultas Teknik dan Ilmu Komputer

Donor darah merupakan kegiatan kemanusiaan dimana seseorang dengan sukarela AbstrakDonor darah merupakan kegiatan kemanusiaan dimana seseorang dengan sukarela menyumbangkan darahnya untuk disimpan di bank darah yang kemudian digunakan untuk transfusi darah. UDD (Unit Donor Darah) PMI Kota Pontianak merupakan tempat pelayanan donor darah dari masyarakat Kota Pontianak. Dalam prakteknya, tidak semua masyarakat yang ingin mendonorkan darah dapat berhasil mendonorkan darahnya. Dalam memprediksi layak atau tidaknya masyarakat untuk mendonorkan darahnya dapat dilakukkan dengan klasifikasi data mining untuk mengetahui faktor yang paling mempengaruhi prediksi donor darah. Penelitian ini menggunakan metode klasifikasi algoritma C4.5 dan Naïve Bayes kemudian dilakukan perbandingan dua metode tersebut menggunakan confusion matrix, AUC dan uji beda t-test dengan analisa software rapidminer berdasarkan umur, jenis kelamin, berat badan, tekanan darah, dan hemoglobin. Dari hasil penelitian ini, hemoglobin adalah variabel paling menentukan kelayakan donor darah kemudian tekanan darah. Algoritma terbaik dalam kasus ini adalah Naïve Bayes dengan akurasi 93,26%, sedangkan tingkat akurasi C4.5 93,22%. Naïve Bayes termasuk dalam predikat good classsification dengan AUC sebesar 0.833, sedangkan C4.5 termasuk dalam predikat fair classsification dengan AUC sebesar 0.758. Dari hasil uji beda t-test diperoleh hasil 0.841 yang menyatakan bahwa tidak ada perbedaan signifikan dalam penentuan klasifikasi status kelayakan donor darah untuk kedua algoritma.Kata kunci: prediksi, donor darah, c4.5, naïve bayes AbstractBlood donation is a humanitarian activity in which someone voluntarily donates blood to be stored in a blood bank which is then used for blood transfusions. UDD (Blood Donation Unit) PMI Pontianak City is a blood donor service area of the Pontianak City community. In practice, not all people who want to donate blood can successfully donate blood. In predicting the feasibility of whether or not the community to donate blood can be done with the classification of data mining to determine the factors that most influence the prediction of blood donors. This study uses the C4.5 algorithm and Naïve Bayes classification method, then compares the two methods using a confusion matrix, AUC and t-test different test with rapidminer software analysis based on age, sex, weight, blood pressure, and hemoglobin. From the results of this study, hemoglobin is the most determining variable of eligibility for blood donation then blood pressure. The best algorithm in this case is Naïve Bayes with an accuracy of 93.26%, while the accuracy rate of C4.5 is 93.22%. Naïve Bayes is included in the category of good class certification with AUC of 0.833, while C4.5 is included in the category of fair class certification with AUC of 0.758. From the results of the t-test different test results obtained 0.841 which states that there is no significant difference in determining the classification of blood donor eligibility status for the two algorithms.Keywords: prediction, blood donor, c4.5, naïve bayes

IMPLEMENTATION OF DECISION TREE AND K-NN CLASSIFICATION OF INTEREST IN CONTINUING STUDENT SCHOOL Daniati Uki Eka Saputri; Fitra Septia Nugraha; Taopik Hidayat; Abdul Latif; Ade Suryadi; Achmad Baroqah Pohan
Techno Nusa Mandiri: Journal of Computing and Information Technology Vol 17 No 1 (2020): TECHNO Period of March 2020
Publisher : Lembaga Penelitian dan Pengabdian Pada Masyarakat

Education is important to prepare quality Human Resources (HR) because quality human resources is an important factor for the nation and state development. Therefore, it is expected that every citizen has the right to get high educational opportunities from the 12-year compulsory education level. This study aims to implement the Decision Tree and K-NN algorithm in the classification of student interest in continuing school. This study proposes combining the Decision Tree and K-NN algorithm methods to improve accuracy with the Gain Ratio, Information Gain and Gini Index approaches for the measurement process. The test results show that the use of the Decision Tree algorithm produces an accuracy value of 97.30% while using the K-NN algorithm produces an accuracy of 89.60%. While the proposed method by combining the Decision Tree and K-NN algorithms produces an accuracy value of 98.07%. The results of evaluation measurements using the Area Under Curve (AUC) on the Decision Tree algorithm are 0.992 and the AUC on K-NN is 0.958 and on the combination of the Decision Tree and K-NN algorithms of 0.979. These results indicate that the proposed algorithm is very significant towards increasing accuracy in the classification of the interests of high school students continuing school

ANALISIS SENTIMEN TWITTER TERHADAP MENTERI INDONESIA DENGAN ALGORITMA SUPPORT VECTOR MACHINE DAN NAIVE BAYES Siti Nurhasanah Nugraha; Rangga Pebrianto; Abdul Latif; Muhammad Rifqi Firdaus
E-Link: Jurnal Teknik Elektro dan Informatika Vol 17 No 1 (2022)
Publisher : Universitas Muhammadiyah Gresik

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30587/e-link.v17i1.3965

Kabinet Indonesia Maju adalah kabinet pemerintahan Indonesia pada pimpinan Presiden JokoWidodo dan Wakil Presiden Ma’ruf Amin. Dengan dilantiknya para menteri di Kabinet IndonesiaMaju, tokoh politik yang memiliki jabatan dan tanggung jawab sebagai menteri dalammelaksanakan tanggung jawabnya tak lepas dari berbagai opini. Salah satu metode untukmengelompokkan kategori opini pengguna media sosial adalah sentiment analyst. Penelitian inimenggunakan dataset hasil crawling dari twitter dengan kata kunci “Menteri”. Hasil crawlingdiolah menggunakan kedua model algoritma yaitu Support Vector Machine (SVM) dan Naïve Bayes.Penelitian ini membandingkan hasil cross validation algoritma SVM dengan Naïve Bayes. Hasilcross validation dari algoritma SVM menunjukkan nilai accuracy sebesar 89,60%, recall 90,91%,precission 97,64%. untuk algoritma Naïve Bayes dihasilkan accuracy sebesar 85,74%, recall85,74%, precission 100,00%. SVM bekerja memaksimalkan margin antara dua kelas yang berbeda,Naïve Bayes sederhana menerapkan teori probabilitas untuk mencari kemungkinan terbesar dariklasifikasi. Dari hasil tersebut dapat disimpulkan kedua algoritma yang digunakan memberikansolusi untuk masalah klasifikasi dalam kasus analisis sentimen menteri, terlepas dari SVMmenghasilkan akurasi yang lebih baik.

Klasifikasi Penyakit Daun Kopi Menggunakan Kombinasi Haralick, Color Histogram dan Random Forest Siti Khotimatul Wildah; Abdul Latif; Ali Mustopa; Suharyanto Suharyanto; Muhammad Sony Maulana; Agung Sasongko
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.v11i1.60985

Kopi merupakan spesies tanaman dengan bentuk pohon yang dijadikan sebagai bahan baku dalam pembuatan minuman-minuman kopi. Akan tetapi pada produksinya terdapat permasalahan umum yang masih sering terjadi yaitu adanya hama atau penyakit yang menyerang pada bagian daun kopi sehingga berdampak pada pertumbuhan tanaman kopi tersebut dan berakibat terjadi penurunan produksi kopi. Pengenalan penyakit dan hama pada daun kopi masih menggunakan proses manual sehingga bisa memperlambat proses deteksi serta penanganan penyakit dan hama tersebut, oleh karena itu perlunya pendeteksian otomatis sehingga dapat mendeteksi tahap awal hama dan penyakit pada daun kopi tersebut. Deteksi otomatis dapat dilakukan dengan menerapkan teknologi Computer Vision yaitu Image Classification dan metode Machine Learning. Penelitian ini bertujuan untuk menghasilkan metode yang dapat mengklasifikasikan penyakit dan hama pada daun kopi dengan menggunakan algoritma Machine Learning Random Forest dengan menambahkan kombinasi ekstraksi fitur Haralick dan Color Histogram. Hasil penelitian menunjukkan performa yang sangat baik dimana nilai akurasi yang diperoleh sebesar 98,86%.Â

Kombinasi Metode Fitur Ekstraksi untuk Indentifikasi Penyakit pada Daun Teh Siti Khotimatul Wildah; Abdul Latif
JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol 11, No 3 (2023)
Publisher : Jurusan Informatika Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/justin.v11i3.65172

Teh merupakan salah satu minuman yang paling banyak dikonsumsi di dunia, namun produksi teh seringkali terhambat dan mengalami penurunan oleh berbagai penyakit yang mempengaruhi pertumbuhan dan kualitas daun teh. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi penyakit daun teh dengan memanfaatkan teknologi Image Classification dan menerapkan metode kombinasi analisis tekstur Haralick, Color Histogram, Hu Moment dan pengklasifikasian objek menggunakan Random Forest classifier. Dataset yang digunakan dalam penelitian ini dikumpulkan dari perkebunan teh Johnstone Boiyon di Koiwa, Kabupaten Bomet, Kenya dengan jumlah 1510 citra yang terbagi menjadi 8 kelas. Pra pemrosesan pada penelitian ini dilakukan dengan menambahkan tahapan augmentasi data untuk memperoleh jumlah citra yang lebih besar sehingga algoritma dapat mempejalari pola lebih banyak. Hasil penelitian menunjukkan bahwa kombinasi dari metode yang diusulkan mencapai akurasi 99% dengan nilai standard deviasi yang rendah sebesar 0.001055% yang menunjukkan keefektifan kombinasi analisis tekstur Haralick, Color Histogram, dan Hu Moment serta Random Forest Classifier dalam mengklasifikasikan penyakit daun teh.

Deteksi Infeksi pada Daun Kapas menggunakan Kombinasi Metode Ekstraksi Fitur Warna dan Tekstur Siti Khotimatul Wildah; Abdul Latif; Suharyanto Suharyanto
Indonesian Journal on Software Engineering (IJSE) Vol 9, No 1 (2023): IJSE 2023
Publisher : Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/ijse.v9i1.16950

Tanaman kapas merupakan salah satu tanaman penting dalam industri tekstil dan pertanian, akan tetapi sering mengalami kendala terutama dalam masalah infeksi yang disebabkan oleh patogen seperti jamur dan bakteri. Deteksi dini dan akurat infeksi pada daun kapas menjadi kunci untuk mengambil langkah pencegahan dan pengendalian yang tepat guna sehingga dapat mengurangi dampak kerugian pada hasil panen dan kualitas serat kapas. Teknologi pengolahan citra telah menunjukkan potensi untuk digunakan dalam deteksi infeksi pada tanaman, khususnya dengan menggunakan metode ekstraksi fitur warna dan tekstur. Penelitian ini bertujuan untuk melakukan kombinasi metode ekstraksi fitur warna untuk mengidentifikasi perubahan warna pada daun kapas yang terinfeksi dan fitur tekstur untuk mengenali pola atau struktur tekstur yang khas dari daun kapas yang terinfeksi serta metode pengklasifikasian Random Forest. Dataset yang digunakan pada penelitian ini terdiri dari 4 jenis citra dengan jumlah citra sebanyak 1786 citra. Hasil penelitian menunjukkan bahwa penggunaan kombinasi metode ekstraksi fitur warna dan tekstur meningkatkan akurasi deteksi infeksi pada daun kapas secara signifikan dibandingkan dengan penggunaan metode ekstraksi fitur tunggal. Model deteksi yang dihasilkan mampu mengenali infeksi pada daun kapas dengan tingkat akurasi yang tinggi dan meminimalkan kesalahan dalam pengklasifikasian. Nilai akurasi yang dihasilkan dari penelitian ini sebesar 0.982683

Co-Authors Achmad Baroqah Pohan Ade Suryadi Agung Sasongko Ali Mustopa, Ali Daniati Uki Eka Saputri Fitra Septia Nugraha Fuad Nur Hasan Kartika Handayani Lisnawanty Muhammad Rifqi Firdaus Muhammad Sony Maulana Rangga Pebrianto Siti Khotimatul Wildah Siti Nurhasanah Nugraha Suharyanto Suharyanto Taopik Hidayat Windu Gata

Title

Found 7 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 7 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 7 Documents
Search