Articles
<![CDATA[IMPLEMENTASI METODE CERTAINTY FACTOR DALAM SISTEM PAKAR UNTUK MENGIDENTIFIKASI PENYAKIT TANAMAN LADA ]]>
<![CDATA[Muslimin B]]>;
<![CDATA[Putu Sugiartawan]]>
<![CDATA[ SINTECH (Science and Information Technology) Journal Vol. 4 No. 2 (2021): SINTECH Journal Edition Oktober 2021 ]]>
Publisher : <![CDATA[LPPM STMIK STIKOM Indonesia ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.31598/sintechjournal.v4i2.865
<![CDATA[Pepper is an agricultural commodity that has a high selling value and is resistant to disease. Identifying the disease in pepper requires knowledge from agricultural experts to evaluate the symptoms of the disease being experienced. Involving an agricultural expert certainly has drawbacks in terms of slow handling, less effective management of large amounts of data. So we need a system that can accommodate these problems. Expert system is one of the sub-branches of science in the field of artificial intelligence, where expert knowledge is expressed in a model with an intelligent-based system. The expert system serves as an interactive consultant media in diagnosing pepper plant diseases based on symptoms. In producing the right decision, a process model is needed in the form of tracing rules and knowledge preference values based on input values in the form of probabilistic data / uncertainty for each symptom. Certainty factor modeling method has the ability to evaluate the preference value of expert knowledge. Based on the model and the weight value of each measure and level of symptoms, it can produce a high level of accuracy decision analysis. Expert systems have advantages that can accommodate expert knowledge in diagnosing pepper plant diseases in time series. This research can help farmers, researchers, experts or agencies in the field of agriculture to identify common diseases of pepper, so that it can provide basic knowledge about various types of diseases and treatment solutions to support the growth of pepper plants.]]>
<![CDATA[Perancangan Aplikasi E-Agriculture Cerdas Dalam Pemilihan Bibit Unggul Kelapa Sawit Menggunakan Metode AHP Hybrid Weighted Product ]]>
<![CDATA[Muslimin B]]>;
<![CDATA[Annafi’ Franz]]>
<![CDATA[ Just TI (Jurnal Sains Terapan Teknologi Informasi) Vol 14, No 1 (2022): Januari 2022 ]]>
Publisher : <![CDATA[Politeknik Negeri Samarinda ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.46964/justti.v14i1.1355
<![CDATA[Penentuan kualitas dan pertumbuhan tanaman kelapa sawit dipengaruhi oleh pemilihan bibit unggul. Pemilihan bibit oleh petani dilakukan dengan sistem uji coba pertumbuhan bersifat tradisional, dengan demikian dibutuhkan aplikasi dan teknologi yang mendukung produktivitas dan kualitas bibit. Aplikasi E-Agriculture cerdas merupakan aplikasi yang melibatkan teknologi informasi dan komunikasi (TIK) untuk menangani hasil analisis pengetahuan pengambil keputusan bidang pertanian. Penelitian ini bertujuan untuk membangun aplikasi E-Agriculture cerdas dalam menentukan kualitas bibit unggul dengan menerapkan algoritma yang sinkronisasi preferensi pengetahuan pengambil keputusan. Model E-Agriculture cerdas teknologi sistem pendukung keputusan menggunakan metode AHP hybrid metode Weighted Product. Metode AHP dapat mengukur tingkat kepentingan kriteria dengan melakukan perbandingan matriks, menghasilkan bobot kriteria. Sedangkan metode Weighted Product dapat mengevaluasi nilai preferensi alternatif, sehingga nilai bobot kriteria AHP dikombinasikan dengan nilai preferensi sehingga menghasilkan urutan ranking kualitas bibit sawit terbaik. Implementasi dan validasi pengujian pemodelan, proses aplikasi E-Agriculture cerdas menghasilkan rekomendasi bibit unggul dengan akurasi 100%.]]>
<![CDATA[Perbandingan Metode SAW dan Topsis pada Sistem Pendukung Keputusan Seleksi Penerima Beasiswa ]]>
<![CDATA[Wahyuni Eka Sari]]>;
<![CDATA[Muslimin B]]>;
<![CDATA[Selvia Rani]]>
<![CDATA[ Jurnal Sisfokom (Sistem Informasi dan Komputer) Vol 10, No 1 (2021): MARCH ]]>
Publisher : <![CDATA[ISB Atma Luhur ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.32736/sisfokom.v10i1.1027
<![CDATA[SMK TI LABBAIKA provides scholarships every semester to students who meet the requirements. The selection process still uses the manual method based on the Headmaster's knowledge. The suitable decision support systems and methods are needed to minimize errors in decision making and get fair decision results. In this study, two decision support system methods were chosen, namely Simple Additive Weighting (SAW) and Technique for Order of Preference by Similarity to Ideal Solution (TOPSIS). The SAW and TOPSIS methods were chosen because they have simple calculations. A comparison of the two methods is carried out to determine the best method for selecting scholarships. The criteria used in this study are student status, number of family members, parent's occupation, parent's income, and semester grades. The 20 alternative data is used for testing. Based on the results of testing the accuracy for the SAW method is 45% while for TOPSIS is 60%.]]>
<![CDATA[Diagnosis Dan Penanganan Penyakit Tanaman Karet Pada Sistem Pakar Berbasis Penalaran Menggunakan Metode Teorema Bayes ]]>
<![CDATA[Muslimin B]]>;
<![CDATA[Eko Junirianto]]>;
<![CDATA[Suswanto Suswanto]]>;
<![CDATA[Asep Nurhuda]]>
<![CDATA[ Jurnal Rekayasa Teknologi Informasi (JURTI) Vol 6, No 1 (2022): Jurnal Rekayasa Teknologi Informasi (JURTI) ]]>
Publisher : <![CDATA[Universitas Mulawarman ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30872/jurti.v6i1.7767
<![CDATA[Tanaman karet adalah jenis tanaman tahunan yang tumbuh dan menghasilkan produksi dalam jangka waktu lama. Hasil panen tanaman karet bersumber dari batang yang memiliki nilai jual yang cukup tinggi. Salah satu penghambat pertumbuhan dan produksi tanaman karet di wilayah pedesaan samarinda dipengaruhi oleh kurangnya pemahaman, serta keterlibatan pakar bidang pertanian dalam melakukan diagnosis dan penanganan penyakit secara berkala sehingga menimbulkan kerugian bagi petani. Penelitian ini bertujuan untuk merancang dan membangun aplikasi pertanian berbasis cerdas sub bidang sistem pakar dalam melakukan diagnosis, evaluasi, serta solusi penanganan penyakit pada tanaman karet. Implementasi dan penerapan sistem pakar dengan pendekatan berbasis penalaran menggunakan metode teorema bayes dapat menghasilkan sebuah proses diagnosis . Berdasarkan pengujian yang dilakukan telah diperoleh dengan tingkat akurasi 82%. Dengan adanya implementasi sistem pakar dan proses penalaran menggunakan metode teorema bayes maka dapat membantu dalam monitoring pertumbuhan tanaman karet, sehingga dapat meningkatkan hasil panen bagi petani untuk periode jangka panjang.]]>
<![CDATA[Perbandingan Metode K-Nearest Neighbors dan Naïve Bayes Classifier Pada Klasifikasi Status Gizi Balita di Puskesmas Muara Jawa Kota Samarinda ]]>
<![CDATA[Moch. Rizky Yuliansyah]]>;
<![CDATA[Muslimin B]]>;
<![CDATA[Annafi Franz]]>
<![CDATA[ Adopsi Teknologi dan Sistem Informasi (ATASI) Vol. 1 No. 1 (2022): Adopsi Teknologi dan Sistem Informasi (ATASI) ]]>
Publisher : <![CDATA[Mulawarman University ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30872/atasi.v1i1.25
<![CDATA[Klasifikasi adalah salah satu pembelajaran yang paling umum di dalam data mining. Klasifikasi dapat didefinisikan sebagai bentuk dari analisis data yang digunakan untuk mengekstrak model yang akan digunakan untuk memprediksi label kelas. Status Gizi adalah ukuran keberhasilan dalam pemenuhan nutrisi untuk anak yang diindikasikan oleh berat badan dan tinggi badan anak. Status gizi juga dapat didefinisikan sebagai status kesehatan yang dihasilkan oleh keseimbangan antara kebutuhan dan masukan nutrisi. Metode K-Nearest Neighbors (KNN) merupakan sebuah metode untuk melakukan klasifikasi berdasarkan kedekatan lokasi (jarak) suatu data dengan data yang lain. Prinsip kerja K-Nearest Neighbors (KNN) adalah mencari jarak terdekat antara data yang dievaluasi dengan (K) tetangga terdekatnya dalam data pelatihan. Metode Naïve Bayes Classifier (NBC) merupakan sebuah metode klasifikasi yang memanfaatkan teori probabilitas untuk memprediksi probabilitas di masa depan berdasarkan pengalaman di masa sebelumnya. Adapun tujuan dari penelitian ini adalah untuk melakukan perbandingan hasil Klasifikasi Status Gizi Balita dengan menggunakan metode K-Nearest Neighbors dan Naïve Bayes Classifier. Dari perbandingan performa antara metode K-Nearest Neighbors dan Naïve Bayes Classifier menggunakan f1 score sebagai patokan utama performa klasifikasi. Didapatkan hasil bahwa metode K-Nearest Neighbors unggul pada f1 score dengan selisih cukup besar yakni 13,42 %. Sehingga, dapat disimpulkan bahwa pada masalah klasifikasi status gizi balita metode K-Nearest Neighbors mengungguli Naïve Bayes Classifier.]]>
<![CDATA[Perbandingan Metode K-Nearest Neighbors dan Naïve Bayes Classifier Pada Klasifikasi Status Gizi Balita di Puskesmas Muara Jawa Kota Samarinda ]]>
<![CDATA[Moch. Rizky Yuliansyah]]>;
<![CDATA[Muslimin B]]>;
<![CDATA[Annafi Franz]]>
<![CDATA[ Adopsi Teknologi dan Sistem Informasi (ATASI) Vol. 1 No. 1 (2022): Adopsi Teknologi dan Sistem Informasi (ATASI) ]]>
Publisher : <![CDATA[Mulawarman University ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30872/atasi.v1i1.25
<![CDATA[Klasifikasi adalah salah satu pembelajaran yang paling umum di dalam data mining. Klasifikasi dapat didefinisikan sebagai bentuk dari analisis data yang digunakan untuk mengekstrak model yang akan digunakan untuk memprediksi label kelas. Status Gizi adalah ukuran keberhasilan dalam pemenuhan nutrisi untuk anak yang diindikasikan oleh berat badan dan tinggi badan anak. Status gizi juga dapat didefinisikan sebagai status kesehatan yang dihasilkan oleh keseimbangan antara kebutuhan dan masukan nutrisi. Metode K-Nearest Neighbors (KNN) merupakan sebuah metode untuk melakukan klasifikasi berdasarkan kedekatan lokasi (jarak) suatu data dengan data yang lain. Prinsip kerja K-Nearest Neighbors (KNN) adalah mencari jarak terdekat antara data yang dievaluasi dengan (K) tetangga terdekatnya dalam data pelatihan. Metode Naïve Bayes Classifier (NBC) merupakan sebuah metode klasifikasi yang memanfaatkan teori probabilitas untuk memprediksi probabilitas di masa depan berdasarkan pengalaman di masa sebelumnya. Adapun tujuan dari penelitian ini adalah untuk melakukan perbandingan hasil Klasifikasi Status Gizi Balita dengan menggunakan metode K-Nearest Neighbors dan Naïve Bayes Classifier. Dari perbandingan performa antara metode K-Nearest Neighbors dan Naïve Bayes Classifier menggunakan f1 score sebagai patokan utama performa klasifikasi. Didapatkan hasil bahwa metode K-Nearest Neighbors unggul pada f1 score dengan selisih cukup besar yakni 13,42 %. Sehingga, dapat disimpulkan bahwa pada masalah klasifikasi status gizi balita metode K-Nearest Neighbors mengungguli Naïve Bayes Classifier.]]>
<![CDATA[Perancangan Aplikasi Digital Farming Untuk Menentukan Replanting Tanaman Kelapa Sawit Menggunakan Metode TOPSIS Dan SAW ]]>
<![CDATA[Muslimin B]]>;
<![CDATA[Suci Ramadhani]]>;
<![CDATA[Suswanto Suswanto]]>;
<![CDATA[Yunike Andrayani]]>;
<![CDATA[Puput Misliyana]]>;
<![CDATA[Medi Taruk]]>
<![CDATA[ Jurnal Rekayasa Teknologi Informasi (JURTI) Vol 7, No 1 (2023): Jurnal Rekayasa Teknologi Informasi (JURTI) ]]>
Publisher : <![CDATA[Universitas Mulawarman ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30872/jurti.v7i1.9264
<![CDATA[Tanaman kelapa sawit merupakan salah satu komoditas pertanian unggul wilayah Kalimantan Timur yang menghasilkan minyak maupun bahan bakar. Perkembangan dan efektifitas produksi hasil panen tanaman kelapa sawit dipengaruhi beberapa faktor seperti pemeliharaan, pemupukan, kualitas bibit unggul, identifikasi penyakit dan hama. Pengelolaan dan produktivitas lahan perkebunan secara terus menerus maka dibutuhkan proses penanaman kembali tanaman yang kurang produktif. Replanting merupakan teknik peremajaan tanaman kelapa sawit yang kurang produktif menggunakan parameter dan kriteria penilaian. Penelitian ini bertujuan untuk merancang aplikasi digital farming untuk menentukan kelayakan tanaman kelapa sawit yang dapat dilakukan replanting. Aplikasi digital farming merupakan teknologi informasi dan komunikasi(TIK) berbasis cerdas yang dapat menentukan tanaman yang layak untuk di replanting. Manfaat replanting adalah untuk pemenuhan regenerasi tanaman baru kelapa sawit pada suatu kebun yang khususnya di kelola oleh petani. Penelitian ini menerapkan pemodelan/algoritma perbandingan metode Topsis dan SAW dengan berbasis web. Metode Topsis dan SAW merupakan salah satu teknik pengukuran objek tanaman berdasarkan kepentingan kriteria, evaluasi alternatif penilaian, kalkulasi matrik, sehingga menghasilkan rangking tanaman yang layak dilakukan proses replanting. Perbandingan metode Topsis dan SAW dapat mengukur tingkat akurasi keputusan berdasarkan data yang dikelola dan di analisis pakar pertanian. Perbandingan model dan implementasi aplikasi digital farming maka dapat membantu petani pakar pertanian dalam melakukan evaluasi dan monitoring kelayakan tanaman kelapa sawit yang akan di replanting. Untuk jangka panjang maka dapat membantu petani meningkatkan produktivitas hasil panen serta ketersediaan tanaman dan lahan produktif.]]>
<![CDATA[Perbandingan Metode K-Nearest Neighbors dan Naïve Bayes Classifier Pada Klasifikasi Status Gizi Balita di Puskesmas Muara Jawa Kota Samarinda ]]>
<![CDATA[Moch. Rizky Yuliansyah]]>;
<![CDATA[Muslimin B]]>;
<![CDATA[Annafi Franz]]>
<![CDATA[ Adopsi Teknologi dan Sistem Informasi (ATASI) Vol. 1 No. 1 (2022): Adopsi Teknologi dan Sistem Informasi (ATASI) ]]>
Publisher : <![CDATA[Mulawarman University ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30872/atasi.v1i1.25
<![CDATA[Klasifikasi adalah salah satu pembelajaran yang paling umum di dalam data mining. Klasifikasi dapat didefinisikan sebagai bentuk dari analisis data yang digunakan untuk mengekstrak model yang akan digunakan untuk memprediksi label kelas. Status Gizi adalah ukuran keberhasilan dalam pemenuhan nutrisi untuk anak yang diindikasikan oleh berat badan dan tinggi badan anak. Status gizi juga dapat didefinisikan sebagai status kesehatan yang dihasilkan oleh keseimbangan antara kebutuhan dan masukan nutrisi. Metode K-Nearest Neighbors (KNN) merupakan sebuah metode untuk melakukan klasifikasi berdasarkan kedekatan lokasi (jarak) suatu data dengan data yang lain. Prinsip kerja K-Nearest Neighbors (KNN) adalah mencari jarak terdekat antara data yang dievaluasi dengan (K) tetangga terdekatnya dalam data pelatihan. Metode Naïve Bayes Classifier (NBC) merupakan sebuah metode klasifikasi yang memanfaatkan teori probabilitas untuk memprediksi probabilitas di masa depan berdasarkan pengalaman di masa sebelumnya. Adapun tujuan dari penelitian ini adalah untuk melakukan perbandingan hasil Klasifikasi Status Gizi Balita dengan menggunakan metode K-Nearest Neighbors dan Naïve Bayes Classifier. Dari perbandingan performa antara metode K-Nearest Neighbors dan Naïve Bayes Classifier menggunakan f1 score sebagai patokan utama performa klasifikasi. Didapatkan hasil bahwa metode K-Nearest Neighbors unggul pada f1 score dengan selisih cukup besar yakni 13,42 %. Sehingga, dapat disimpulkan bahwa pada masalah klasifikasi status gizi balita metode K-Nearest Neighbors mengungguli Naïve Bayes Classifier.]]>
<![CDATA[Perbandingan Metode K-Nearest Neighbors dan Naïve Bayes Classifier Pada Klasifikasi Status Gizi Balita di Puskesmas Muara Jawa Kota Samarinda ]]>
<![CDATA[Moch. Rizky Yuliansyah]]>;
<![CDATA[Muslimin B]]>;
<![CDATA[Annafi Franz]]>
<![CDATA[ Adopsi Teknologi dan Sistem Informasi (ATASI) Vol. 1 No. 1 (2022): Adopsi Teknologi dan Sistem Informasi (ATASI) ]]>
Publisher : <![CDATA[Mulawarman University ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30872/atasi.v1i1.25
<![CDATA[Klasifikasi adalah salah satu pembelajaran yang paling umum di dalam data mining. Klasifikasi dapat didefinisikan sebagai bentuk dari analisis data yang digunakan untuk mengekstrak model yang akan digunakan untuk memprediksi label kelas. Status Gizi adalah ukuran keberhasilan dalam pemenuhan nutrisi untuk anak yang diindikasikan oleh berat badan dan tinggi badan anak. Status gizi juga dapat didefinisikan sebagai status kesehatan yang dihasilkan oleh keseimbangan antara kebutuhan dan masukan nutrisi. Metode K-Nearest Neighbors (KNN) merupakan sebuah metode untuk melakukan klasifikasi berdasarkan kedekatan lokasi (jarak) suatu data dengan data yang lain. Prinsip kerja K-Nearest Neighbors (KNN) adalah mencari jarak terdekat antara data yang dievaluasi dengan (K) tetangga terdekatnya dalam data pelatihan. Metode Naïve Bayes Classifier (NBC) merupakan sebuah metode klasifikasi yang memanfaatkan teori probabilitas untuk memprediksi probabilitas di masa depan berdasarkan pengalaman di masa sebelumnya. Adapun tujuan dari penelitian ini adalah untuk melakukan perbandingan hasil Klasifikasi Status Gizi Balita dengan menggunakan metode K-Nearest Neighbors dan Naïve Bayes Classifier. Dari perbandingan performa antara metode K-Nearest Neighbors dan Naïve Bayes Classifier menggunakan f1 score sebagai patokan utama performa klasifikasi. Didapatkan hasil bahwa metode K-Nearest Neighbors unggul pada f1 score dengan selisih cukup besar yakni 13,42 %. Sehingga, dapat disimpulkan bahwa pada masalah klasifikasi status gizi balita metode K-Nearest Neighbors mengungguli Naïve Bayes Classifier.]]>
