Articles
<![CDATA[Identifikasi Penyakit dengan Gejala Awal Demam Menggunakan K-Nearest Neighbor (K-NN) ]]>
<![CDATA[Redjeki, Sri]]>
<![CDATA[ Jurnal Buana Informatika Vol 4, No 1 (2013): Jurnal Buana Informatika Volume 4 Nomor 1 Januari 2013 ]]>
Publisher : <![CDATA[Universitas Atma Jaya Yogyakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Abstract. K-Nearest Neighbor (K-NN) is a method that uses a supervised algorithm where the results from the new sample test are classified based on the majority of the category on K-NN. K-Nearest Neighbor method (K-NN) is one of the clinical decision making method known as Clinical Decision Support System (CDSS). This Research employs the data of patients who have fever symptoms, in order to be classified into 10 possible diseases. The Research objects are 82 data and 72 data are used for training while 10 data are used for testing. Value K=3, will be used for the best results in the disease grouping, with the accuracy value result of classification is 97,2%. It is shown that the K-NN method is part of the CDSS because the value of accuracy that can be tolerated for grouping diseases reaches more than 97%.Keywords: Classification of disease, fever symptoms, K-NN. Abstrak. K-Nearest Neighbor (K-NN) adalah suatu metode yang menggunakan algoritma supervised dimana hasil dari sampel uji yang baru diklasifikasikan berdasarkan mayoritas dari kategori pada K-NN. Metode K-NN merupakan salah satu dari metode pengambilan keputusan klinik atau Clinical Decision Support System (CDSS). Penelitian ini menggunakan data pasien dengan gejala awal demam untuk mengelompokkan penyakit yang terdiri dari 10 penyakit. Obyek penelitian menggunakan data sebanyak 82 dengan 72 data digunakan untuk training dan 10 data digunakan untuk testing. Hasil terbaik pengelompokan penyakit menggunakan nilai K=3 dengan nilai akurasi hasil pengelompokkan sebesar 97,2%. Hal ini menunjukkan bahwa metode K-NN merupakan bagian dari CDSS karena nilai akurasi yang dapat ditoleransi untuk pengelompokan penyakit harus mempunyai nilai akurasi diatas 97%. Kata kunci: Gejala awal demam, K-NN, penyakit.]]>
<![CDATA[ Analisis Performance Fuzzy Tsukamoto Dalam Klasifikasi Bantuan Kemiskinan ]]>
<![CDATA[redjeki, sri]]>
<![CDATA[ Tech-E Vol 1 No 1 (2017): Tech-E ]]>
Publisher : <![CDATA[BSTI ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[The Central Bureau of Statistics (BPS) showed that the poverty rate in Indonesia in September 2014 still high at about 27.7 million people, or about 10.96%. As a basis for policy countermeasures, understand the problem of poverty often demands the effort of defining, measuring, and identifying the root causes of poverty. This study wanted to use one of the methods that exist in fuzzy logic to classify beneficiaries of poverty that exist in Bantul. Fuzzy Inference System used in this study using Tsukamoto with 8 rule established by a group of poor criteria and types of poverty relief. There are three groups of criteria of poverty derived from 11 criteria of poverty in Bantul. While the types of assistance that are used are Raskin, BLT and KUR. The system is built using PHP. To see the performance Tsukamoto method in this study used 50 data poor people in Sub Districs Banguntapan. From the test results turned out to obtained an accuracy of 52%, meaning that there were 26 correct data according to the original data. It is necessary to modify the rules and membership functions to improve system accuracy results]]>
<![CDATA[Perbandingan Algoritma Backpropagation dan K-Nearest Neighbor (K-NN) untuk Identifikasi Penyakit ]]>
<![CDATA[Sri Redjeki]]>
<![CDATA[ Seminar Nasional Aplikasi Teknologi Informasi (SNATI) 2013 ]]>
Publisher : <![CDATA[Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Algoritma Backpropagation dan K-Nearest Neighbor merupakan metode yang digunakan untuk klasifikasi yang bersifat suppervised, dimana kedua metode ini membutuhkan target dari data pola yang akan di latih. Untuk memecahkan masalah klasifikasi, berbagai macam metode telah diterapkan. Dibidang soft computing, mulai banyak dikembangkan juga teknik-teknik klasifikasi. Sehingga proses klasifikasi dapat dilakukan dalam waktu yang relatif lebih cepat dengan menggunakan algoritma klasifikasi yang tepat. Pada paper ini obyek penelitian yang digunakan adalah 10 jenis penyakit dengan gejalan awal demam. Terdapat 82 data pasien yang dibagi untuk data training sebanyak 72 pasien dan sisanya digunakan untuk data testing. Fokus penelitian ini adalah pada tingkat akurasi atau succes ratio yang dihasilkan oleh masing-masing metode. Dari hasil pengujian (testing) 10 data pasien diperoleh informasi bahwa hasil identifikasi terbaik untuk algoritma K-NN dengan menggunakan nilai K=3, K=7 dan K-9 dengan akurasi sebesar 100%, sedangkan untuk algoritma backpropagation diperoleh tingkat akurasi untuk identifikasi penyakit sebesar 90% dengan nilai learning rate 0,1 dan nilai toleransi error sebesar 0,001. Dari hasil pengamatan tersebut maka dapat disimpulkan bahwa algoritma K-NN memberikan hasil identifikasi penyakit yang lebih baik dibandingkan algoritma backpropagation.]]>
<![CDATA[Comparison of Seven Machine Learning Algorithms in the Classification of Public Opinion ]]>
<![CDATA[Sri Redjeki]]>;
<![CDATA[Setyawan Widyarto]]>
<![CDATA[ Tech-E Vol. 5 No. 2 (2022): Tech-E ]]>
Publisher : <![CDATA[Fakultas Sains dan Teknologi-Universitas Buddhi Dharma ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.31253/te.v5i1.1046
<![CDATA[Sentiment analysis is one way that is widely used to identify the beginning of public opinion in various fields of life which are associated with very massive and a lot of information through social media. This study aims to compare several algorithms in machine learning to see the best ability in sentiment classification. The research dataset uses a dataset of public opinion related to tourism in Indonesia. The number of datasets used is 10,228 twitter data that have been cleaned and labelled. The machine learning algorithm used is Logistic Regression, KNN, AdaBoost, Decision Tree, SVM, Random Forest and Gaussian. The seven algorithms for sentiment classification from the Twitter public opinion each produce a Gaussian accuracy of 0.52; SVM 0.78; KNN 0.98; Logistic Regression, Random Forest, Decision Tree, AdaBoost of 0.99. This study shows that the selection of the right machine learning algorithm will have a very good impact on the classification of public opinion through social media]]>
<![CDATA[Neural Network Modeling for Family Welfare Classification ]]>
<![CDATA[Sri Redjeki]]>
<![CDATA[ Tech-E Vol 1 No 2 (2018): Tech-E ]]>
Publisher : <![CDATA[Fakultas Sains dan Teknologi-Universitas Buddhi Dharma ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (824.581 KB)
|
DOI: 10.31253/te.v1i2.62
<![CDATA[Welfare in general can be defined as the level of a person's ability to meet their basic needs in the form of clothing, food, boards, education, and health. Welfare can be assessed in terms of family welfare. This study aims to perform analysis of artificial neural network modeling backpropagation method. The model will compare the optimization algorithm of artificial neural network results. The data used are 251 data of pre prosperous family in Banguntapan District, Bantul Regency. There are 16 input variables with 14 variables from BPS and 2 additional variables. There is one variable that has constant data so that this variable is not used in artificial neural network model analysis. There is a hidden layer with a number of dynamic neurons. Output layer there are 4 neurons which is the family welfare category. Data is processed using Matlab and SPSS. The system results show that the best accuracy for training is 68% of the Scale Conjugate Gradient algorithm while for best test results it is 68.8% of the Gradient Descent algorithm.]]>
<![CDATA[Analisis Performance Fuzzy Tsukamoto Dalam Klasifikasi Bantuan Kemiskinan ]]>
<![CDATA[Sri Redjeki]]>
<![CDATA[ Tech-E Vol 1 No 1 (2017): Tech-E ]]>
Publisher : <![CDATA[Fakultas Sains dan Teknologi-Universitas Buddhi Dharma ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (887.066 KB)
|
DOI: 10.31253/te.v1i1.20
<![CDATA[The Central Bureau of Statistics (BPS) showed that the poverty rate in Indonesia in September 2014 still high at about 27.7 million people, or about 10.96%. As a basis for policy countermeasures, understand the problem of poverty often demands the effort of defining, measuring, and identifying the root causes of poverty. This study wanted to use one of the methods that exist in fuzzy logic to classify beneficiaries of poverty that exist in Bantul. Fuzzy Inference System used in this study using Tsukamoto with 8 rule established by a group of poor criteria and types of poverty relief. There are three groups of criteria of poverty derived from 11 criteria of poverty in Bantul. While the types of assistance that are used are Raskin, BLT and KUR. The system is built using PHP. To see the performance Tsukamoto method in this study used 50 data poor people in Sub Districs Banguntapan. From the test results turned out to obtained an accuracy of 52%, meaning that there were 26 correct data according to the original data. It is necessary to modify the rules and membership functions to improve system accuracy results]]>
<![CDATA[PEMODELAN PENGELOMPOKKAN PRESTASI DOSEN MENGGUNAKAN METODE FUZZY C-MEANS ]]>
<![CDATA[Sri Redjeki]]>
<![CDATA[ JURNAL INFORMATIKA DAN KOMPUTER Vol 2, No 2 (2017): SEPTEMBER - JANUARI 2018 ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian Masyarakat - Universitas Teknologi Digital Indonesia ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (311.373 KB)
|
DOI: 10.26798/jiko.v2i2.63
<![CDATA[A college desperately needs valid information about the existing learning process. A piece of information will have more value when processed using existing methods in mining data. This is because data mining can provide accurate results and can be used as a means for quick and precise decision making especially related to the behavior of lecturers in the learning process. This research will do modeling for lecturer achievement classification using Fuzzy C-Means.This research object is done at one of private universities in Yogyakarta. The input parameters used in the FCM method are teaching attendance, final score completion and questionnaire results from students. Input of 3 variables is called independent variable, while the value of lecturer achievement index (IPAD) as the dependent variable. Group of achievement determined in this research there are 3 that is good, medium and less. The data used are 59 lecturers. The results of the research indicate that FCM can be used to model lecturer achievement where most lecturers are in the cluster category good for all variables used in this research. The results of the questionnaire variables have a significant result to the IPAD lecturer semester of 2009/2010.]]>
<![CDATA[FRAMEWORK PENGEMBANGAN CITY BRANDING KABUPATEN BANTUL MENGGUNAKAN PENDEKATAN SMART TOURISM ]]>
<![CDATA[Sri Redjeki]]>;
<![CDATA[Edi Faizal]]>;
<![CDATA[Edi Iskandar]]>;
<![CDATA[Dedi Rosadi]]>;
<![CDATA[Khabib Mustofa]]>
<![CDATA[ Jurnal TAM (Technology Acceptance Model) Vol 9, No 2 (2018): Jurnal TAM (Technology Acceptance Model) ]]>
Publisher : <![CDATA[LPPM STMIK Pringsewu ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (746.299 KB)
<![CDATA[Perkembangan sektor pariwisata secara terarah dan berkesinambungan dapat dijadikan sebagai salah satu solusi meningkatkan pertumbuhan ekonomi suatu daerah. Dengan berkembangnya sektor pariwisata, dapat meningkatkan citra sebuah daerah yang sekaligus dapat meningkatkan pendapatan asli daerah. Pengelolaan pariwisata yang baik oleh sebuah kota dapat menjadi sebuah branding yang dapat meningkatkan kunjungan wisatawan. Pencapaian ini dapat terpenuhi dengan cepat melalui penggunaan teknologi informasi dalam pengelolaan wisata. Kabupaten Bantul dikenal sebagai salah satu Kabupaten di Yogyakarta karena obyek wisata yang memikat para wisatawan dan saat ini sedang mengembangkan konsep smart city.Penelitian ini bertujuan untuk mengembangkan model dalam implementasi salah satu komponen smart city yaitu smart branding dengan menggunakan pendekatan smart tourism di Kabupaten Bantul. Model ini dapat dikembangkan karena wilayah Kabupaten Bantul merupakan salah satu tujuan wisata utama di Yogyakarta dengan berbagai jenis wisata yang ada. Total obyek wisata di Kabupaten Bantul sebanyak 113 obyek wisata. Smart tourism yang dimodelkan pada penelitian ini adalah sistem wisata integratif yang meliputi sistem berbasis mobile, sistem pemetaan wisata, sistem desa wisata dan sistem pengolahan data. Sistem ini dapat digunakan oleh pelaku dunia wisata, pengunjung wisata dan pihak pengambil keputusan di Kabupaten Bantul Dengan model pendekatan smart tourism maka Kabupaten Bantul dapat melakukan percepatan pengembangan smart city melalui salah satu komponen yaitu pengembangan city branding.]]>
<![CDATA[ANALISIS SENTIMEN PENGGUNA TWITTER MENGGUNAKAN METODE SUPPORT VECTOR MACHINE BERBASIS CLOUD COMPUTING ]]>
<![CDATA[Rizky Maulana]]>;
<![CDATA[Sri Redjeki]]>
<![CDATA[ Jurnal TAM (Technology Acceptance Model) Vol 6 (2016): Jurnal TAM (Technology Acceptance Model) ]]>
Publisher : <![CDATA[LPPM STMIK Pringsewu ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (483.187 KB)
<![CDATA[Twitter merupakan jejaring sosial dengan pertumbuhan tercepat sejak tahun 2006 menurut MIT Technology Review (2013), Indonesia menempati Negara ketiga penyumbang tweet terbanyak dengan jumlah 1 milyar tweet. Fakta tersebut menjadikan Twitter menjadi salah satu sumber data text yang dapat digali dan dimanfaatkan untuk berbagai keperluan melalui metode-metode pengambilan data teks atau text mining, salah satunya adalah analisis sentimen pengguna terhadap tokoh-tokoh publik indonesia. Penelitian ini membuat sebuah sistem yang dapat melakukan analisis sentimen pengguna twitter terhadap tokoh publik secara real time dengan menggunakan Twitter Streming API dan metode Support Vectore Machine (SVM) memanfaatkan pustaka libSVM sebagai salah satu machine learning untuk text classification. Algoritma Porter digunakan dalam proses stemming untuk ekstraksi fitur dan metode Term Frequency untuk pembobotan. Perangkat lunak dibangun dengan menggunakan bahasa pemrograman PHP untuk sisi server yang berjalan pada platform cloud Windows Azure dan Java untuk sisi client yang berjalan pada platform Android. Dari hasil penelitian dengan 1.400 tweet pada dataset dan 200 data uji didapatkan akurasi sebesar 79,5%.]]>
<![CDATA[Extraction Opinion of Social Media in Higher Education Using Sentiment Analysis ]]>
<![CDATA[Thomas Edison Tarigan]]>;
<![CDATA[Robby C Buwono]]>;
<![CDATA[Sri Redjeki]]>
<![CDATA[ bit-Tech Vol. 2 No. 1 (2019): Data Mining and Green Technology ]]>
Publisher : <![CDATA[Komunitas Dosen Indonesia ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (594.38 KB)
|
DOI: 10.32877/bt.v2i1.92
<![CDATA[The purpose of this research is to extract social media Twitter opinion on a tertiary institution using sentiment analysis. The results of sentiment analysis will provide input to universities as a form of evaluation of management performance in managing institutions. Sentiment analysis generated using the Naïve Bayes Classifier method which is classified into 4 classes: positive, normal, negative and unknown. This study uses 1000 data tweets used for training data needs. The data is classified manually to determine the sentiment of the tweet. Then 20 tweet data is used for testing. The results of this study produce a system that can classify sentiments automatically with 75% test results for sentiment, some obstacles in processing real-time tweets such as duplicate tweets (spam tweets), Indonesian structures that are quite complex and diverse.]]>
