Claim Missing Document
Check
Articles

Found 2 Documents
Search

Penerapan Java Dynamic Compilation pada Metode Java Customized Class Loader untuk Memperbaharui Perangkat Lunak pada Saat Runtime dengan Lebih Efisien Ariyanto, Tory; Wahono, Romi Satria; Purwanto, .
Journal of Software Engineering Vol 1, No 1 (2015)
Publisher : IlmuKomputer.Com

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (856.357 KB)

Abstract

Proses pembaharuan perangkat lunak diperlukan untuk menjaga kehandalan sebuah perangkat lunak agar bisa berjalan dengan baik. Sebuah perangkat lunak yang memiliki tingkat operasional tinggi sehingga tidak diperbolehkan untuk melakukan restart, memerlukan sebuah metode dimana metode tersebut dapat melakukan proses pembaharuan dengan cepat tanpa melakukan restart. Untuk mengatasi hal tersebut, Java Customized Class Loader (JCCL) merupakan metode yang paling banyak digunakan oleh peneliti dalam bidang pembaharuan perangkat lunak tanpa melakukan restart (Dyanamic Software Update). Penerapan JCCL untuk melakukan pembaharuan perangkat lunak dengan tidak memperbolehkan restart memiliki kendala yaitu lambatnya proses pembaharuan. Dalam penelitian ini, penerapan Java Dynamic Compilation (JDC) diharapkan mampu meningkatkan efisiensi metode JCCL dalam  melakukan pembaharuan perangkat lunak tanpa melakukan restart. Untuk menerapkan JDC kedalam metode JCCL, penelitian ini memiliki dua kegiatan utama yaitu: (1) Menganalisa metode-metode untuk melakukan pembaharuan perangkat lunak dimana tidak memperbolehkan untuk restart,(2) Penerapan metode JDC untuk meningkatkan efisiensi JCCL dalam melakukan proses pembaharuan. Metode-metode mengenai pembaharuan perangkat lunak tanpa melakukan restart atau pada saat runtime dianalisa kelemahan dan kekurangan yang dimiliki berdasarkan penelitian sebelumnya, berdasarkan hasil analisa yang dilakukan maka didapat bahwa metode JCCL adalah metode yang paling banyak digunakan. Dan berdasarkan hasil analisa mengenai metode untuk mengoptimalkan proses kinerja Java didapat data bahwa metode JDC adalah metode yang tepat untuk digunakan dalam mengoptimalkan metode JCCL ketika melakukan proses pembaharuan, maka dalam penelitian ini diterapkan metode JDC dimana metode ini adalah metode yang digunakan untuk meningkatkan kinerja Java didalam Java Virtual Machine (JVM). Untuk menguji coba hasil ekperiment yang dilakukan dalam penelitian ini, digunakan aplikasi permainan snake game aplikasi permainan ini telah digunakan juga pada penelitian sebelumnya. Setelah melakukan dua kegiatan utama diatas, sebagai hasil dari penelitian ini adalah terciptanya metode untuk melakukan proses pembaharuan perangkat lunak pada saat runtime atau tanpa melakukan restart dengan waktu yang efisien. Berdasarkan hasil analisa, metode yang dihasilkan dalam penelitian ini (JCCL+JDC) memiliki waktu yang lebih efisien dari metode JCCL sebelum dioptimalkan dengan metode JDC,waktu yang dihasilkan dari metode yang diusulkan menyesuaikan kompleksitas alghoritma dari setiap method yang ditambahkan dalam proses pembaharuan. Hal tersebut yang menjadi kontribusi penelitian dalam penelitian ini.
Komparasi Algoritma Klasifikasi Machine Learning Dan Feature Selection Pada Analisis Sentimen Review Film Chandani, Vinita; Wahono, Romi Satria; Purwanto, .
Journal of Intelligent Systems Vol 1, No 1 (2015)
Publisher : IlmuKomputer.Com

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (316.012 KB)

Abstract

Analisis sentimen adalah proses yang bertujuan untuk menentukan isi dari dataset yang berbentuk teks bersifat positif, negatif atau netral. Saat ini, pendapat khalayak umum menjadi sumber yang penting dalam pengambilan keputusan seseorang akan suatu produk. Algoritma klasifikasi seperti Naïve Bayes (NB), Support Vector Machine (SVM), dan Artificial Neural Network (ANN) diusulkan oleh banyak peneliti untuk digunakan pada analisis sentimen review film. Namun, klasifikasi sentimen teks mempunyai masalah pada banyaknya atribut yang digunakan pada sebuah dataset. Feature selection dapat digunakan untuk mengurangi atribut yang kurang relevan pada dataset. Beberapa algoritma feature selection yang digunakan adalah information gain, chi square, forward selection dan backward elimination. Hasil komparasi algoritma, SVM mendapatkan hasil yang terbaik dengan accuracy 81.10% dan AUC 0.904. Hasil dari komparasi feature selection, information gain mendapatkan hasil yang paling baik dengan average accuracy 84.57% dan average AUC 0.899. Hasil integrasi algoritma klasifikasi terbaik dan algoritma feature selection terbaik menghasilkan accuracy 81.50% dan AUC 0.929. Hasil ini mengalami kenaikan jika dibandingkan hasil eksperimen yang menggunakan SVM tanpa feature selection.  Hasil dari pengujian algoritma feature selection terbaik untuk setiap algoritma klasifikasi adalah information gain mendapatkan hasil terbaik untuk digunakan pada algoritma NB, SVM dan ANN.