Articles
<![CDATA[Potable water source and the method of garbage disposal in lowering the risk of diarrhea ]]>
<![CDATA[Suriyasa, Putu]]>;
<![CDATA[Balgis, Balgis]]>;
<![CDATA[Saptono, Ristu]]>;
<![CDATA[Hapsari, Mantrini I.]]>
<![CDATA[ Medical Journal of Indonesia Vol 13, No 2 (2004): April-June ]]>
Publisher : <![CDATA[Faculty of Medicine Universitas Indonesia ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (174.104 KB)
|
DOI: 10.13181/mji.v13i2.140
<![CDATA[The problem of diarrhea can be controlled through environmental factors and good habits. The Ministry of Health of the Republic of Indonesia has designed a simple indicator to evaluate the family health potential, the Family Health Potential Index (FHPI). This study aims to evaluate the effect of FHPI and other indicators on the risk of diarrhea. The data were obtained through a survey carried out by a team from the Family Physician Studies, Graduate Program of the Universitas Sebelas Maret. The survey was held from August to September 2003 in 5 provinces receiving the Family Health and Nutrition (FHN) project. The subjects were 1500 heads of poor families chosen by stratified random sampling. Interviews and observations were carried out by special trained interviewers and held in the subjectsâ homes. The use of potable water from the water system and well source built during the FHN project lowered the risk of diarrhea by 66% compared to the use of water from other sources (adjusted odds ratio= 0.34; 95% confidence interval = 0.16 - 0.70). Disposing of garbage using pits, sewers, rivers, or simply burying in the ground, increased the risk of diarrhea by twice compared with the specific method. Providing potable water from the water system or well and proving special tank for garbage disposal were important in order to lower the risk of occurrence diarrhea in a family. The use of non-dirt floors of houses as an FHPI specifically for diarrhea should be studied further. (Med J Indones 2004; 13: 119-26) Keywords: diarrhea, potable water, garbage disposal, family health potential index, poor family]]>
<![CDATA[Identifikasi Kualitas Beras dengan Citra Digital ]]>
<![CDATA[Nurcahyani, Arissa Aprilia]]>;
<![CDATA[Saptono, Ristu]]>
<![CDATA[ Scientific Journal of Informatics Vol 2, No 1 (2015): May 2015 ]]>
Publisher : <![CDATA[Universitas Negeri Semarang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.15294/sji.v2i1.4530
<![CDATA[Beras merupakan makanan pokok yang paling banyak di konsumsi oleh masyarakat Indonesia. Namun, harga beras di pasaran justru semakin melonjak, sehingga banyak beredar beras yang memiliki kualitas kurang baik. Oleh karena itu perlu adanya standar kualitas mutu dari pihak gudang beras saat mendistribusikan beras ke pasaran. Standar pengujian kualitas dari pihak Bulog terdapat dua tahap, yaitu uji laboratorium dan uji visual. Namun, pengujian secara visual selama ini masih dilakukan secara manual sehingga masih sering terjadi kesalahan karena terbatasnya penglihatan manusia dan subjektivitas penguji. Oleh karena itu, sistem pengujian secara visual dengan citra digital dapat menjadi solusi yang efektif untuk permasalahan tersebut. Proses pengujian dapat dilihat dari nilai putih, nilai bersih, dan nilai utuh beras yang diakuisisi melalui pengolahan citra digital. Proses akuisisi nilai bersih dan putih dilakukan dengan menganalisis nilai HSV (Hue, Saturation, Value), sedangkan nilai utuh dilakukan dengan menganalisis luas region area objek. Sebelumnya, dilakukan training terhadap 30 data untuk mendapatkan decision tree dengan model ID3 (Iterative Dichotomiser Tree). Data yang telah diakuisisi kemudian diklasifikasi ke dalam 3 kelas yaitu baik, kurang dan buruk dengan menggunankan aturan dari decision tree yang dihasilkan pada proses training. Hasil pengujian dengan metode k-fold cross validation dengan k=5 didapatkan akurasi sebesar 96.67%.]]>
<![CDATA[Implementasi Vector Space Model dalam Pembangkitan Frequently Asked Questions Otomatis dan Solusi yang Relevan untuk Keluhan Pelanggan ]]>
<![CDATA[Aziz, Abdul]]>;
<![CDATA[Saptono, Ristu]]>;
<![CDATA[Suryajaya, Kartika Permatasari]]>
<![CDATA[ Scientific Journal of Informatics Vol 2, No 2 (2015): November 2015 ]]>
Publisher : <![CDATA[Universitas Negeri Semarang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.15294/sji.v2i2.5076
<![CDATA[Salah satu keunggulan dari sebuah lembaga/unit pelayanan adalah seberapa cepat dan akurat dalam menangani keluhan pelanggan. Keluhan yang disampaikan pelanggan umumnya memiliki kesamaan dengan keluhan-keluhan sebelumnya, sehingga solusi dari keluhan baru dapat didasarkan pada solusi yang diberikan pada keluhan lama. Vector Space Model (VSM) merupakan salah satu model yang digunakan untuk mengetahui kemiripan dokumen, yang digunakan dalam membangkitkan FAQ otomatis. Pembobotan term dilakukan dengan teknik Term Frequency-Inverse Document Frequency (TF-IDF). Kombinasi notasi TF-IDF yang dibandingkan adalah TF-IDF itu sendiri, modifikasi logaritmik TF dan modifikasi logaritmik IDF. Similarity measure yang digunakan adalah cosine similarity. Hasil dari penelitian ini adalah algoritma VSM dengan pembobotan TF-IDF dapat digunakan untuk membangkitkan FAQ otomatis dan solusi yang relevan. Berdasarkan hasil perhitungan accuracy pada masing- masing percobaan dapat disimpulkan bahwa pada threshold 0.5, kombinasi notasi TF-IDF yang memiliki nilai rata-rata accuracy dan precision tertinggi adalah modifikasi pertama, yaitu masing-masing sebesar 62.09% dan 55.15%. Sedangkan untuk threshold 0.65 yang memiliki nilai rata-rata accuracy dan precision tertinggi adalah TF-IDF, yaitu masing-masing sebesar 83.18% dan 68.35%. Selain itu percobaan dengan menggunakan 171 data, TF-IDF dan threshold 0.65 dapat membangkitkan 27 FAQ, yaitu dengan persentase 70.37% relevan. ]]>
<![CDATA[Peningkatan Akurasi Estimasi Ukuran Perangkat Lunak dengan Menerapkan Logika Samar Metode Mamdani ]]>
<![CDATA[Saptono, Ristu]]>;
<![CDATA[Hutama, Galih Dian]]>
<![CDATA[ Scientific Journal of Informatics Vol 2, No 1 (2015): May 2015 ]]>
Publisher : <![CDATA[Universitas Negeri Semarang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.15294/sji.v2i1.4527
<![CDATA[Salah satu kunci sukses dari pengembangan perangkat lunak adalah perencanaan. Untuk membuat perencanaan yang baik diperlukan estimasi ukuran perangkat lunak yang akan dibangun. Ukuran perangkat lunak biasanya disajikan dalam bentuk Lines of Code (LOC). Metode Function Point Analysis (FPA) merupakan metode yang paling sering digunakan untuk memperkirakan ukuran perangkat lunak dalam satuan LOC. Akurasi dari FPA bisa ditingkatkan dengan cara penyesuaian nilai bobot pada tabel Function Point Complexity. Metode yang digunakan untuk penyesuaian nilai bobot adalah metode logika samar Mamdani. Evaluasi dilakukan dengan cara membandingkan galat relatif antara hasil pengukuran FPA murni, FPA modifikasi Mamdani model 1, FPA modifikasi Mamdani model 2 serta nilai tengah antara model 1 dan model 2, dengan nilai LOC sebenarnya dari perangkat lunak. Model 1 dan model 2 dibedakan oleh nilai himpunan fuzzy pada proses fuzzifikasi. Sebanyak 13 perangkat lunak digunakan untuk pengujian. Hasilnya estimasi menggunakan FPA nilai tengah memberikan hasil terbaik dengan galat terkecil yaitu 1,6% dibandingkan FPA modifikasi Mamdani model 1 (2%), FPA model 2 (3,2%) dan FPA Murni (3,4%). Perbedaan galat relatif tersebut mempunyai tingkat kepercayaan secara statistika sebesar 76%.]]>
<![CDATA[The Effect of Best First and Spreadsubsample on Selection of a Feature Wrapper With Naïve Bayes Classifier for The Classification of the Ratio of Inpatients ]]>
<![CDATA[Wijaya, M Rizky]]>;
<![CDATA[Saptono, Ristu]]>;
<![CDATA[Doewes, Afrizal]]>
<![CDATA[ Scientific Journal of Informatics Vol 3, No 2 (2016): November 2016 ]]>
Publisher : <![CDATA[Universitas Negeri Semarang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.15294/sji.v3i2.7910
<![CDATA[Diabetes can lead to mortality and disability, so patients should be inpatient again to undergo treatment again to be saved. On previous research about feature selection with greedy stepwise forward fail to predict classification ratio inpatient of patient with the result of recall and precision 0 on data training 60%, 75%, 80%, and 90% and there is suggestion to handle unbalanced class data problem by comparison of data readmitted 6293 and the otherwise 64141. The research purposed to know the effect of choosing the best model using best first instead of greedy stepwise forward and data sampling with spreadsubsample to resolve unbalanced class data problem. The data used was patient data from 130 American Hospital in 1999 until 2008 with 70434 data. The method that used was best first search and spreadsubsample. The result of this research are precision found 0.4 and 0.333 on training dataset 75% and 90% with best first method, while spreadsubsample method found that value of precision and recall is more significantly increased. Spreadsubsample has more effect with the result of precision and recall rather than using best first method.]]>
<![CDATA[The Effect of Best First and Spreadsubsample on Selection of a Feature Wrapper With Nave Bayes Classifier for The Classification of the Ratio of Inpatients ]]>
<![CDATA[Wijaya, M Rizky]]>;
<![CDATA[Saptono, Ristu]]>;
<![CDATA[Doewes, Afrizal]]>
<![CDATA[ Scientific Journal of Informatics Vol 3, No 2 (2016): November 2016 ]]>
Publisher : <![CDATA[Universitas Negeri Semarang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.15294/sji.v3i2.7910
<![CDATA[Diabetes can lead to mortality and disability, so patients should be inpatient again to undergo treatment again to be saved. On previous research about feature selection with greedy stepwise forward fail to predict classification ratio inpatient of patient with the result of recall and precision 0 on data training 60%, 75%, 80%, and 90% and there is suggestion to handle unbalanced class data problem by comparison of data readmitted 6293 and the otherwise 64141. The research purposed to know the effect of choosing the best model using best first instead of greedy stepwise forward and data sampling with spreadsubsample to resolve unbalanced class data problem. The data used was patient data from 130 American Hospital in 1999 until 2008 with 70434 data. The method that used was best first search and spreadsubsample. The result of this research are precision found 0.4 and 0.333 on training dataset 75% and 90% with best first method, while spreadsubsample method found that value of precision and recall is more significantly increased. Spreadsubsample has more effect with the result of precision and recall rather than using best first method.]]>
<![CDATA[Identifikasi Kualitas Beras dengan Citra Digital ]]>
<![CDATA[Nurcahyani, Arissa Aprilia]]>;
<![CDATA[Saptono, Ristu]]>
<![CDATA[ Scientific Journal of Informatics Vol 2, No 1 (2015): May 2015 ]]>
Publisher : <![CDATA[Universitas Negeri Semarang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.15294/sji.v2i1.4530
<![CDATA[Beras merupakan makanan pokok yang paling banyak di konsumsi oleh masyarakat Indonesia. Namun, harga beras di pasaran justru semakin melonjak, sehingga banyak beredar beras yang memiliki kualitas kurang baik. Oleh karena itu perlu adanya standar kualitas mutu dari pihak gudang beras saat mendistribusikan beras ke pasaran. Standar pengujian kualitas dari pihak Bulog terdapat dua tahap, yaitu uji laboratorium dan uji visual. Namun, pengujian secara visual selama ini masih dilakukan secara manual sehingga masih sering terjadi kesalahan karena terbatasnya penglihatan manusia dan subjektivitas penguji. Oleh karena itu, sistem pengujian secara visual dengan citra digital dapat menjadi solusi yang efektif untuk permasalahan tersebut. Proses pengujian dapat dilihat dari nilai putih, nilai bersih, dan nilai utuh beras yang diakuisisi melalui pengolahan citra digital. Proses akuisisi nilai bersih dan putih dilakukan dengan menganalisis nilai HSV (Hue, Saturation, Value), sedangkan nilai utuh dilakukan dengan menganalisis luas region area objek. Sebelumnya, dilakukan training terhadap 30 data untuk mendapatkan decision tree dengan model ID3 (Iterative Dichotomiser Tree). Data yang telah diakuisisi kemudian diklasifikasi ke dalam 3 kelas yaitu baik, kurang dan buruk dengan menggunankan aturan dari decision tree yang dihasilkan pada proses training. Hasil pengujian dengan metode k-fold cross validation dengan k=5 didapatkan akurasi sebesar 96.67%.]]>
<![CDATA[Implementasi Vector Space Model dalam Pembangkitan Frequently Asked Questions Otomatis dan Solusi yang Relevan untuk Keluhan Pelanggan ]]>
<![CDATA[Aziz, Abdul]]>;
<![CDATA[Saptono, Ristu]]>;
<![CDATA[Suryajaya, Kartika Permatasari]]>
<![CDATA[ Scientific Journal of Informatics Vol 2, No 2 (2015): November 2015 ]]>
Publisher : <![CDATA[Universitas Negeri Semarang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.15294/sji.v2i2.5076
<![CDATA[Salah satu keunggulan dari sebuah lembaga/unit pelayanan adalah seberapa cepat dan akurat dalam menangani keluhan pelanggan. Keluhan yang disampaikan pelanggan umumnya memiliki kesamaan dengan keluhan-keluhan sebelumnya, sehingga solusi dari keluhan baru dapat didasarkan pada solusi yang diberikan pada keluhan lama. Vector Space Model (VSM) merupakan salah satu model yang digunakan untuk mengetahui kemiripan dokumen, yang digunakan dalam membangkitkan FAQ otomatis. Pembobotan term dilakukan dengan teknik Term Frequency-Inverse Document Frequency (TF-IDF). Kombinasi notasi TF-IDF yang dibandingkan adalah TF-IDF itu sendiri, modifikasi logaritmik TF dan modifikasi logaritmik IDF. Similarity measure yang digunakan adalah cosine similarity. Hasil dari penelitian ini adalah algoritma VSM dengan pembobotan TF-IDF dapat digunakan untuk membangkitkan FAQ otomatis dan solusi yang relevan. Berdasarkan hasil perhitungan accuracy pada masing- masing percobaan dapat disimpulkan bahwa pada threshold 0.5, kombinasi notasi TF-IDF yang memiliki nilai rata-rata accuracy dan precision tertinggi adalah modifikasi pertama, yaitu masing-masing sebesar 62.09% dan 55.15%. Sedangkan untuk threshold 0.65 yang memiliki nilai rata-rata accuracy dan precision tertinggi adalah TF-IDF, yaitu masing-masing sebesar 83.18% dan 68.35%. Selain itu percobaan dengan menggunakan 171 data, TF-IDF dan threshold 0.65 dapat membangkitkan 27 FAQ, yaitu dengan persentase 70.37% relevan.]]>
<![CDATA[PENINGKATAN AKURASI ESTIMASI UKURAN PERANGKAT LUNAK DENGAN MENERAPKAN LOGIKA SAMAR METODE MAMDANI ]]>
<![CDATA[Saptono, Ristu]]>;
<![CDATA[Hutama, Galih Dian]]>
<![CDATA[ Scientific Journal of Informatics Vol 2, No 1 (2015): May 2015 ]]>
Publisher : <![CDATA[Universitas Negeri Semarang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.15294/sji.v2i1.4527
<![CDATA[Salah satu kunci sukses dari pengembangan perangkat lunak adalah perencanaan. Untuk membuat perencanaan yang baik diperlukan estimasi ukuran perangkat lunak yang akan dibangun. Ukuran perangkat lunak biasanya disajikan dalam bentuk Lines of Code (LOC). Metode Function Point Analysis (FPA) merupakan metode yang paling sering digunakan untuk memperkirakan ukuran perangkat lunak dalam satuan LOC. Akurasi dari FPA bisa ditingkatkan dengan cara penyesuaian nilai bobot pada tabel Function Point Complexity. Metode yang digunakan untuk penyesuaian nilai bobot adalah metode logika samar Mamdani. Evaluasi dilakukan dengan cara membandingkan galat relatif antara hasil pengukuran FPA murni, FPA modifikasi Mamdani model 1, FPA modifikasi Mamdani model 2 serta nilai tengah antara model 1 dan model 2, dengan nilai LOC sebenarnya dari perangkat lunak. Model 1 dan model 2 dibedakan oleh nilai himpunan fuzzy pada proses fuzzifikasi. Sebanyak 13 perangkat lunak digunakan untuk pengujian. Hasilnya estimasi menggunakan FPA nilai tengah memberikan hasil terbaik dengan galat terkecil yaitu 1,6% dibandingkan FPA modifikasi Mamdani model 1 (2%), FPA model 2 (3,2%) dan FPA Murni (3,4%). Perbedaan galat relatif tersebut mempunyai tingkat kepercayaan secara statistika sebesar 76%.]]>
<![CDATA[The Effect of Best First and Spreadsubsample on Selection of a Feature Wrapper With Naïve Bayes Classifier for The Classification of the Ratio of Inpatients ]]>
<![CDATA[Wijaya, M Rizky]]>;
<![CDATA[Saptono, Ristu]]>;
<![CDATA[Doewes, Afrizal]]>
<![CDATA[ Scientific Journal of Informatics Vol 3, No 2 (2016): November 2016 ]]>
Publisher : <![CDATA[Universitas Negeri Semarang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.15294/sji.v3i2.7910
<![CDATA[Diabetes can lead to mortality and disability, so patients should be inpatient again to undergo treatment again to be saved. On previous research about feature selection with greedy stepwise forward fail to predict classification ratio inpatient of patient with the result of recall and precision 0 on data training 60%, 75%, 80%, and 90% and there is suggestion to handle unbalanced class data problem by comparison of data readmitted 6293 and the otherwise 64141. The research purposed to know the effect of choosing the best model using best first instead of greedy stepwise forward and data sampling with spreadsubsample to resolve unbalanced class data problem. The data used was patient data from 130 American Hospital in 1999 until 2008 with 70434 data. The method that used was best first search and spreadsubsample. The result of this research are precision found 0.4 and 0.333 on training dataset 75% and 90% with best first method, while spreadsubsample method found that value of precision and recall is more significantly increased. Spreadsubsample has more effect with the result of precision and recall rather than using best first method.]]>
