Garuda - Garba Rujukan Digital

Implementasi Treemap untuk Visualisasi Data Angka Kesakitan (Morbiditas) (Studi Kasus: Dinas Kesehatan Indragiri Hilir) Muhammad Ridha; Muhammad Affandes; Eka Pandu Cynthia; Pizaini Pizaini
Jurnal Nasional Komputasi dan Teknologi Informasi (JNKTI) Vol 5, No 2 (2022): April 2022
Publisher : Program Studi Teknik Informatika, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v5i2.4147

Dinas Kesehatan Indragiri Hilir merupakan instansi pemerintah yang memegang peranan penting dalam pengawasan dan pemantauan perkembangan kesehatan di Kabupaten Indragiri Hilir. Sebagai pihak yang bertanggung jawab dibidang kesehatan, Dinas Kesehatan memerlukan pendataan mengenai angka kesakitan (morbiditas) masyarakat Indragiri Hilir yang dikelompok berdasarkan penyakit, umur, jenis kelamin, kasus baru-lama yang ada disetiap UPT Puskesmas di Kabupaten Indragiri Hilir. Setiap bulannya, UPT Puskesmas di kecamatan melaporkan angka kesakitan (morbiditas) ke Dinas Kesehatan Indragiri Hilir untuk direkapitulasi. Namun laporan masih dalam bentuk format file excel dan tabel, sehingga data harus dilihat satu persatu dan memahami data membutuhkan waktu yang lama. Maka dibutuhkanlah sistem yang dapat memvisualisasikan data untuk memudahkan melihat data dan mengambil keputusan. Sistem ini dibangun menggunakan metode Treemap. Metode ini dapat memvisualisasikan data secara menyeluruh dan detail berdasarkan kategori data dengan jumlah data ratusan hingga ribuan yang ditampilkan dalam satu waktu. Berdasarkan hasil pengujian yang dilakukan menggunakan metode Black Box dan User Acceptance Test, sistem visualisasi menggunakan Treemap berhasil dibangun dan berjalan dengan baik dalam memvisualisasikan data angka kesakitan (morbiditas) di Indragiri Hilir dengan memperoleh hasil pengujian 95.10% untuk kategori sangat bagus menggunakan perhitungan skala Likert.

Penerapan Data Mining Dalam Mencari Pola Asosiasi Data Tracer Study Menggunakan Equivalence Class Transformation (ECLAT) Khairul Amri; Alwis Nazir; Elin Haerani; Muhammad Affandes; Reski Mai Candra; Amany Akhyar
Jurnal Nasional Komputasi dan Teknologi Informasi (JNKTI) Vol 5, No 3 (2022): Juni 2022
Publisher : Program Studi Teknik Informatika, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v5i3.4408

Abstrak - Tracer study adalah sebuah pendekatan yang diterapkan universitas untuk memperoleh informasi tentang kemungkinan kelemahan dalam proses pendidikan dan proses pembelajaran yang menjadi dasar perencanaan aktivitas untuk penyempurnaan di masa mendatang. Pada Universitas Islam Negeri Sultan Syarif Kasim Riau belum pernah ada tracer study yang komprehensif dan terstruktur dalam ruang lingkup universitas. Tracer study yang dilakukan hanya dalam lingkup program studi dan hanya dilaksanakan menjelang proses akreditasi prodi. Tidak ada tracer study yang rutin dilakukan di tingkat program studi dan universitas setiap tahunnya. Pada penelitian ini akan berfokus kepada penerapan data mining untuk mencari pola asosiasi pada data tracer study menggunakan Equivalence Class Transformation (ECLAT). Dari hasil penelitian terdapat 4 pola yang memenuhi support 13% dan confidence 80% dengan pengujian lift rasio 1. Pola tersebut diantaranya Jika ipk antara 3 – 3,5 dan gaji pertama dibawah 3 juta dan laki-laki maka status kelulusan tidak tepat waktu dan “masa tunggu mendapatkan pekerjaan pertama kurang dari 6 bulan” dengan support 17% dan confidence 84%. Jika ipk antara 3 – 3,5 dan perempuan maka “masa tunggu mendapatkan pekerjaan pertama kurang dari 6 bulan” dan hubungan pekerjaan dengan jurusan sesuai dengan support 14 % dan confidence 100%.Kata kunci: Tracer Study, Data Mining, Asosiasi, Equivalence Class Transformation, Eclat Abstract - Tracer study is an approach applied by universities to obtain important information in the education and learning process which is the basis for planning activities for future improvement. At UIN SUSKA University there has never been a comprehensive and structured tracer study within the scope of the university. There is no routine tracer study conducted at the study program and university level every year. This research will focus on the application of data mining to find association rules in tracer study data using ECLAT. From the research results, there are 4 patterns that meet the support of 13% and 80% confidence with a lift ratio test 1. The patterns include If the ipk is between 3 - 3.5 and the first salary is below 3 million and male then the graduation status is not on time and the waiting period to get the first job is less than 6 months with 17% support and 84% confidence. If the ipk is between 3 - 3.5 and female, then the waiting period to get the first job is less than 6 months and the job relationship with the major is in accordance with the support of 14% and confidence 100%.Keywords: Tracer Study, Data Mining, Asosiasi, Equivalence Class Transformation, Eclat

Pengaruh Hyperparameter Convolutional Neural Network Arsitektur ResNet-50 Pada Klasifikasi Citra Daging Sapi dan Daging Babi Sarah Lasniari; Jasril Jasril; Suwanto Sanjaya; Febi Yanto; Muhammad Affandes
Jurnal Nasional Komputasi dan Teknologi Informasi (JNKTI) Vol 5, No 3 (2022): Juni 2022
Publisher : Program Studi Teknik Informatika, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v5i3.4424

Abstrak - Kasus kecurangan pedagang mencampur daging sapi dengan daging babi masih terjadi hingga saat ini. Membedakan daging sapi dan babi dapat dilakukan dengan mengamati secara langsung satu persatu, tetapi hal ini dapat dilakukan oleh para ahli, Tetapi secara kasat mata masih sulit membedakannya. Perilaku pedagang seperti ini sangat merugikan konsumen khususnya pemeluk agama Islam karena berkaitan dengan makanan yang halal atau haram. Pada penelitain ini menggunakan metode Deep Learning untuk klasifikasi citra dengan Convolutional Neural Network (CNN) arsitektur ResNet-50. Jumlah data sebanyak 457 citra yang terbagi menjadi 3 kelas, yaitu daging babi, daging oplosan dan daging sapi. Setiap kelas memiliki ukuran gambar yang sama yaitu 300 x 300 pixel. Pembagian data menggunakan split data dengan perbandingan 70% data uji : 30% data uji, 80% data latih : 20% data uji, dan 90% data latih : 10% data uji. Hasil dari pengujian model dengan Confusion Matrix menunjukkan performa klasifikasi tertinggi dengan 100% accuracy, 100% precision, dan 100% recall, pada data citra asli dengan penggunaan batch size 32, 0.001 learning rate, epoch 75 dan split data 90% : 10%.Kata kunci: Convolutional Neural Network, Daging Babi dan Sapi, Deep Learning, Klasifikasi Citra, ResNet Abstract - Traders mixing beef and pork are still committing fraud today. Although professionals can discern between beef and pork by watching them one by one, it is still impossible to do so with the naked eye. This kind of behavior is very detrimental to consumers, especially Muslims because it is related to halal or haram food. This research uses Deep Learning method to classify images with Convolutional Neural Network (CNN) ResNet-50 architecture. The number of data is 457 images which are divided into 3 classes, namely pork, mixed meat and beef. Each class has the same image size, which is 300 x 300 pixels. data distribution using split data with a comparison of 70% training data: 30% test data, 80% training data: 20% test data, and 90% training data: 10% test data. The results of model testing using the Confusion Matrix show the highest classification performance with 100% accuracy, 100% precision, and 100% recall, on the original image data using batch size 32, 0.001 learning rate, epoch 75 and split data 90%: 10%..Kata kunci: Convolutional Neural Networ, Deep Learning, Image Classification, Pork and Beef, ResNet

Penerapan Data Mining Dalam Mencari Pola Asosiasi Data Tracer Study Menggunakan Equivalence Class Transformation (ECLAT) Khairul Amri; Alwis Nazir; Elin Haerani; Muhammad Affandes; Reski Mai Candra; Amany Akhyar
Jurnal Nasional Komputasi dan Teknologi Informasi (JNKTI) Vol 5, No 3 (2022): Juni 2022
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v5i3.4408

Abstrak - Tracer study adalah sebuah pendekatan yang diterapkan universitas untuk memperoleh informasi tentang kemungkinan kelemahan dalam proses pendidikan dan proses pembelajaran yang menjadi dasar perencanaan aktivitas untuk penyempurnaan di masa mendatang. Pada Universitas Islam Negeri Sultan Syarif Kasim Riau belum pernah ada tracer study yang komprehensif dan terstruktur dalam ruang lingkup universitas. Tracer study yang dilakukan hanya dalam lingkup program studi dan hanya dilaksanakan menjelang proses akreditasi prodi. Tidak ada tracer study yang rutin dilakukan di tingkat program studi dan universitas setiap tahunnya. Pada penelitian ini akan berfokus kepada penerapan data mining untuk mencari pola asosiasi pada data tracer study menggunakan Equivalence Class Transformation (ECLAT). Dari hasil penelitian terdapat 4 pola yang memenuhi support 13% dan confidence 80% dengan pengujian lift rasio 1. Pola tersebut diantaranya Jika ipk antara 3 – 3,5 dan gaji pertama dibawah 3 juta dan laki-laki maka status kelulusan tidak tepat waktu dan “masa tunggu mendapatkan pekerjaan pertama kurang dari 6 bulan” dengan support 17% dan confidence 84%. Jika ipk antara 3 – 3,5 dan perempuan maka “masa tunggu mendapatkan pekerjaan pertama kurang dari 6 bulan” dan hubungan pekerjaan dengan jurusan sesuai dengan support 14 % dan confidence 100%.Kata kunci: Tracer Study, Data Mining, Asosiasi, Equivalence Class Transformation, Eclat Abstract - Tracer study is an approach applied by universities to obtain important information in the education and learning process which is the basis for planning activities for future improvement. At UIN SUSKA University there has never been a comprehensive and structured tracer study within the scope of the university. There is no routine tracer study conducted at the study program and university level every year. This research will focus on the application of data mining to find association rules in tracer study data using ECLAT. From the research results, there are 4 patterns that meet the support of 13% and 80% confidence with a lift ratio test 1. The patterns include If the ipk is between 3 - 3.5 and the first salary is below 3 million and male then the graduation status is not on time and the waiting period to get the first job is less than 6 months with 17% support and 84% confidence. If the ipk is between 3 - 3.5 and female, then the waiting period to get the first job is less than 6 months and the job relationship with the major is in accordance with the support of 14% and confidence 100%.Keywords: Tracer Study, Data Mining, Asosiasi, Equivalence Class Transformation, Eclat

Implementasi Treemap untuk Visualisasi Data Angka Kesakitan (Morbiditas) (Studi Kasus: Dinas Kesehatan Indragiri Hilir) Muhammad Ridha; Muhammad Affandes; Eka Pandu Cynthia; Pizaini Pizaini
Jurnal Nasional Komputasi dan Teknologi Informasi (JNKTI) Vol 5, No 2 (2022): April 2022
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v5i2.4147

Dinas Kesehatan Indragiri Hilir merupakan instansi pemerintah yang memegang peranan penting dalam pengawasan dan pemantauan perkembangan kesehatan di Kabupaten Indragiri Hilir. Sebagai pihak yang bertanggung jawab dibidang kesehatan, Dinas Kesehatan memerlukan pendataan mengenai angka kesakitan (morbiditas) masyarakat Indragiri Hilir yang dikelompok berdasarkan penyakit, umur, jenis kelamin, kasus baru-lama yang ada disetiap UPT Puskesmas di Kabupaten Indragiri Hilir. Setiap bulannya, UPT Puskesmas di kecamatan melaporkan angka kesakitan (morbiditas) ke Dinas Kesehatan Indragiri Hilir untuk direkapitulasi. Namun laporan masih dalam bentuk format file excel dan tabel, sehingga data harus dilihat satu persatu dan memahami data membutuhkan waktu yang lama. Maka dibutuhkanlah sistem yang dapat memvisualisasikan data untuk memudahkan melihat data dan mengambil keputusan. Sistem ini dibangun menggunakan metode Treemap. Metode ini dapat memvisualisasikan data secara menyeluruh dan detail berdasarkan kategori data dengan jumlah data ratusan hingga ribuan yang ditampilkan dalam satu waktu. Berdasarkan hasil pengujian yang dilakukan menggunakan metode Black Box dan User Acceptance Test, sistem visualisasi menggunakan Treemap berhasil dibangun dan berjalan dengan baik dalam memvisualisasikan data angka kesakitan (morbiditas) di Indragiri Hilir dengan memperoleh hasil pengujian 95.10% untuk kategori sangat bagus menggunakan perhitungan skala Likert.

Pengaruh Hyperparameter Convolutional Neural Network Arsitektur ResNet-50 Pada Klasifikasi Citra Daging Sapi dan Daging Babi Sarah Lasniari; Jasril Jasril; Suwanto Sanjaya; Febi Yanto; Muhammad Affandes
Jurnal Nasional Komputasi dan Teknologi Informasi (JNKTI) Vol 5, No 3 (2022): Juni 2022
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v5i3.4424

Abstrak - Kasus kecurangan pedagang mencampur daging sapi dengan daging babi masih terjadi hingga saat ini. Membedakan daging sapi dan babi dapat dilakukan dengan mengamati secara langsung satu persatu, tetapi hal ini dapat dilakukan oleh para ahli, Tetapi secara kasat mata masih sulit membedakannya. Perilaku pedagang seperti ini sangat merugikan konsumen khususnya pemeluk agama Islam karena berkaitan dengan makanan yang halal atau haram. Pada penelitain ini menggunakan metode Deep Learning untuk klasifikasi citra dengan Convolutional Neural Network (CNN) arsitektur ResNet-50. Jumlah data sebanyak 457 citra yang terbagi menjadi 3 kelas, yaitu daging babi, daging oplosan dan daging sapi. Setiap kelas memiliki ukuran gambar yang sama yaitu 300 x 300 pixel. Pembagian data menggunakan split data dengan perbandingan 70% data uji : 30% data uji, 80% data latih : 20% data uji, dan 90% data latih : 10% data uji. Hasil dari pengujian model dengan Confusion Matrix menunjukkan performa klasifikasi tertinggi dengan 100% accuracy, 100% precision, dan 100% recall, pada data citra asli dengan penggunaan batch size 32, 0.001 learning rate, epoch 75 dan split data 90% : 10%.Kata kunci: Convolutional Neural Network, Daging Babi dan Sapi, Deep Learning, Klasifikasi Citra, ResNet Abstract - Traders mixing beef and pork are still committing fraud today. Although professionals can discern between beef and pork by watching them one by one, it is still impossible to do so with the naked eye. This kind of behavior is very detrimental to consumers, especially Muslims because it is related to halal or haram food. This research uses Deep Learning method to classify images with Convolutional Neural Network (CNN) ResNet-50 architecture. The number of data is 457 images which are divided into 3 classes, namely pork, mixed meat and beef. Each class has the same image size, which is 300 x 300 pixels. data distribution using split data with a comparison of 70% training data: 30% test data, 80% training data: 20% test data, and 90% training data: 10% test data. The results of model testing using the Confusion Matrix show the highest classification performance with 100% accuracy, 100% precision, and 100% recall, on the original image data using batch size 32, 0.001 learning rate, epoch 75 and split data 90%: 10%..Kata kunci: Convolutional Neural Networ, Deep Learning, Image Classification, Pork and Beef, ResNet

Title

Found 6 Documents
Search
Journal : Jurnal Nasional Komputasi dan Teknologi Informasi

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 6 Documents Search Journal : Jurnal Nasional Komputasi dan Teknologi Informasi

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 6 Documents
Search
Journal : Jurnal Nasional Komputasi dan Teknologi Informasi