Claim Missing Document
Check
Articles

Klasifikasi Varietas Tanaman Kelengkeng Berdasarkan Morfologi Daun Menggunakan Backpropagation Neural Network dan Probabilistic Neural Network Hermawan Syahputra; Agus Harjoko
IJCCS (Indonesian Journal of Computing and Cybernetics Systems) Vol 5, No 3 (2011): November
Publisher : IndoCEISS in colaboration with Universitas Gadjah Mada, Indonesia.

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22146/ijccs.5206

Abstract

Pengenalan daun memainkan peran penting dalam klasifikasi tanaman dan isu utamanya terletak pada apakah fitur yang dipilih stabil dan memiliki kemampuan yang baik untuk membedakan berbagai jenis daun. Pengenalan tanaman berbantuan komputer merupakan tugas yang masih sangat menantang dalam visi komputer karena kurangnya model atau skema representasi yang tepat. Fokus komputerisasi pengenalan tanaman hidup adalah untuk mengukur bentuk geometris berbasis morfologi daun. Informasi ini memainkan peran penting dalam mengidentifikasi berbagai kelas tanaman. Pada penelitian ini dilakukan pengenalan jenis tanaman berdasarkan fitur yang menonjol dari daun seperti fisiologis panjang (physiological length), lebar (physiological width), diameter,  keliling (leaf perimeter), luas (leaf area), faktor mulus (narrow factor), rasio aspek (aspect ratio), factor bentuk (form factor), rectangularity, rasio perimeter terhadap diameter, rasio perimeter panjang fisiologi dan lebar fisiologi yang dapat digunakan untuk membedakan satu sama lain. Berdasarkan hasil pengujian, ditunjukkan bahwa hasil pencocokkan daun kelengkeng dengan menggunakan neural network lebih baik dibandingkan dengan hasil pencocokkan daun kelengkeng dengan menggunakan probabilistic neural network. Akan tetapi ekstraksi fitur dengan menggunakan morfologi belum dapat memberikan informasi pembeda yang signifikan bagi pengenalan tanaman varitas kelengkeng berdasarkan daunnya.Keywords— klasifikasi, morfologi daun, neural network, probabilistic neural network
Penentuan Klas Sidik Jari Berdasarkan Arah Kemiringan Ridge Sri Suwarno; Agus Harjoko
IJCCS (Indonesian Journal of Computing and Cybernetics Systems) Vol 5, No 3 (2011): November
Publisher : IndoCEISS in colaboration with Universitas Gadjah Mada, Indonesia.

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22146/ijccs.5208

Abstract

Researches on  fingerprint  classification are generally based on its features such as core and delta. Extraction of these features are generally preceded by a variety of preprocessing. In this study the classification is done directly on the fingerprint image without preprocessing. Feature used as the basis for classification is the direction of the ridge. The direction of the ridge  is determined by the slope of the blocks that are exist on every ridge. Fingerprint image is divided into blocks of size 3x3 pixels and the direction of each block is determined. Direction of the slope of the block are grouped into 8, these are  north, north-east, east, south-east, south, south-west, west and north-west. The number of blocks in each direction form the basis of classification using Learning Vector Quantization network (LVQ). This study used 80 data samples from the database of FVC2004. This model obtained classification accuracy of up to 86.3%. Keywords—fingerprint, classification, ridge, LVQ
Klasifikasi Lagu Berdasarkan Genre pada Format WAV Nurmiyati Tamatjita; Agus Harjoko
IJCCS (Indonesian Journal of Computing and Cybernetics Systems) Vol 8, No 2 (2014): July
Publisher : IndoCEISS in colaboration with Universitas Gadjah Mada, Indonesia.

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22146/ijccs.6542

Abstract

AbstrakDalam dunia yang berkembang pesat, media audio semakin komplek. Karena itulah diperlukan sebuah mekanisme penentuan jenis lagu (genre) yang tepat secara efektif dan efisien.  Pencarian secara manual sudah tidak efektif dan efisien lagi karena banyaknya data yang tersimpan.          Zero Crossing Rate (ZCR), Average Energy (E) dan Silent Ratio (SR) adalah 3 Feature Extraction yang digunakan untuk klasifikasi pencarian 12 genre.Tiga dimensi adalah bentuk visualisasi pengukuran tingkat kemiripan sebuah data berdasarkan hasil klasifikasi yang diinput oleh user.            Dalam penelitian ini pengujian klasifikasi menggunakan metode 3, 6, 9 dan 12 genre melalui jarak terdekat (Euclidean Distance). Hasil pengujian yaitu menunjukkan bahwa 3 genre yaitu Balada, Blues dan Classic menunjukkan = 96,67%, 6 genre yaitu Balada, Blues, Classic, Harmony, Hip Jop dan Jazz menunjukkan = 70% dan 9 genre yaitu Balada, Blues, Classic, Harmony, Hip Hop, Jazz, Keroncong, Latin dan Pop menunjukkan = 53,33% serta 12 genre = 33,33% Kata Kunci— Zero Crossing Rate (ZCR), Average Energy (E), Silent Ratio (SR), Euclidean Distance  Abstract            Music genre is getting complex from time to time. As the size of digital media grows along with amount of data, manual search of digital audio files according to its genre is considered impractical and inefficient; therefore a classification mechanism is needed to improve searching.            Zero Crossing Rate (ZCR), Average Energy (E) and Silent Ratio (SR) are a few of features that can be extracted from digital audio files to classify its genre. This research conducted to classify digital audio (songs) into 12 genres: Ballad, Blues, Classic, Harmony, Hip Hop, Jazz, Keroncong, Latin, Pop, Electronic, Reggae and Rock using above mentioned features, extracted from WAV audio files. Classification is performed several times using selected 3, 6, 9 and 12 genres respectively.            The result shows that classification of 3 music genres (Ballad, Blues, Classic) has the highest accuracy (96.67%), followed by 6 genres (Ballad, Blues, Classic, Harmony, Hip Hop, Jazz) with 70%, and 9 genres (Ballad, Blues, Classic, Harmony, Hip Hop, Jazz, Keroncong, Latin, Pop) with 53.33% accuracy. Classification of all 12 music genres yields the lowest accuracy of 33.33%.   Keywords— Zero Crossing Rate (ZCR), Average Energy (E), Silent Ratio (SR), Euclidean Distance
Perbandingan Ekstraksi Ciri Full, Blocks, dan Row Mean Spectrogram Image Dalam Mengidentifikasi Pembicara La Ode Hasnuddin Sagala; Agus Harjoko
IJCCS (Indonesian Journal of Computing and Cybernetics Systems) Vol 8, No 2 (2014): July
Publisher : IndoCEISS in colaboration with Universitas Gadjah Mada, Indonesia.

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22146/ijccs.6543

Abstract

AbstrakPada sebuah sistem recognition, pemilihan metode ekstraksi ciri dan ukuran fitur yang digunakan mempengaruhi tingkat keakuratan identifikasi. Berkaitan dengan hal itu, dalam penelitian ini akan dijabarkan perbandingan tiga metode ekstraksi ciri CBIR yaitu row mean image, full image, dan blocks image. Ketiga metode tersebut digunakan untuk mengidentifikasi pembicara dengan menitikberatkan pada ukuran selection feature vector yang digunakan.Data suara diperoleh dari rekaman suara menggunakan handphone. Rekaman suara berasal dari 10 orang narasumber dengan rincian 5 pria dan 5 wanita. Setiap narasumber mengucapkan lima buah kalimat yaitu Selamat Pagi, Selamat Siang, Selamat Sore, Selamat Malam, dan Dengan Siapa serta diulangi delapan kali tiap kalimat.Karena menerapkan metode CBIR maka rekaman suara yang berbentuk sinyal dikonversi menjadi image spectrogram menggunakan STFT. Kemudian spectrogram diimplementasikan ke kekre transform lalu diekstrasi cirinya. Penggunaan kekre transform bertujuan untuk menyeleksi dan mengambil kemungkinan-kemungkinan fitur yang optimal serta juga meringankan proses komputasi.Menggunakan data reference 250 image spectrogram dan data testing 150 image spectrogram memberikan hasil bahwa metode ekstraksi ciri full image memperoleh persentase identifikasi lebih tinggi yaitu 93,3% dengan ukuran fitur 32x32. Kata kunci— Identifikasi pembicara, Spektrogram, Transformasi kekre, Full image, Blocks Image, Row mean image AbstractOn a system of recognition, selection feature extraction method and feature size are used in identification affects identication rate. In that regard, this study will presents comparison three feature extraction methods namely row mean image, full image, and blocks image. The third method used to identify the speaker with a focus on the size selection feature vector are used. Sound data obtained from the mobile phone voice recording. Sound recording derived from 10 speakers consisting of 5 men and 5 women. Every speakers pronounce five sentences are Selamat Pagi, Selamat Siang, Selamat Sore, Selamat Malam, and Dengan siapa as well as repeated eight times.Because applying CBIR methods then the sound recording signal is converted into an image spectrogram using STFT. Spectrogram is formed implemented in kekre transform to extract feature. Using kekre transform aims to select and take the possibilities optimal feature also relieves the computing process.Using reference data 250 spectrogram and testing data 150 spectrogram produces results that the full image feature extraction methods obtain a higher percentage identification rate is 93,3% with a feature size of 32x32. Keywords— Speaker identification, Spectrogram, Kekre Transform, Full Image, Blocks Image, Row Mean Image
Analisis Tekstur untuk Klasifikasi Motif Kain (Studi Kasus Kain Tenun Nusa Tenggara Timur) Nicodemus Mardanus Setiohardjo; Agus Harjoko
IJCCS (Indonesian Journal of Computing and Cybernetics Systems) Vol 8, No 2 (2014): July
Publisher : IndoCEISS in colaboration with Universitas Gadjah Mada, Indonesia.

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22146/ijccs.6545

Abstract

AbstrakIndonesia memiliki banyak kekayaan budaya dalam bentuk kain tradisional, salah satunya kain tenun dari Nusa Tenggara Timur (NTT). Kain tenun dari tiap etnik di NTT memiliki cirikhas motif masing-masing yang merupakan manifestasi kehidupan sehari-hari, kebudayaan dan kepercayaan masyarakat setempat. Di mata pemerhati kain tenun NTT, asal kain tenun dapat diketahui dari motifnya. Tidak semua orang dapat membedakan asal daerah dari motif kain tenun tertentu dikarenakan sulitnya mendefinisikan karakteristik motif kain tenun suatu daerah dan beragamnya motif kain tenun yang ada dan komposisi warna yang beragam pula.Analisis tekstur adalah teknik analisis citra berdasarkan anggapan bahwa citra dibentuk oleh variasi intensitas piksel, baik citra keabuan maupun warna. Motif kain tenun terbentuk dari variasi intensitas warna sehingga dapat dipandang sebagai tekstur berwarna dari kain tenun. Penelitian ini bertujuan untuk mengetahui diantara pendekatan analisis tekstur menggunakan Gray Level Co-occurrence Matrix (GLCM) yang dikombinasikan dengan momen warna dan pendekatan analisis tekstur menggunakan Color Co-occurrence Matrix (CCM), metode manakah yang memberikan hasil lebih baik untuk klasifikasi motif kain tenun NTT.Hasil penelitian menunjukkan bahwa untuk klasifikasi motif kain tenun NTT, pendekatan analisis tekstur menggunakan metode CCM memberikan hasil lebih baik dibandingkan pendekatan analisis tekstur menggunakan GLCM yang dikombinasikan dengan momen warna. Kata kunci—klasifikasi citra, GLCM, CCM, momen warna, motif kain tenun NTT AbstractIndonesia have many culture in the form of traditional fabrics, one of them is woven fabric from Nusa Tenggara Timur (NTT). Each NTT ethnic has motif characteristic which ismanifestation of daily life, culture and the faith of local people. For a NTT woven fabric observer, the origin of a woven fabric can be known from the motif. But its difficult to recognising the origin of a woven fabrics because it is hard to define the characteristics of woven fabric motif from a region and wide variety of existing woven fabric motifs and also color composition.Texture analysis is image analysis technique based on assumption that an image formed by the variation of pixels intensity, both gray and color image. Woven fabric motif formed by the variation of color intensity that can be seen as color texture of the woven fabric. This study aims to determine between texture analysis using GLCM combined with color moment and texture analysis using CCM, which method gives better results for the NTT woven fabric motif classification.The results showed that for the NTT woven fabric motif classification, texture analysis using CCM gives better results than the texture analysis using GLCM combined with color moment. Keywords— image classification, GLCM, CCM, color moment, NTT woven fabric motif
Penerapan Algoritma Invasive Weed Optimnization untuk Penentuan Titik Pusat Klaster pada K-Means I Putu Adi Pratama; Agus Harjoko
IJCCS (Indonesian Journal of Computing and Cybernetics Systems) Vol 9, No 1 (2015): January
Publisher : IndoCEISS in colaboration with Universitas Gadjah Mada, Indonesia.

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22146/ijccs.6641

Abstract

AbstrakK-means merupakan salah satu algoritmaclustering yang paling populer. Salah satu alasan dari kepopuleran K-means adalah karena mudah dan sederhana ketika diimplementasikan. Namun hasil klaster dari K-means sangat sensitif terhadap pemilihan titik pusat awalnya. K-means seringkali terjebak pada solusi lokal optima. Hasil klaster yang lebih baik seringkali baru bisa didapatkan setelah dilakukan beberapa kali percobaan. Penyebab lain seringnya K-means terjebak pada solusi lokal optima adalah karena cara penentuan titik pusat baru untuk setiap iterasi dalam K-means dilakukan dengan menggunakan nilai mean dari data-data yang ada pada klaster bersangkutan. Hal tersebut menyebabkan K-means hanya akan melakukan pencarian calon titik pusat baru disekitar titik pusat awal. Untuk mengatasi permasalahan tersebut, penerapan metode yang memiliki kemampuan untuk melakukan pencarian global akan mampu membantu K-means untuk dapat menemukan titik pusat klaster yang lebih baik. Invasive Weed Optimization merupakan algoritma pencarian global yang terinspirasi oleh proses kolonisasi rumput liar. Pada penelitian ini diusulkan sebuah metode yang merupakan hasil hibridasi dari metode K-means dan algoritma Invasive Weed Optimization (IWOKM). Kinerja dari metode IWOKM telah dicobakan pada data bunga Iris kemudian hasilnya dibandingkan dengan K-means. Dari pengujian yang dilakukan, didapat hasil bahwa metode IWOKM mampu menghasilkan hasil klaster yang lebih baik dari K-means. Kata kunci—K-means, IWO, IWOKM, analisa klaster  AbstractK-means is one of the most popular clustering algorithm. One reason for the popularity of K-means is it is easy and simple when implemented. However, the results of K-means is very sensitive to the selection of initial centroid. The results are often better after several experiment. Another reason why K-means stuck in local optima is due to the method of determining the new center point for each iteration that is performed using the mean value of the data that exist on the cluster. This causes the algorithm will do search for the centroid candidates around the center point. To overcome this, implement a method that is able to do a global search to determine the center point on K-means may be able to assist K-means in finding better cluster center. Invasive Weed Optimization (IWO) is a global search algorithm inspired by weed colonization process. In this study proposed a method which is the result of hybridization of K-means and IWO (IWOKM). Performance of the method has been tested on flower Iris dataset. The results are then compared with the result from K-means. The result show that IWOKM able to produce better cluster center than K-means. Keywords—K-means, IWO, IWOKM, cluster analysis
Content Based Image Retrieval Berdasarkan Fitur Low Level: Literature Review Rahmad Hidayat; Agus Harjoko; Anny Kartika Sari
Jurnal Buana Informatika Vol. 8 No. 2 (2017): Jurnal Buana Informatika Volume 8 Nomor 2 April 2017
Publisher : Universitas Atma Jaya Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24002/jbi.v8i2.1077

Abstract

Abstract. Content-based Image Retrieval (CBIR) is an image search process by comparing the image features sought by the images contained in the database. Low-level features in the image are commonly used in CBIR is the color, texture, and shape. This article conducts a review of journals related to CBIR, particularly research based on low-level features. The journals are then classified based on the color space, features and feature extraction methods. The results show that the color space often used is the RGB and HSV due to their compatibility with the hardware and human perception of color. The features most often used in CBIR is the color feature. This is due to the fact that color features can easily and quickly be extracted. The most often used method to extract the color feature is the color histogram, the most common method used to extract texture features is the gray level co-occurence matrix, and the method most widely used to extract the shape feature is canny edge.Keywords: CBIR, color, texture, shape. Abstrak. Content based Image Retrieval (CBIR) merupakan proses pencarian gambar dengan membandingkan fitur-fitur yang terdapat pada gambar yang dicari dengan gambar yang terdapat dalam basis data. Fitur-fitur low level pada gambar yang biasa digunakan dalam CBIR adalah warna, tekstur, dan bentuk Artikel ini melakukan tinjauan terhadap penelitian-penelitian yang berkaitan dengan CBIR, khususnya penelitian yang berbasis pada fitur low level. Penelitian-penelitian tersebut kemudian diklasifikasikan berdasarkan ruang warna, fitur dan metode ekstraksi fitur. Hasil tinjauan menunjukkan bahwa ruang warna yang sering digunakan adalah RGB dan HSV karena dianggap cocok dengan hardware dan persepsi manusia terhadap warna. Adapun fitur yang paling sering digunakan dalam CBIR adalah fitur warna. Hal ini disebabkan fitur warna mudah dan cepat diekstraksi. Metode yang paling sering digunakan untuk mengekstraksi fitur warna adalah histogram warna, metode yang paling sering digunakan untuk mengekstraksi fitur tekstur adalah gray level co-occurence matrix, dan metode yang paling banyak digunakan untuk, mengekstraksi fitur bentuk adalah canny edge.Kata kunci: CBIR, warna, tekstur, bentuk.
Klasifikasi Mutu Pepaya Berdasarkan Ciri Tekstur GLCM Menggunakan Jaringan Saraf Tiruan Feri Wibowo; Agus Harjoko
Khazanah Informatika Vol. 3 No. 2 Desember 2017
Publisher : Department of Informatics, Universitas Muhammadiyah Surakarta, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23917/khif.v3i2.4516

Abstract

Proses sortasi buah pepaya berdasarkan mutu merupakan salah satu proses yang sangat menentukan mutu buah pepaya yang akan dilepas ke konsumen. Proses identifikasi mutu dengan cara konvensional  menggunakan visual mata manusia memiliki kelemahan di antaranya yaitu membutuhkan tenaga lebih banyak untuk memilah, tingkat persepsi manusia dalam hal pemutuan buah yang berbeda, tingkat konsistensi manusia dalam menilai mutu buah tidak menjamin karena manusia dapat mengalami kelelahan.Penelitian ini bertujuan merancang dan menyusun program pengolahan citra digital dan jaringan saraf tiruan untuk klasifikasi pemutuan buah pepaya (Carica Papaya L) Calina IPB-9 ke dalam tiga kelas mutu yaitu kelas Super, A, dan B. Fitur tekstur yang diekstrak meliputi nilai energy, entropy, contras, homogeneity, invers difference moment, variance, dan dissimilarity yang didapatkan berdasarkan GLCM (gray level cooccurrence matrices). Fitur-fitur tersebut dijadikan sebagai input pada algoritma pelatihan jaringan saraf tiruan backpropagation. Hasil pengujian pada proses pengenalan menunjukan fitur energy, dan entropy dapat membedakan kelas mutu pepaya Calina IPB-9 dengan tingkat akurasi terbaik yaitu sebesar 86.11%.
Identifikasi Gejala Penyakit Tanaman Jeruk Melalui Pengolahan Citra Maura Widyaningsih; Agus Harjoko
Jurnal Sains Komputer dan Teknologi Informasi Vol 3 No 2 (2021): Jurnal Sains Komputer dan Teknologi Informasi
Publisher : Institute for Research and Community Services Universitas Muhammadiyah Palangkaraya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33084/jsakti.v3i2.2294

Abstract

Pengolahan citra adalah trend terkini mendukung suatu pengenalan pola objek citra secara digital, dengan penerapan metode dan konsep dalam menginterprestasikan informasi menjadi pendukung data secara visual. Gejala penyakit pada tanaman dapat terlihat adanya noda pada area objek, sehingga dalam memudahkan pengenalan fitur yang digunakan adalah dengan tekstur, karena tanda penyakit dapat mengenai sekitar atau seluruh area obyek. Usulan yang dibangun diharapkan dapat memberikan solusi untuk melakukan identifikasi gejala suatu penyakit melalui pengolahan citra, dengan melibatkan konsep dan metode. Tahapan yang diterapkan dalam pengelolaan adalah preprocessing, feature extraction, dan identification Metode preprocessing dilakukan dengan resize, clipping, penajaman tekstur dengan usharp mask filter dan konversi RGB ke gray. Feature extraction dengan metode Fast Fourier Transform (FFT) dan Local Binary Pattern (LBP). FFT merupakan ekstraksi cepat pada transformasi fourier, sedangkan LBP merupakan ekstraksi ciri dengan diskripsi pola pada citra gray. Proses identifikasi dengan metode Probabilistic Neural Network (PNN) dalam melakukan klasifikasi yang mendukung proses identifikasi terhadap penyakit tanaman, jumlah data yang digunakan 233, terbagi dalam 157 data latih dan 76 data uji. Hasil klasifikasi terhadap data latih menunjukan hasil maksimal untuk semua citra batang, daun, dan buah. Sedang untuk data uji hasilnya tertinggi identifikasi pada penerapan ekstraksi ciri dengan FFT dibandingkan dengan LBP ataupun gabungan kedua ekstraksi ciri tersebut.
RANCANG BANGUN LOCATION BASED SERVICE SEBAGAI SARANA PROMOSI MENGGUNAKAN TEKNIK LAYANAN MOBILE COUPON Ika Arfiani; Agus Harjoko
JURNAL INFORMATIKA DAN KOMPUTER Vol 1, No 2 (2017): SEPTEMBER - JANUARI 2017
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat - Universitas Teknologi Digital Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (846.525 KB) | DOI: 10.26798/jiko.v1i2.35

Abstract

Pertumbuhan pengguna layanan mobile data dan mobile internet di Indonesia meningkat pesat dibandingkan voice dan sms. Maraknya penggunaan teknologi mobile semakin membuka peluang besar bagi aplikasi web maupun mobile. Terlebih lagi adanya fase baru dalam berbelanja yakni penggunaan mobile coupon yang memungkinkan konsumen mendapatkan special offers yang bersifat pribadi dari produk kesayangan mereka, hanya dengan memindai Quick Response (QR) code menggunakan smartphone. Pada penelitian ini dilakukan rancang bangun aplikasi Location Based Service untuk memodelkan cara berpromosi dengan menerapkan teknik layanan mobile coupon menggunakan metode Push Notification untuk memberikan informasi iklan secara otomatis ketika pengguna masuk kedalam radius tertentu, sekaligus mendapatkan solusi yang optimal atas pencarian rute terpendek dari sisi jarak tempuh dengan algoritma bee colony optimization. Dimana teknik pencarian lokal menggunakan konsep forward dan backward serta nilai probabilitas suatu jalur dijadikan dasar pada proses transisi jalur, kemudian rute pilihan akan diperoleh dari durasi waggle dance para lebah yang berhasil menemukan posisi tujuan. Beberapa alternatif rute pilihan tersebut kemudian dibandingkan untuk mendapatkan alternatif rute perjalanan yang terpendek. Karena titik-titik lokasi pada aplikasi ini berupa koordinat yang pada permukaan bumi, sehingga dalam perhitungan jaraknya menggunakan metode haversine. Dari hasil pengujian sistem menunjukkan bahwa aplikasi dapat memberikan informasi promosi kepada pengguna, melakukan panggilan telepon ke merchant yang dituju, melakukan share promosi, melakukan subscribe promo, melakukan chek in tempat, serta menampilkan map sekaligus rute terpendek menuju lokasi merchant yang ingin dituju. Pencarian rute terpendek sangat dipengaruhi oleh jumlah lebah yang dilepas, yang mana semakin banyak jumlah lebah yang dilepas maka semakin besar peluang ditemukannya rute terpendek.Kata Kunci: algoritma bee colony optimization, location based service, push notification rute terpendek