Article Per Year (5 Year)
p-Index From 2019 - 2024
0
P-Index
This Author published in this journals
All Journal Proceedings Konferensi Nasional Sistem dan Informatika (KNS&I) CSRID (Computer Science Research and Its Development Journal)
Bambang Lareno, Bambang
STMIK Indonesia Banjarmasin
Computer Science & IT Control & Systems Engineering

Published : 6 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 6 Documents
Search

 1 
Modified Nearest Neighbor Untuk Prediksi Curah Hujan Muhammad, Muhammad; Lareno, Bambang
Proceedings Konferensi Nasional Sistem dan Informatika (KNS&I) 2015
Publisher : Proceedings Konferensi Nasional Sistem dan Informatika (KNS&I)

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (864.203 KB)

Abstract

Telah banyak penelitian mengenai prediksi curah hujan berbasis neural network, dan umumnya memakai data tahunan. Belum diketahui bagaimana jika menggunakan algoritma klasifikasi yang dimodifikasi untuk menganalisa data tersebut, seperti Nearest Neighbor. Berdasarkan hal tersebut, maka penelitian ini bertujuan untuk menguji akurasi prediksi curah hujan algoritma berbasis Nearest Neighbor dan membandingkannya dengan hasil prediksi Back Propagation Neural Network. Dari hasil penelitian dapat disimpulkan bahwa akurasi terbaik untuk prediksi 12 bulan, dihasilkan oleh BPNN–lm, 82,46%. sedangkan untuk prediksi 24 bulan, MAPE terbaik dihasilkan BPNN-lm. Sedangkan RMSE dan MAD, dihasilkan oleh BPNN-scg. Algoritma KNN belum dapat memprediksi lebih akurat dari pada BPNN Levenberg-Marquardt dalam memprediksi curah hujan. Penerapan KNN memiliki nilai lebih, yaitu memperlebar area penerapan algoritma klasifikasi NN yaitu pada prediksi timeseries curah hujan.
Penerapan Algoritma Decision Tree Untuk Penilaian Agunan Pengajuan Kredit Setiadi, Budi; Lareno, Bambang
Proceedings Konferensi Nasional Sistem dan Informatika (KNS&I) 2015
Publisher : Proceedings Konferensi Nasional Sistem dan Informatika (KNS&I)

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (689.958 KB)

Abstract

Masih terdapat kemungkinan kesalahan penilaian agunan sebagai acuan nilai kredit, yang akan membuka peluang terjadinya NPL. Jadi diperlukan suatu cara penilaian (prediksi nilai) yang cukup proporsional, kredibel dan akurat. Prediksi yang tidak akurat menyebabkan perencanaan manajemen kredit yang tidak tepat. Prediksi nilai agunan telah menarik minat banyak peneliti karena nilai pentingnya baik di teoritis dan empiris. Model yang berbeda dapat memberikan keakuratan yang berbeda pula. Karena itu penelitian ini bertujuan menerapkan algoritma decision tree C.45 untuk penilaian agunan pengajuan kredit. Penelitian ini menggunakan data agunan pengajuan kredit di Kota Banjarmasin. Evaluasi kinerja algoritma menggunakan precision and recall dan AUC kemudian dibandingkan dan dianalisa hasilnya antara metode analisis lain (Naive Bayes, K-NN) dengan hasil prediksi dengan metode klasifikasi algoritma C4.5. Hasilnya, Decision Tree C4.5 dapat diterapkan dalam penilaian agunan kredit dengan akurasi 71% dan Nilai AUC di atas 0,6. Decision Tree C4.5 memprediksi lebih akurat dari pada k-NN, Naive Bayes dan Perhitungan biasa
Optimasi Conjugate Gradient Pada Backpropagation Neural Network untuk Deteksi Kualitas Daun Tembakau Sari, Yuslena; Marleny, Finki Dona; Ansari, Rudy; Izzana, Meila; P, Ricardus A; Lareno, Bambang
Proceedings Konferensi Nasional Sistem dan Informatika (KNS&I) 2015
Publisher : Proceedings Konferensi Nasional Sistem dan Informatika (KNS&I)

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (629.59 KB)

Abstract

Tembakau merupakan komoditi perkebunan yang memiliki nilai ekonomi tingg, teutama sebagai bahan utama rokok. Produksi rokok memberikan pengaruh pada perekonomian di beberapa negara. Sebelum proses produksi rokok, diperlukan klasifikasi kualitas daun tembakau agar mendapatkan komposisi bahan baku rokok yang tepat. Penilaian kualitas daun tembakau ini terdiri dari dua faktor yaitu human sensory dan human vision yang dilakukan oleh grader. Perkembangan teknologi informasi saat ini mampu melakukan pengolahan citra sehingga dapat memaksimalkan faktor human vision yang diharapkan dapat menghemat waktu dan biaya. Pada penelitian ini, deteksi kualitas daun tembakau didasarkan pada dua ekstraksi fitur daun tembakau yaitu bentuk dan tekstur. Kedua fitur tersebut nantinya akan diklasifikasikan menggunakan optimasi Conjugate Gradient pada Backpropagation Neural Network. Hasilnya, metode yang digunakan mampu meningkatkan tingkat akurasi deteksi kualitas daun tembakau. Peningkatan akurasi untuk klasifikasi grade daun tembakau dengan metode backpropagation neural network mencapai akurasi hingga 77,50%.
Penerapan Algoritma Wavelet Neural Network Untuk Prediksi Beban Penyulang Listrik Jangka Pendek Pranata, Indra; Junaidi, Husnul Maad; Lareno, Bambang
Proceedings Konferensi Nasional Sistem dan Informatika (KNS&I) 2015
Publisher : Proceedings Konferensi Nasional Sistem dan Informatika (KNS&I)

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (632.442 KB)

Abstract

Prediksi beban listrik jangka pendek dapat dilakukan dengan pendekatan analisa neural network. Karena itu penelitian ini akan menggunakan algoritma Wavelet Neural Network (WNN) sebagai pendekatan untuk memprediksi beban penyulang listrik jangka pendek. Algoritma yang telah dikembangkan dalam penelitian ini akan diterapkan pada data beban penyulang melalui suatu model simulasi. Algoritma akan implementasikan menggunakan MatLab 2009b. Data April 2010-April 2011 akan dipergunakan sebagai data training dan Data Mei 2011 akan digunakan sebagai data checking. Evaluasi dilakukan dengan mengamati hasil prediksi beban penyulang jangka pendek dari penerapan WNN. Pengukuran kinerja dilakukan dengan menghitung rata-rata error yang terjadi melalui besaran Mean Square Error (MSE). Hasilnya, WNN memiliki prediksi beban listrik dengan tingkat akurasi yang lebih baik, dengan tingkat error lebih rendah bila dibandingkan dengan algoritma BPNN.
Klasifikasi Faktor Yang Mempengaruhi Asfiksia Menggunakan Multilayer Perceptron Neural Network Marleny, Finki Dona; Swastina, Liliana; Lareno, Bambang; Mambang, Mambang
Proceedings Konferensi Nasional Sistem dan Informatika (KNS&I) 2015
Publisher : Proceedings Konferensi Nasional Sistem dan Informatika (KNS&I)

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (529.617 KB)

Abstract

Asfiksia merupakan gejala yang disebabkan oleh cedera pada sistem saraf pusat, yang meliputi otak dan sumsum tulang belakang. Asfiksia dapat dipengaruhi oleh beberapa faktor secara langsung atau tidak yaitu pada ibu, bayi dan saat persalinan. Makalah ini mengusulkan klasifikasi menggunakan algoritma multilayer perceptron untuk pengklasifikasian faktor yang mempengaruhi kejadian Asfiksia. Pada penelitian ini ada 13 faktor yang digunakan untuk mendukung metode MLP Neural Network dalam mengklasifikasi faktor yang mempengaruhi asfiksia, sehingga didapatkan tingkatan pada kejadian asfiksia yaitu asfiksia sedang dan asfiksia berat. Hasil training dan testing, pada hasil training MLPNN dengan menggunakan fungsi aktivasi output layer identitas hanya dapat menghasilkan akurasi klasifikasi 84,3% dan 81,5%. Untuk pengujian didapatkan akurasi 87,7% dan 84,4%. Sedangkan untuk hasil training MLP dengan menggunakan fungsi aktivasi output layer sigmoid menghasilkan akurasi 94,5% dan 91,6%. Untuk hasil pengujian didapatkan akurasi lebih baik yaitu 90,5% dan 89,0%.
ANALISA DAN PERBANDINGAN AKURASI MODEL PREDIKSI RENTET WAKTU ARUS LALU LINTAS JANGKA PENDEK Lareno, Bambang
CSRID (Computer Science Research and Its Development Journal) Vol 6, No 3 (2014): CSRID OKtober 2014
Publisher : Universitas Potensi Utama

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (784.171 KB) | DOI: 10.22303/csrid.6.3.2014.148-158

Abstract

Abstrak Terdapat banyak algoritma yang dapat dipakai untuk memprediksi arus lalu lintas, namun belum diketahui algoritma manakah yang memiliki kinerja lebih akurat untuk lalu lintas di Indonesia. Algoritma-algoritma tersebut perlu diuji untuk mengetahui algoritma manakah yang memiliki kinerja lebih akurat. Metode yang diusulkan adalah metode perbandingan tingkat akurasi dari algoritma berbasis neural network yang bisa digunakan untuk prediksi data rentet waktu. Algoritma yang akan diuji adalah back Propagation Neural Network (BP-NN), Adaptive Neuro Fuzzy Inference System (ANFIS), Wavelet Neural Network (WNN), dan Evolving Neural Network (ENN), yang digunakan untuk memprediksi arus lalulintas. Masing-masing algoritma akan implementasikan dengan menggunakan MatLab 2009b. Pengukuran kinerja dilakukan dengan menghitung rata-rata error yang terjadi melalui besaran Root Mean Square Error (RMSE), Mean Absolute Percentage Error (MAPE) dan Mean Absolute Deviation (MAD). Semakin kecil nilai dari masing-masing parameter kinerja ini menyatakan semakin dekat nilai prediksi dengan nilai sebenarnya. Dalam penelitian ini diketahui bahwa Algoritma ENN memprediksi arus lalu lintas dengan lebih akurat.
Co-Authors A.A. Ketut Agung Cahyawan W Budi Setiadi, Budi Finki Dona Marleny Husnul Maad Junaidi, Husnul Maad Indra Pranata, Indra Liliana Swastina Mambang Meila Izzana, Meila Ricardus A P, Ricardus A Rudy Ansari Yuslena Sari, Yuslena