Article Per Year (5 Year)
p-Index From 2019 - 2024
0.408
P-Index
This Author published in this journals
All Journal Jurnal Teknologi Informasi dan Ilmu Komputer
Yuslena Sari
Universitas Lambung Mangkurat, Banjarmasin
Computer Science & IT Engineering

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Penerapan Metode K-Means Berbasis Jarak untuk Deteksi Kendaraan Bergerak Yuslena Sari; Andreyan Rizky Baskara; Puguh Budi Prakoso
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 9 No 4: Agustus 2022
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2022945768

Abstract

Deteksi kendaraan bergerak adalah salah satu elemen penting dalam aplikasi Intelligent Transport System (ITS). Deteksi kendaraan bergerak juga merupakan bagian dari pendeteksian benda bergerak. Metode K-Means berhasil diterapkan pada piksel cluster yang tidak diawasi untuk mendeteksi objek bergerak. Secara umum, K-Means adalah algoritma heuristik yang mempartisi kumpulan data menjadi K cluster dengan meminimalkan jumlah kuadrat jarak di setiap cluster. Dalam makalah ini, algoritma K-Means menerapkan jarak Euclidean, jarak Manhattan, jarak Canberra, jarak Chebyshev dan jarak Braycurtis. Penelitian ini bertujuan untuk membandingkan dan mengevaluasi implementasi jarak tersebut pada algoritma clustering K-Means. Perbandingan dilakukan dengan basis K-Means yang dinilai dengan berbagai parameter evaluasi yaitu MSE, PSNR, SSIM dan PCQI. Hasilnya menunjukkan bahwa jarak Manhattan memberikan nilai MSE = 1.328 , PSNR = 21.14, SSIM = 0.83 dan PCQI = 0.79 terbaik dibandingkan dengan jarak lainnya. Sedangkan untuk waktu pemrosesan data memperlihatkan bahwa jarak Braycurtis memiliki keunggulan lebih yaitu 0.3 detik. AbstractDetection moving vehicles is one of important elements in the applications of Intelligent Transport System (ITS). Detection moving vehicles is also part of the detection of moving objects. K-Means method has been successfully applied to unsupervised cluster pixels for the detection of moving objects. In general, K-Means is a heuristic algorithm that partitioned the data set into K clusters by minimizing the number of squared distances in each cluster. In this paper, the K-Means algorithm applies Euclidean distance, Manhattan distance, Canberra distance, Chebyshev distance and Braycurtis distance. The aim of this study is to compare and evaluate the implementation of these distances in the K-Means clustering algorithm. The comparison is done with the basis of K-Means assessed with various evaluation paramaters, namely MSE, PSNR, SSIM and PCQI. The results exhibit that the Manhattan distance delivers the best MSE = 1.328 , PSNR = 21.14, SSIM = 0.83 and PCQI = 0.79 values compared to other distances. Whereas for data processing time exposes that the Braycurtis distance has more advantages 
Perbandingan Metode Pembobotan Tf-Rf Dan Tf-Idf Dikombinasikan Dengan Weighted Tree Similarity Untuk Sistem Rekomendasi Buku Yuslena Sari; Andreyan RIzky Baskara; Puguh Budi Prakoso; Noorhanida Royani
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 9 No 6: Desember 2022
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2022935709

Abstract

Unit Pusat Terpadu Perpustakaan merupakan perpustakaan pusat yang ada di Universitas Lambung Mangkurat. Perpustakaan ini mempunyai sistem pencarian buku namun sistem tersebut belum adanya fitur rekomendasi buku sehingga anggota menjadi kesulitan dalam melakukan pencarian buku yang sesuai dengan keinginan anggota. Oleh karena itu, dengan adanya rekomendasi buku atau saran buku yang lain dapat menjadi alternatif untuk membantu anggota dalam melakukan pencarian buku yang sesuai. Dalam penelitian ini menggunakan perbandingan pembobotan kata TF-IDF dan TF-RF dengan weighted tree similarity sebagai pengukur kemiripan diantara beberapa data dengan parameter tree yang sudah ditentukan dan dilakukan perbandingan perhitungan dengan menghitung tf-idf dengan tf-rf menggunakan perhitungan excel mendapatkan nilai yang berbeda antara tf-idf dengan tf-rf, pembobotan tf-idf dapat mengukur kemiripan antara dokumen dan kata kunci buku yang paling mirip dengan buku yang dianggap paling relevan. Sehingga anggota memasukan kata kunci kemudian akan menemukan kemiripan buku dari kata kunci yang dimasukan sebelumnya namun untuk pembobotan tf-rf memberikan kata kunci dari setiap kategori. Hasil perbandingan yang di dapat yaitu 96% untuk tf-idf dan 98% untuk tf-rf. Sistem ini menggunakan bahasa pemrograman python dengan web framework django. AbstractThe Central Integrated Library Unit is the central library at Lambung Mangkurat University. This library has a book search system but the system does not have a book recommendation feature so that members find it difficult to search for books that match the wishes of members. Therefore, the existence of book recommendations or other book suggestions can be an alternative to assist members in searching for suiTabel books. In this study using a comparison of the weighting of the words TF-IDF and TF-RF with weighted tree similarity as a measure of the similarity between several data and a comparison of calculations is carried out by calculating tf-idf with tf-rf using excel calculations to get different values between tf-idf and tf -rf, tf-idf weighting can measure the similarity between documents and keywords of the book that is most similar to the book that is considered the most relevant. So that members enter keywords and then find the similarity of books from the keywords entered previously but for weighting tf-rf provides keywords from each category. The comparison results obtained are 76% for tf-idf and 80% for tf-rf. This system uses the python programming language with the django web framework.
Co-Authors Andreyan Rizky Baskara Noorhanida Royani Puguh Budi Prakoso