Article Per Year (5 Year)
p-Index From 2019 - 2024
3.93
P-Index
This Author published in this journals
All Journal Perfecting a Video Game with Game Metrics Jurnal Ilmiah Kursor Jurnal Teknologi Informasi dan Ilmu Komputer International Journal of Advances in Intelligent Informatics EMITTER International Journal of Engineering Technology KLIK (Kumpulan jurnaL Ilmu Komputer) (e-Journal) Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Bina Insani ICT Journal Kinetik: Game Technology, Information System, Computer Network, Computing, Electronics, and Control INOVTEK Polbeng - Seri Informatika Technomedia Journal Indonesian Journal of Computer Science El-Mujtama: Jurnal Pengabdian Masyarakat
iwan Syarif
Politeknik Elektronika Negeri Surabaya
Religion Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Social Sciences

Published : 40 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search
Journal : Jurnal Teknologi Informasi dan Ilmu Komputer

 1 
Algoritma Deep Learning-LSTM untuk Memprediksi Umur Transformator Ayu Ahadi Ningrum; Iwan Syarif; Agus Indra Gunawan; Edi Satriyanto; Rosmaliati Muchtar
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 8 No 3: Juni 2021
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2021834587

Abstract

Kualitas dan ketersediaan pasokan listrik menjadi hal yang sangat penting. Kegagalan pada transformator menyebabkan pemadaman listrik yang dapat menurunkan kualitas layanan kepada pelanggan. Oleh karena itu, pengetahuan tentang umur transformator sangat penting untuk menghindari terjadinya kerusakan transformator secara mendadak yang dapat mengurangi kualitas layanan pada pelanggan. Penelitian ini bertujuan untuk mengembangkan aplikasi yang dapat memprediksi umur transformator secara akurat menggunakan metode Deep Learning-LSTM. LSTM adalah metode yang dapat digunakan untuk mempelajari suatu pola pada data deret waktu. Data yang digunakan dalam penelitian ini bersumber dari 25 unit transformator yang meliputi data dari sensor arus, tegangan, dan suhu. Analisis performa yang digunakan untuk mengukur kinerja LSTM adalah Root Mean Squared Error (RMSE) dan Squared Correlation (SC). Selain LSTM, penelitian ini juga menerapkan algoritma Multilayer Perceptron, Linear Regression, dan Gradient Boosting Regressor sebagai algoritma pembanding.  Hasil eksperimen menunjukkan bahwa LSTM mempunyai kinerja yang sangat bagus setelah dilakukan pencarian komposisi data, seleksi fitur menggunakan algoritma KBest dan melakukan percobaan beberapa variasi parameter. Hasil penelitian menunjukkan bahwa metode Deep Learning-LSTM mempunyai kinerja yang lebih baik daripada 3 algoritma lain yaitu nilai RMSE= 0,0004 dan nilai Squared Correlation= 0,9690. AbstractThe quality and availability of the electricity supply is very important. Failures in the transformer cause power outages which can reduce the quality of service to customers. Therefore, knowledge of transformer life is very important to avoid sudden transformer damage which can reduce the quality of service to customers. This study aims to develop applications that can predict transformer life accurately using the Deep Learning-LSTM method. LSTM is a method that can be used to study a pattern in time series data. The data used in this research comes from 25 transformer units which include data from current, voltage, and temperature sensors. The performance analysis used to measure LSTM performance is Root Mean Squared Error (RMSE) and Squared Correlation (SC). Apart from LSTM, this research also applies the Multilayer Perceptron algorithm, Linear Regression, and Gradient Boosting Regressor as a comparison algorithm. The experimental results show that LSTM has a very good performance after searching for the composition of the data, selecting features using the KBest algorithm and experimenting with several parameter variations. The results showed that the Deep Learning-LSTM method had better performance than the other 3 algorithms, namely the value of RMSE = 0.0004 and the value of Squared Correlation = 0.9690.
Analisis Kinerja Algoritma Mesin Pembelajaran untuk Klarifikasi Penyakit Stroke Menggunakan Citra CT Scan Nur Sakinah; Tessy Badriyah; Iwan Syarif
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 7 No 4: Agustus 2020
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2020743482

Abstract

Stroke adalah suatu kondisi dimana pasokan darah ke otak terganggu sehingga bagian tubuh yang dikendalikan oleh area otak yang rusak tidak dapat berfungsi dengan baik. Penyebab stroke antara lain adalah terjadinya penyumbatan pada pembuluh darah (stroke iskemik) atau pecahnya pembuluh darah (stroke hemoragik). Pasien yang terkena stroke harus segera ditangani secepatnya karena sel otak dapat mati dalam hitungan menit. Tindakan penanganan stroke secara cepat dan tepat dapat mengurangi resiko kerusakan otak dan mencegah terjadinya komplikasi. Penelitian ini bertujuan untuk mengembangkan perangkat lunak yang dapat membaca dan menganalisis citra CT scan dari otak, dan kemudian secara otomatis memprediksi apakah citra CT scan tersebut stroke iskemik atau stroke hemoragik. Data citra CT scan berasal dari Rumah Sakit Umum Haji Surabaya yang diambil selama periode Januari-Mei 2019 dan berasal dari 102 pasien yang terindikasi stroke. Sebelum data gambar tersebut diolah dengan menggunakan beberapa algoritma mesin pembelajaran, data tersebut melalui tahap pre-processing yang bertujuan untuk meningkatkan kualitas citra meliputi konversi citra, pemotongan citra, penskalaan, greyscaling, penghilangan noise dan augmentasi. Tahap selanjutnya adalah ekstraksi fitur menggunakan metode Gray-Level Co-Occurrence Matrix (GLCM). Penelitian ini juga bertujuan untuk membandingkan kinerja lima algoritma mesin pembelajaran yaitu Naïve Bayes, Logistic Regression, Neural Network, Support Vector Machine dan Deep Learning yang diterapkan untuk memprediksi penyakit stroke. Hasil percobaan menunjukkan bahwa algoritma Deep Learning menghasilkan tingkat performansi paling tinggi yaitu nilai akurasi 96.78%, presisi 97.59% dan recall 95.92%. AbstractStroke is a condition in which the blood supply to the brain is interrupted so that parts of the body that are controlled by damaged brain areas cannot function properly. Causes of strokes include blockages in blood vessels (ischemic stroke) or rupture of blood vessels (hemorrhagic stroke). Stroke patients must be treated as soon as possible because brain cells can die within minutes. The handling of stroke patients quickly can reduce the risk of brain damage and prevent complications. This study aims to develop software that can read and analyze CT scan images from the brain, and then automatically predict whether the CT scan images are ischemic stroke or hemorrhagic stroke. The CT scan image data came from the Surabaya Hajj General Hospital which was taken during the January-May 2019 period and came from 102 patients who had indicated a stroke. Before the image data is processed using several machine learning algorithms, the data goes through a pre-processing phase which aims to improve image quality including image conversion, image cutting, scaling, greyscaling, noise removal and augmentation. The next step is feature extraction using the Gray-Level Co-Occurrence Matrix (GLCM) method. This study also aims to compare the performance of five machine learning algorithms, namely Naïve Bayes, Logistic Regression, Neural Networks, Support Vector Machines and Deep Learning which are applied to predict stroke. The experimental results show that the deep learning algorithm produces the highest level of performance where the accuracy value is 96.78%, 97.59% precision and 95.92% recall.
Sistem Akuaponik untuk Peternakan Lele dan Tanaman Kangkung Hidroponik Berbasis IoT dan Sistem Inferensi Fuzzy Fachrul Rozie; Iwan Syarif; Muhammad Udin Harun Al Rasyid; Edi Satriyanto
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 8 No 1: Februari 2021
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.0814025

Abstract

Akuaponik adalah penggabungan sistem budidaya akuakultur dan hidroponik yang dapat menjadi solusi untuk mengatasi keterbatasan lahan, keterbatasan sumber air serta meningkatkan ketahanan pangan. Pada sistem akuaponik, kualitas air pada budidaya ikan merupakan salah satu syarat utama dalam keberhasilan proses budidaya. Penelitian ini mengkombinasikan peternakan lele dengan penanaman kangkung hidroponik. Kotoran ikan lele dan sisa makanan terakumulasi di air dan dapat menjadi racun bagi ikan lele karena mengandung kadar anomia yang tinggi sehingga sangat berbahaya jika tidak dibuang. Air ini kemudian dialirkan ke tanaman kangkung hidroponik melalui biofilter yang bermanfaat sebagai pengurai air kotor dari kolam menjadi nitrat dan nitrit yang berguna sebagai nutrisi tanaman. Selanjutnya setelah air menjadi bersih dan mempunyai kadar oksigen yang tinggi, air tersebut dialirkan kembali ke kolam ikan lele. Penelitian ini bertujuan untuk mengembangkan sistem cerdas pada budidaya akuaponik dengan memanfaatkan teknologi Internet of Things yang dilengkapi dengan beberapa jenis sensor untuk memantau dan mengendalikan kualitas air dengan menerapkan algoritma Sistem Inferensi Fuzzy / Fuzzy Inference System (FIS) untuk mengatur kecepatan sirkulasi air kolam agar menghemat daya listrik pada pompa. Peralatan ini juga dilengkapi dengan layanan pemberian pakan ikan secara otomatis yang dapat diprogram sesuai kebutuhan. Sistem akuaponik ini dapat dipantau melalui web maupun ponsel pintar berbasis android. Pengujian yang dilakukan terhadap perbandingan keputusan oleh pakar dan sistem FIS pada kecepatan sirkulasi air sistem akuaponik menunjukkan nilai akurasi 83,33%, dan hasil dari pengujian ketepatan alat pemberi pakan yang dibuat secara otomatis terhadap ketepatan pemberian pakan secara manual memiliki nilai akurasi 90,97%. AbstractAquaponics is a combination of aquaculture and hydroponic cultivation systems that can be a solution to overcoming limited land, limited water sources and increasing food security. In the aquaponics system, water quality in fish farming is one of the main requirements in the success of the cultivation process. This research combines catfish farming with hydroponic kale cultivation. Catfish feces and food scraps accumulate in water and can be toxic to catfish because they contain high levels of anomia so it is very dangerous if not disposed of. This water is then flowed to hydroponic kale plants through a biofilter which is useful as decomposing dirty water from the pond into nitrates and nitrites which are useful as plant nutrients. Furthermore, after the water becomes clean and has high oxygen levels, the water is flowed back into the catfish pond. This study aims to develop a smart system in aquaponic cultivation by utilizing Internet of Things technology which is equipped with several types of sensors to monitor and control water quality by applying the Fuzzy Inference System (FIS) algorithm to regulate the speed of pool water circulation in order to save electric power on the pump. This equipment is also equipped with an automatic fish feeding service which can be programmed as needed. This aquaponics system can be monitored via the web or an Android-based smart phone. Tests carried out on the comparison of decisions by experts and the FIS system on the water circulation speed of the aquaponics system show an accuracy value of 83.33%, and the results of testing the accuracy of the feeder that is made automatically against the accuracy of manual feeding have an accuracy value of 90.97% .
Co-Authors Adam Prugel-Bennett Agung Muliawan Agus Indra Gunawan Ahmad Syauqi Ahsan Aidil Saputra Kirsan Ali Ridho Barakbah Amalia Wirdatul Hidayah Andhik Ampuh Yunanto Arna Fariza Assodiky, Hilmy Ayu Ahadi Ningrum Bagas Dewangkara Binti Kholifah Daisy Rahmania Syarif Desy Intan Permatasari Deyana Kusuma Wardani Dian Neipa Purnamasari Dimas Bagus Santoso Dona Wahyudi Edi Satriyanto Entin Martiana Kusumaningtyas Fabyan Kindarya Fachrul Rozie Fahrudin, Tresna Maulana Ferry Astika S Ferry Astika Saputra Fitri Setyorini Gary Wills Grezio Arifiyan Primajaya Hasan Basri Hilmy Assodiky Hisyam, Masfu Idris Winarno Irsal Shabirin M Udin Harun Al Rasyid, M Udin Harun Masfu Hisyam Maulana, Yufri Isnaini Rochmat Mufid, Mohammad Robihul Muhammad Fajrul Falah Muhlis Tahir Mustika Kurnia Mayangsari Nadila Wirdatul Hidayah Nana Ramadijanti Nur Sakinah Nur Ulima Rusmayani Rabiatul Adawiyah Reesa Akbar Rengga Asmara Rengga Asmara Renovita Edelani Rosmaliati, Rosmaliati Rulisiana Widodo S, Ferry Astika Selvia Ferdiana Kusuma Stritusta Sukaridhoto Sumarsono, Irwan Tessy Badriyah, Tessy Tresna Maulana Fahrudin Umi Sa'adah Utomo, Agus Priyo Willy Sandhika Yufri Isnaini Rochmat Maulana