Erwin Budi Setiawan
Telkom University

Published : 32 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 32 Documents
Search

Analisis Perbandingan Clustering-Based, Distance-Based dan Density-Based dalam Mendeteksi Outlier Dedy Handriyadi; M. Arif Bijaksana; Erwin Budi Setiawan
Seminar Nasional Aplikasi Teknologi Informasi (SNATI) 2009
Publisher : Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Data Mining adalah proses pencarian pola-pola dan kecenderungan yang menarik dari dalam basis data berukuranbesar. Sebuah outlier didefinisikan sebagai sebuah titik data pada suatu data set dimana sangat berbedadibandingkan dengan titik data pada data set pada umumnya dengan suatu ukuran tertentu. Outlier ini walaupunmempunyai kelakuan yang abnormal, seringkali mengandung informasi yang sangat berguna. Permasalahan deteksioutlier ini mempunyai peran yang sangat penting pada aplikasi deteksi kecurangan, analisis kekuatan jaringan dandeteksi intrusi. Pencarian outlier biasanya dengan konsep keterdekatan berdasarkan hubungannya dengan sisa datayang ada. Pada data berdimensi tinggi, kepadatan data akan semakin berkurang, akibatnya dugaan akanketerdekatan antar data menjadi gagal.Pada makalah ini akan dilakukan perbandingan metode dalam pencariansuatu outlier dalam data berdimensi tinggi. Metode yang akan dibandingkan yaitu: Clustering-based, Distancebased,dan Density-based. Dimana masing-masing metode telah mendukung data berdimensi tinggi.Kata Kunci : data mining, outlier, deteksi outlier, metode deteksi outlier.
Analisis Perbandingan Sistem Rekomendasi dengan Faktorisasi Matriks dan Pearson Berbasis Collaborative Filtering Pada Web E-Commerce Marissa Aflah Syahran; Erwin Budi Setiawan; Sri Suryani
Indonesia Symposium on Computing Indonesian Symposium on Computing 2014/Seminar Nasional Ilmu Komputasi Teknik Informatika (SNIKTI)
Publisher : Indonesia Symposium on Computing

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Recommender system merupakan suatu sistem yang mampu memberikan suatu rekomendasi kepada user terhadap item, seperti barang, musik, video, film, buku, dan sebagainya, yang mungkin akan dipilihnya. Penelitian ini mengimplementasikan dan menganalisis perbandingan recommender system dengan algoritma pearson serta faktorisasi matriks yang berbasis Collaborative Filtering. Analisis perbandingan didasarkan pada analisis algoritma, nilai Mean Absolute Error (MAE) dan Response time. Dari hasil analisis, didapatkan bahwa kompleksitas algortima faktorisasi matriks Lebih kompleks dari algoritma pearson. Selain itu didapat nilai MAE recommender system dengan algoritma faktorisasi matriks memiliki nilai MAE yang lebih kecil daripada recommender system dengan algoritma pearson serta nilai Response time recommender system dengan algoritma pearson lebih kecil daripada  algoritma faktorisasi matriks. Metode yang paling baik digunakan adalah faktorisasi matriks karena memiliki MAE lebih akurat dibandingkan dengan metode pearson. Perkembangan hardware juga membuat response time tidak berpengaruh secara signifikan
Deteksi Fake Review Berbasis Feature pada User Online Feature Menggunakan Metode Naive Bayes Annisa Cahya Anggraeni; Z K Abdurrahman Baizal; Erwin Budi Setiawan
Indonesia Symposium on Computing Indonesia Symposium on Computing 2015
Publisher : Indonesia Symposium on Computing

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Berkembangnya e-commerce saat ini memicu calon pembeli lebih mempercayai review yang ditulis oleh pembeli sebelumnya. Review positif cenderung akan membuat calon pembeli akan membeli barang tersebut, dan hal sebaliknya jika review produk tersebut negatif. Namun banyak review yang berkembang saat ini tidak lagi ditulis oleh pembeli sebenarnya. Review yang ditulis bukan sebenarnya disebut fake review/untruthful review yang termasuk kategori spam dan penulisnya disebut spammer. Pada penelitian ini akan dilakukan deteksi fake review dengan pendekatan beberapa kelas feature menggunakan metode Naïve Bayes. Penelitian ini akan menggunakan NLP dan sumber lexicon SentiwordNet dan menggunakan kamus untuk membantu ekstraksi sentiment yang belum pernah dilakukan peneliti sebelumnya untuk menghasilkan sistem yang lebih baik. Selanjutnya penelitian ini akan menganalisis apakah penggunaan tagger, kamus, dan pemilihan feature akan mempengaruhi sistem dan kelas feature apa yang paling mempengaruhi sistem. Hasilnya adalah penggunaan tagger dan kamus akan mempengaruhi sistem. Hasil terbaik diperoleh akurasi sebesar 83.33%. Pemilihan feature juga akan mempengaruhi sistem. Dari hasil penelitian diperoleh akan semakin baik bila semua kelas feature digunakan ke dalam sistem. Dan kelas feature yang paling berpengaruh adalah kelas personal feature.  
Recommender System Dengan Metode Fuzzy Analytic Hierarchy Process Untuk Produk Kompleks Grace Yohana; Z KA Baizal; Erwin Budi Setiawan
Indonesia Symposium on Computing Indonesia Symposium on Computing 2015
Publisher : Indonesia Symposium on Computing

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Dewasa ini perkembangan teknologi sudah semakin pesat dan kebutuhan akan sebuah produk semakin tinggi. Produk yang bermunculan juga semakin beraneka ragam, sehingga konsumen seringkali kesulitan dalam menentukan produk yang sesuai dengan kebutuhannya. Oleh karena itu dibutuhkan sebuah recommender system yang dapat membantu pengguna dalam menentukan pilihan. Recommender system merupakan suatu sistem yang mampu memberikan suatu rekomendasi kepada user terhadap item yang mungkin akan dipilih, berdasarkan informasi yang diperoleh dari pengguna. Dalam penelitian ini, metode yang digunakan untuk membuat recommender system adalah Fuzzy Analytic Hierarchy Process. Metode ini dapat memecahkan suatu masalah yang kompleks dan tidak terstruktur ke dalam beberapa susunan komponen yang hierarki, subjektif, relatif dan memiliki prioritas yang paling tinggi untuk mempengaruhi hasil dalam masalah tersebut. Setelah dilakukan analisis, didapatkan hasil akurasi sistem berdasarkan penilaian pakar sebesar 83.57% dan dengan ini menunjukkan bahwa hasil akurasi sistem sudah baik. Kemudian untuk hasil akurasi berdasarkan pengguna yang diuji dengan Mean Opinion Score, didapatkan hasil sebesar 1.4918 yang menunjukkan bahwa hasil rekomendasi yang diberikan oleh sistem sudah baik.  
Analisis Dan Implementasi Perangkingan Pegawai Menggunakan Metode Analytical Hierarchy Process Dan Superiority Index Daniar Dwi Pratiwi; Erwin Budi Setiawan; Fhina Nhita
Indonesia Symposium on Computing Indonesian Symposium on Computing 2014/Seminar Nasional Ilmu Komputasi Teknik Informatika (SNIKTI)
Publisher : Indonesia Symposium on Computing

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Metode AHP (Analytical Hierarchy Process) dan Superiority Index merupakan metode untuk pengambilan keputusan dengan banyak kriteria dan berbagai alternatif. AHP merupakan metode untuk memecahkan masalah dengan cara membentuk hierarki dari permasalahan yang ada. Metode ini digunakan sebagai metode pembobotan kriteria yang diawali dengan penyusunan hierarki dan membuat matriks perbandingan berpasangan untuk mengetahui hubungan antara tiap kriteria yang selanjutnya akan dicari bobot masing-masing kriteria. Sedangkan metode Superiority Index digunakan sebagai metode perangkingan alternatif yang dimulai dengan merangking nilai alternatif pada tiap kriteria yang selanjutnya akan dibentuk matriks perbandingan rangking tiap alternatif dan urutan prioritasnya akan diurutkan berdasarkan besarnya jumlah perbandingan tiap alternatif tersebut. Hasil yang diperoleh dari penelitian ini adalah bobot kriteria dan urutan rangking pegawai yang bisa dijadikan alternatif dalam suatu pengambilan keputusan agar proses penilaian dan perangkingan pegawai lebih efektif.
Analisis Dan Implementasi Algoritma Id3 Dan Cart Pada Penilaian Kinerja Pegawai Fathurahman Alhikmah; Erwin Budi Setiawan; Mahmud Imrona
Indonesia Symposium on Computing Indonesian Symposium on Computing 2014/Seminar Nasional Ilmu Komputasi Teknik Informatika (SNIKTI)
Publisher : Indonesia Symposium on Computing

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Konsep yang dipakai untuk membuat sistem pendukung keputusan, salah satu nya adalah Decission Tree Learning (DCT). Algoritma ID3 dan CART merupakan bagian dari DCT, konsep daripada kedua algoritma tersebut akan menghasilkan sebuah generate dari pohon keputusan dan nantinya akan menjadi sebuah rule.Penelitian kali ini dibangun sebuah sistem yang dapat menganalisis implementasi penilaian kinerja pegawai dengan menggunakan algoritma ID3, dan CART.Data yang digunakan didapatkan dari perusahaan X tentang penilaian kinerja pegawai untuk merekomendasikan bonus tunjangan tahunan. Pada penelitian ini didapatkan performance dari ID3, dan CART, untuk nilai presisi pencapaian tertinggi ada pada masing masing algoritma antara lain ID3 ada pada pembagian partisi 70% data latih, dan 30% data uji, sedangkan untuk pembagian nilai presisipada CART ada pada pembagian partisi 80% data latih, dan 20% data uji. Untuk pencapaian tertinggi nilai recall pada algoritma ID3 ada pada pembagian partisi 50% data latih, dan 50% data uji, sedangkan untuk pencapaian nilai recall tertinggi pada CART ada pada pembagian partisi 30% data latih, dan 70% data uji. Untuk pencapaian nilai akurasipada algoritma ID3 ada pada pembagian partsi 70% data latih, dan 30% data uji, sedangkan untuk pencapaian tertinggi nilai recall pada CART ada pada pembagian partisi  80% data latih, dan 20% data uji.Secara dominan pada penelitian ini ID3 mempunyai nilai performance yang lebih baik dibandingkan dengan CART.
Implementasi Deteksi Rumor di Twitter Menggunakan Algoritma J48 Yoan Maria Vianny; Erwin Budi Setiawan
Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol 4 No 5 (2020): Oktober 2020
Publisher : Ikatan Ahli Informatika Indonesia (IAII)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29207/resti.v4i5.2059

Abstract

The existence of rumors on Twitter has caused a lot of unrest among Indonesians. Unrecognized validity confuses users for that information. In this study, an Indonesian rumor detection system is built by using J48 Algorithm in collaboration with Term Frequency Inverse Document Frequency (TF-IDF) weighting method. Dataset contains 47.449 tweets that have been manually labeled. This study offers new features, namely the number of emoticons in display name, the number of digits in display name, and the number of digits in username. These three new features are used to maximize information about information sources. The highest accuracy is obtained by 75.76% using 90% training data and 1.000 TF-IDF features in 1-gram to 3-gram combinations.
Simulasi Pengaturan Lampu Lalu Lintas Menggunakan Cellular Automata dan Fuzzy Inference System Septian Nugraha Kudrat; Yuliant Sibaroni; Erwin Budi Setiawan
Indonesia Symposium on Computing Indonesia Symposium on Computing 2015
Publisher : Indonesia Symposium on Computing

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Permasalahan kemacetan tidak mudah diatasi karena pertumbuhan populasi kendaraan bertambah. Salah satu efek pertumbuhan populasi kendaraan adalah menjadi sensitifnya pengaturan traffic light pada suatu persimpangan. Sistem pengaturan traffic light yang tidak sesuai dengan keadaan jumlah kendaraan dapat memicu kemacetan. Pada umumnya, sistem pengaturan traffic light menggunakan pengaturan fixed time. Pengaturan fixed time tidak menyesuaikan dengan keadaan jumlah kendaraan sehingga tundaan yang dihasilkan berpotensi lama. Dikembangkan skema pengaturan adaptif menggunakan Fuzzy Inference System (FIS). FIS menghasilkan durasi lampu hijau. FIS tidak memiliki parameter performa untuk menguji kemampuannya sehingga sistem perlu diintegrasikan dengan model Cellular Automata (CA). Pergerakan kendaraan yang dihasilkan CA dapat memunculkan tundaan dan kecepatan rata-rata. Indikator keberhasilan didasarkan pada waktu tunggu rata-rata dan kecepatan rata-rata yang dialami oleh setiap kendaraan dalam waktu pengamatan per time step. Selain itu, pembagian durasi lampu lalu lintas dalam satu siklus menjadi faktor pertimbangan tambahan untuk menganalisis performa sistem. Metode FIS menghasilkan hingga 76,2 % tundaan rata-rata pada kelas E dan menghasilkan hingga 23,8 % tundaan rata-rata pada kelas F. Skema Fixed Time menghasilkan 0 % tundaan rata-rata pada kelas E dan 100 % tundaan rata-rata pada kelas F sehingga tundaan yang dihasilkan skema Fixed Time lebih lama daripada tundaan yang dihasilkan metode FIS.  
Pemilihan EA Framework Erwin Budi Setiawan
Seminar Nasional Aplikasi Teknologi Informasi (SNATI) 2009
Publisher : Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Dalam mengembangkan arsitektur enterprise, perlu diadopsi atau dikembangkan sendiri suatu EA frameworkuntuk arsitektur enterprise. Terdapat berbagai macam framework yang dapat dimanfaatkan untukpengembangan arsitektur enterprise. Penggunaan dan pemilihan EA framework yang tepat akan mempercepatdan menyederhanakan pengembangan arsitektur, yaitu dengan memastikan cakupan yang lengkap dari solusidesain dan memastikan arsitektur yang terpilih akan memudahkan dalam pengembangan di masa depansebagai respon terhadap kebutuhan bisnis. Makalah ini bertujuan memberikan gambaran bagaimanamelakukan pemilihan EA Framework.Kata Kunci:EA, EA Framework, Zachman Framework, FEAF, TOGAF
Implementasi Deteksi Rumor di Twitter Menggunakan Algoritma J48 Yoan Maria Vianny; Erwin Budi Setiawan
Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol 4 No 5 (2020): Oktober 2020
Publisher : Ikatan Ahli Informatika Indonesia (IAII)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29207/resti.v4i5.2059

Abstract

The existence of rumors on Twitter has caused a lot of unrest among Indonesians. Unrecognized validity confuses users for that information. In this study, an Indonesian rumor detection system is built by using J48 Algorithm in collaboration with Term Frequency Inverse Document Frequency (TF-IDF) weighting method. Dataset contains 47.449 tweets that have been manually labeled. This study offers new features, namely the number of emoticons in display name, the number of digits in display name, and the number of digits in username. These three new features are used to maximize information about information sources. The highest accuracy is obtained by 75.76% using 90% training data and 1.000 TF-IDF features in 1-gram to 3-gram combinations.