Article Per Year (5 Year)
p-Index From 2019 - 2024
0.61
P-Index
This Author published in this journals
All Journal Jurnal Teknimedia: Teknologi Informasi dan Multimedia BULLETIN OF NETWORK ENGINEER AND INFORMATICS Explore
Patmawati Patmawati
Universitas Amikom Yogyakarta
Computer Science & IT Control & Systems Engineering Engineering

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
PREDIKSI PENYAKIT STROKE MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM) Patmawati Patmawati
BULLETIN OF NETWORK ENGINEER AND INFORMATICS Vol 1, No 1 (2023): BUFNETS (Bulletin of Network Engineer and Informatics) April 2023
Publisher : GWEX NET PUBLISHER

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (519.887 KB) | DOI: 10.59688/bufnets.v1i1.5

Abstract

Berdasarkan data dari Kementerian Kesehatan Indonesia, telah terjadi peningkatan jumlah pada kasuspenyakit stroke sebesar 3.9% mulai dari tahun 2013 sampai dengan tahun 2018. Secara nasional, jumlahkasus stroke sering terjadi pada kelompok yang memiliki rentang umur antara 55-64 tahun dan palingsedikit terjadi pada rentang umur 15-24. Stroke atau (Cerebrovascular Accidents) merupakan sebuahkeadaan dimana aliran darah ke otak mengalami gangguan mendadak atau berkurang. Hal tersebutdapat disebabkan oleh penyumbatan atau pecah pembuluh darah, sehingga sel-sel pada area otak tidakmendapatkan pasokan darah yang nutrisi dan oksigen. Diperlukan deteksi dini yang bertujuan untukmengurangi jumlah potensi kematian akibat stroke. Prediksi stroke masih menjadi tantang dalam bidangkedokteran, salah satu penyebabnya adalah volume data pada data medis yang memiliki heterogenitasdan kompleksitas yang tinggi. Teknik machine learning merupakan model analisis data yang dapatdigunakan untuk memprediksi penyakit stroke. Berbagai model pembelajaran machine learning telahdiusulkan oleh peneliti-peneliti sebelumnya, salah satunya Support Vector Machine. Penelitian inimencoba menerapkan kembali algoritma SVM dengan mendapatkan hasil kinerja lebih baik daripenelitian sebelumnya. Dalam penelitian ini didapatkan nilai accuracy sebesar 100% dan nilai ROC-AUC sebesar 100%. Perlu dilakukan pengkajian lagi terkait hasil yang didapatkan hingga mencapai100%.
AUGMENTASI DATA MENGGUNAKAN DCGAN PADA GAMBAR TANAH PATMAWATI PATMAWATI; Andi Sunyoto; Emha Taufiq Luthfi
TEKNIMEDIA: Teknologi Informasi dan Multimedia Vol. 4 No. 1 (2023): Juni 2023
Publisher : Badan Penelitian dan Pengabdian Masyarakat (BP2M) STMIK Syaikh Zainuddin NW Anjani

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46764/teknimedia.v4i1.100

Abstract

Several studies related to soil type classification have been conducted. However, each of these studies uses different datasets. Only a small number of researchers share soil image datasets publicly. In addition, published datasets have an imbalance in the amount of data in each class which will result in poor model performance or over fit, especially deep learning. With data augmentation, new data variations can be formed that can handle the limited number of datasets. One of the modern augmentation models is DCGAN which is an extension of GAN. DCGAN is considered a good model in improving the stability of GAN training and the quality of image results. The resulting synthesized image is the result of mapping randomized latent vectors in an n-dimensional latent space. A meaningful image transformation is generated from the latent vector through arithmetic operations in the latent space dimension. The size of the latent space dimension is very important in enabling accurate reconstruction of the training data. To test the effect of latent space dimension on images, a quantitative evaluation using Fre'chet Inception Distance (FID) is used. The following results were obtained, for the best image quality in the alluvial soil category using latent space dimension 10 with FID score = 322.0. For clay soil category, the best image quality is generated using latent space dimension 100 with score FID = 332.84 and 512 with score FID = 322.08. In the black soil category, the best latent space dimension is 128 with FID score = 360.80. And for red soil, the best image quality is generated with the use of 512 latent spaces that have a FID score = 256.67.
Normalisasi Teks Komentar Instagram Masyarakat Makassar Menggunakan Metode Levenshtein Distence Isra Andika Bakhri; ST Tuhpatussania Tuhpatussania; Nurfajri Asfa; Patmawati Patmawati; Muhammad Syaban Mubarak
Explore Vol 12 No 1 (2022): Januari 2022
Publisher : Universitas Teknologi Mataram

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35200/ex.v12i1.84

Abstract

Pertumbuhan pengguna internet dan pengguna instagram di indonesia dapat menjadi peluang yang baik untuk menggali potensi yang dapat digunakan untuk media promosi, sentiment analysis, segmentasi costumer, mapping opinion, menangkap umpan balik (feedback) pelanggan untuk meningkatkan layanan jasa atau barang yang kita tawarkan. Di instagram sendiri banyak tersebar komentar-komentar yang sulit dipelajari oleh mesin dikarenakan banyaknya penggunaan leksikon bahasa gaul atau karena typo atau bisa dikarenakan penggunaan bahasa daerah secara parsial di tiap komentar. Hal inilah yang perlu dievaluasi dalam tahap pre-processing komentar, lebih tepatnya pada tahap normalisasi teks. Seperti di kota makassar misalkan komentar yang tersebar pada akun-akun terkenal di kota tersebut kadang menggabungkan kata baku bahasa indonesia, bahasa gaul indonesia, bahasa baku makassar dan bahasa gaul makassar. Hal inilah yang mendorong penulis untuk mencoba memecahkan masalah normalisasi teks untuk semua komentar ke bahasa baku indonesia agar mempermudah dalam hal pengolahan selanjutnya menggunakan metode levenshtein distence. Dalam hasil pengujian didapatkan masih kurang maksimal dalam normalisasi teks, penulis menduga dikarenakan kata gaul makassar yang ternyata memiliki imbuhan, penggalian morfologi kata yang tidak dilakukan serta belum menerapkan frasa detection untuk bahasa makassar.
Co-Authors Andi Sunyoto Emha Taufiq Luthfi Isra Andika Bakhri Muhammad Syaban Mubarak Nurfajri Asfa ST Tuhpatussania Tuhpatussania