Articles
<![CDATA[Kompresi Basis Data Graph Menggunakan Power Graph Analysis ]]>
<![CDATA[Fauzi Aulia Rahman]]>;
<![CDATA[Kemas Rahmat Saleh]]>;
<![CDATA[Akbar Gozali]]>
<![CDATA[ Indonesia Symposium on Computing Indonesian Symposium on Computing 2014/Seminar Nasional Ilmu Komputasi Teknik Informatika (SNIKTI) ]]>
Publisher : <![CDATA[Indonesia Symposium on Computing ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Basisdata Graph adalah basisdata yang menggunakan stuktur graph dengan node dan edge untuk menyimpan data. Dalam basisdata graph, setiap relasi direpresentasikan dengan suatu edge yang menghubungkan node-node yang berelasi. Hal ini membuat pencarian terhadap suatu data dapat dilakukan secara traversal, sehingga waktu yang dibutuhkan menjadi lebih singkat. Namun, keberadaan edge untuk merepresentasikan setiap hubungan antara dua buah node ini menyebabkan ukuran basisdata graph menjadi besar. Oleh karena itu, pada penelitian ini akan dibahas suatu metode untuk untuk mengkompresi basisdata graph agar dapat merepresentasikan data dengan jumlah edge yang lebih sedikit. Pada penelitian ini, metode Power Graph Analysis digunakan untuk mengompresi basisdata graph yang berisi data kolaborasi antar penulis jurnal ilmiah. Metode ini merubah suatu graph menjadi Power Graph, yang tidak merepresentasikan data dengan node dan edge lagi, melainkan power node dan power edge yang membentuk gugusan biclique, clique, dan stars. Power node merupakan sekumpulan node yang memiliki kesamaan tetangga, dicari dengan menggunakan metode Complete Linkage Hierarchical Clustering yang jarak antar clusternya dihitung berdasarkan Jaccard Index. Power node yang berhubungan dengan suatu power node lain dihubungkan dengan sebuah power edge. Power edge ditentukan dengan melakukan pencarian secara greedy terhadap hubungan antar power node yang mengabstraksi edge paling banyak. Hasil penelitian memperlihatkan bahwa kompresi graph menjadi power graph dapat mengurangi jumlah edge hingga 82%, dengan conversion rate 24,92 dan database compression rate 74,17%.]]>
<![CDATA[Analisis Algoritma RP-GD dalam Kualitas Peringkasan Graf dari Basis Data Graf ]]>
<![CDATA[Defrianda Rizky Pranata]]>;
<![CDATA[Kemas Rahmat Saleh Wiharja]]>;
<![CDATA[Shaufiah Abdullah]]>
<![CDATA[ Indonesia Symposium on Computing Indonesia Symposium on Computing 2015 ]]>
Publisher : <![CDATA[Indonesia Symposium on Computing ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Basisdata graf merupakan representasi dari pemodelan suatu koleksi data yang terdiri dari Edges, Nodes, dan Properties untuk merepresentasikan dan menyimpan data. Bersifat index-free adjacency yang berarti bahwa setiap elemen berisi pointer langsung ke elemen yang berdekatan dan tidak memerlukan pencarian sederhana menggunakan indeks. Penulis menggunakan model database ini karena dapat merepresentasikan banyak data sehingga dapat dianalisis dan diambil kesimpulannya. Basisdata yang digunakan yaitu molekuler ikatan kimia dengan format penulisan SMILES (Simplified Molecular Input Line Entry System). Metode peringkasan yang penulis ambil adalah algoritma RP-GD yang efisien serta mampu meningkatkan kualitas peringkasan dan bisa merepresentasikan molekuler ikatan kimia dari dataset tersebut. Dari hasil pengujian dan analisis, terbukti algoritma RP-GD dapat digunakan dalam peringkasan basisdata graf, menghasilkan kualitas yang baik hasilnya. Parameter yang menunjukkan hasil tersebut adalah jumlah nodes dan edges hasil peringkasan lalu cakupan informasi serta rasio peringkasan. Variasi hasil peringkasan juga dapat dilakukan sesuai dengan minimum support yang diinginkan. Nilai cakupan informasi dari sebuah ringkasan basisdata graf berbanding lurus dengan nilai minimum support yang diberikan, sedangkan rasio peringkasan berbanding terbalik dengan nilai minimum support yang diberikan. Â ]]>
<![CDATA[Implementasi dan Analisis Performansi Mapreduce di Lingkungan Sistem Basis Data Berbasis Dokumen Terdistribusi Homogen ]]>
<![CDATA[Hegar Aryo Dewandaru]]>;
<![CDATA[Kemas Rahmat Saleh]]>;
<![CDATA[Alfian Akbar Gozali]]>
<![CDATA[ Indonesia Symposium on Computing Indonesia Symposium on Computing 2015 ]]>
Publisher : <![CDATA[Indonesia Symposium on Computing ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Pada sebuah perusahaan besar, sangatlah penting untuk memiliki manajemen sistem basisdata yang mampu menampung seluruh data dan dokumen milik karyawan. Data tersebut akan sangat besar sehingga tidak akan memunkinkan untuk ditampung oleh single server. Untuk menyelesaikan masalah tersebut, data yang sangat besar itu dapat didistribusikan ke dalam beberapa cluster. Di lingkungan terdistribusi inilah implementasi dari metode MapReduce akan sangat bermanfaat bagi sistem. MapReduce adalah sebuah operasi untuk menyelesaikan masalah yang mirip dengan algoritma divide and conquer. Sesuai dengan namanya, MapReduce terdiri dari proses map (pemetaan) suatu data dan reduce (pengurangan) yang berakhir pada penggabungan data-data yang sama.â¨Pada penelitian ini akan dilakukan penelitian terhadap performansi MapReduce di lingkungan sistem basisdata terdistribusi homogen. Untuk membangun lingkungan tersebut, sebelumnya harus dilakukan pengecekan terhadap setiap komputer yang digunakan. Pastikan bahwa seluruh komputer memiliki spesifikasi perangkat lunak dan keras, serta manajemen sistem basisdata yang sama. Setelah itu, dataset yang berbasis dokumen harus di-import ke database komputer yang berperan sebagai master. Kemudian, dengan menggunakan metode sharding, setiap node akan diberi peran: master akan berberan sebagai router, satu node sebagai config server, dan sisanya sebagai shard server sehingga terbentuklah lingkungan sistem basisdata berbasis dokumen terdistribusi homogen. Dataset kemudian akan didistribusikan ke setiap shard. Akhirnya, query MapReduce akan dijalankan dan diuji di single server dan 3 arsitektur distributed database yang berbeda untuk diteliti performansinya.â¨Dari hasil pengujian yang dilakukan, dapat dilihat bahwa MapReduce bekerja lebih baik di lingkungan terdistribusi dibandingkan dengan pada single server. Kesimpulan yang dapat diambil adalah bahwa sistem basisdata terdistribusi meningkatkan performansi MapReduce.  ]]>
<![CDATA[A GOAL QUESTION METRIC (GQM) APPROACH FOR EVALUATING INTERACTION DESIGN PATTERNS IN DRAWING GAMES FOR PRESCHOOL CHILDREN ]]>
<![CDATA[Dana Sulistiyo Kusumo]]>;
<![CDATA[Mira Kania Sabariah]]>;
<![CDATA[Kemas Rahmat Saleh Wiharja]]>
<![CDATA[ Jurnal Ilmu Komputer dan Informasi Vol 10, No 2 (2017): Jurnal Ilmu Komputer dan Informasi (Journal of Computer Science and Information ]]>
Publisher : <![CDATA[Faculty of Computer Science - Universitas Indonesia ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (528.359 KB)
|
DOI: 10.21609/jiki.v10i2.459
<![CDATA[In recent years, there has been an increasing interest to use smart devices’ drawing games for educational benefit. In Indonesia, our government classifies children age four to six years old as preschool children. Not all preschool children can use drawing games easily. Further, drawing games may not fulfill all Indonesia's preschool children’s drawing competencies. This research proposes to use Goal-Question Metric (GQM) to investigate and evaluate interaction design patterns of preschool children in order to achieve the drawing competencies for preschool children in two drawing Android-based games: Belajar Menggambar (in English: Learn to Draw) and Coret: Belajar Menggambar (in English: Scratch: Learn to Draw). We collected data from nine students of a preschool children education in a user research. The results show that GQM can assist to evaluate interaction design patterns in achieving the drawing competencies. Our approach can also yield interaction design patterns by comparing interaction design patterns in two drawing games used.]]>
<![CDATA[a Schema Extraction of Document-Oriented Database for Data Warehouse ]]>
<![CDATA[A. Nurul Istiqamah]]>;
<![CDATA[Kemas Rahmat Saleh Wiharja]]>
<![CDATA[ International Journal on Information and Communication Technology (IJoICT) Vol. 7 No. 2 (2021): December 2021 ]]>
Publisher : <![CDATA[School of Computing, Telkom University ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.21108/ijoict.v7i2.584
<![CDATA[The data warehouse is a very famous solution for analyzing business data from heterogeneous sources. Unfortunately, a data warehouse only can analyze structured data. Whereas, nowadays, thanks to the popularity of social media and the ease of creating data on the web, we are experiencing a flood of unstructured data. Therefore, we need an approach that can "structure" the unstructured data into structured data that can be processed by the data warehouse. To do this, we propose a schema extraction approach using Google Cloud Platform that will create a schema from unstructured data. Based on our experiment, our approach successfully produces a schema from unstructured data. To the best of our knowledge, we are the first in using Google Cloud Platform for extracting a schema. We also prove that our approach helps the database developer to understand the unstructured data better.]]>
<![CDATA[PENERAPAN METODE ASSOCIATION RULE MENGGUNAKAN ALGORITMA APRIORI PADA SIMULASI PREDIKSI HUJAN WILAYAH KOTA BANDUNG ]]>
<![CDATA[Mohamad Fauzy]]>;
<![CDATA[Kemas Rahmat Saleh W]]>;
<![CDATA[Ibnu Asror]]>
<![CDATA[ Jurnal Ilmiah Teknologi Infomasi Terapan Vol. 2 No. 3 (2016) ]]>
Publisher : <![CDATA[Universitas Widyatama ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (343.241 KB)
|
DOI: 10.33197/jitter.vol2.iss3.2016.111
<![CDATA[[Id] Prakiraan cuaca saat ini telah menjadi satu hal yang dibutuhkan bagi banyak orang di dunia. Dalam memprediksi hujan pengolahan data cuaca merupakan hal yang penting. Namun permasalahannya, data cuaca yang semakin hari semakin bertambah menyebabkan penumpukan data sehingga pengolahan data tersebut perlu penanganan lebih lanjut. Oleh karena itu pemanfaatan data mining digunakan untuk menyelesaikan masalah ini. Association rule mining adalah salah satu metode data mining yang dapat mengidentifikasi hubungan kesamaan antar item. Penelitian ini dilakukan dengan tiga tahapan utama yaitu : 1) melakukan analisa pola frekuensi tinggi menggunakan algortima apriori; 2) pembentukan aturan asosiasi (association rule); 3) uji kekuatan rule yang terbentuk dengan menghitung lift ratio pada masing-masing rule. Dataset yang digunakan adalah data klimatologi yang diambil dari BMKG stasiun geofisika kelas 1 Bandung. Hasil akhir dari Penelitian ini berupa aturan-aturan asosiasi (association rules) dimana aturan-aturan ini dapat dijadikan sebagai acuan dalam memprediksi cuaca hujan atau tidak hujan untuk satu hari kedepan. Kata kunci : Data mining, association rule, apriori, prediksi hujan [En] Weather forecast today has become a necessary thing for many people in the world. In predicting rain weather data processing is essential. But the problem, weather data that is increasingly growing cause the accumulation of data so that the data processing needs further treatment. Therefore, the use of data mining is used to solve this problem. Association rule mining is one of data mining methods that can identify similarity relationships between items. This research is performed by three main stages, namely: 1) to analyze high frequency patterns using algorithms priori; 2) the establishment of an association rule (association rule); 3) test the strength of the rule which is formed by calculating the ratio elevator on each rule. The dataset used is the climatological data taken from BMKG station 1st class geophysical Bandung. The end result of this research in the form of rules of association (association rules) in which these rules can be used as a reference in predicting the weather is rain or not rain for the next day. Keywords : data mining, association rule, apriori, rain forecast]]>
<![CDATA[Analisis dan Implementasi Graph Indexing Pada Graph Database Menggunakan Algoritma GraphGrep ]]>
<![CDATA[Emir Septian Sori Dongoran]]>;
<![CDATA[Kemas Rahmat Saleh Wiharja]]>;
<![CDATA[Alfian Akbar Gozali]]>
<![CDATA[ eProceedings of Engineering Vol 2, No 1 (2015): April, 2015 ]]>
Publisher : <![CDATA[eProceedings of Engineering ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Graph database adalah basis data yang menggunakan struktur graf untuk merepresentasikan dan mengelola data. Sebagian besar basis data yang digunakan basis data relasional karena penggu naannya yang relatif mudah dan mendukung banyak tipe data. Namun, untuk tipe data tertentu seperti tipe data molekul yang memiliki ciri vertex berlabel dan edge yang tidak berarah, basis data relasional kurang begitu efektif digunakan karena tipe data tersebut memiliki keterkaitan secara independen. Untuk menangani hal tersebut, basis data graf atau biasa disebut graph database adalah solusi yang paling tepat. Pada tugas akhir ini akan mengaplikasikan graph indexing menggunakan algoritma GraphGrep. GraphGrep adalah metode yang paling tepat untuk studi kasus data bertipe molekul. Karena GraphGrep menganggap setiap node yang ada di graph database mempunyai nomor (id-node) dan label (label-node) Sehingga sangat cocok untuk tipe data molekul. GraphGrep menggunakan hash table (fingerprint) sebagai index, membandingkan fingerprint database dengan fingerprint query untuk mem-filter database dan menggunakan algoritma Ullman untuk melakukan subgraph matching. Dari penelitian ini diharapkan mampu menerapkan algoritma GraphGrep pada graph indexing dengan menggunakan dataset bertipe molekul serta menganalisis performansi yang dihasilkan. Kata kunci: graph, graph database, graph indexing, GraphGrep, subgraph matching, backtrack, Ullman]]>
<![CDATA[Analisis Dan Implementasi Graph Indexing Pada Graph Database Menggunakan Algoritma Closure Tree ]]>
<![CDATA[Riche Julianti Wibowo]]>;
<![CDATA[Kemas Rahmat Saleh Wiharja]]>;
<![CDATA[Adiwijaya Adiwijaya]]>
<![CDATA[ eProceedings of Engineering Vol 2, No 3 (2015): Desember, 2015 ]]>
Publisher : <![CDATA[eProceedings of Engineering ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Graph menjadi populer untuk pemodelan data terstruktur seperti senyawa kimia. Teknologi basisdata seperti relational database kurang efektif menangani data yang terstruktur. Maka, graph database dibutuhkan. Untuk menangani pencarian informasi terhadap data yang terstruktur pada graph database digunakan metode graph indexing agar lebih cepat dan efisien. Dari beberapa metode graph indexing yang ada, Closure tree (C-tree) adalah metode graph indexing yang paling tepat digunakan karena menggunakan konsep graph closure dimana setiap simpul merangkum informasi dari simpul-simpul keturunannya dan membangun tree sebagai index. Pada tugas akhir ini diharapkan mampu menerapkan algoritma C-tree pada graph indexing dengan dataset bertipe molekul serta menganalisis answer set, tree construction, dan query time yang dihasilkan. Kata kunci : graph, graph database, graph indexing, graph closure, C-tree.]]>
<![CDATA[Analisis Performansi Metode Graph Decomposition Index pada Graph Database ]]>
<![CDATA[Isjhar Kautsar]]>;
<![CDATA[Kemas Rahmat Saleh Wirayuda]]>;
<![CDATA[Gia Septiana Wulandari]]>
<![CDATA[ eProceedings of Engineering Vol 2, No 1 (2015): April, 2015 ]]>
Publisher : <![CDATA[eProceedings of Engineering ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Kekurangan relational database yang ditemui, seperti sulitnya membuat desain relational database yang pas, kurang mampu mengakomodir data semi terstruktur, dan kurang mampunya mengakomodir data yang memiliki banyak relasi mendorong para peneliti untuk menemukan model database yang baru. Salah satunya graph database. Graph database mampu menjadi solusi berbagai permasalah tersebut. Namun, graph database sendiri masih memiliki beberapa kekurangan, yaitu pencarian dilakukan secara sekuensial pada saat proses retrieve data. Oleh karena itu, suatu metode diperlukan untuk mengatasi masalah ini, yaitu dengan indexing. Metode indexing yang akan digunakan adalah graph decomposition index. Graph decomposition index cocok dengan jenis data yang digunakan, yaitu pada bagian keunggulannya dalam me-retrieve data query berupa subgraph dan model graph berupa simpel graph berlabel. Penelitian ini akan membangun dua buah sistem yaitu graph database tanpa index dan graph database dengan index. Kemudian dibandingkan performansinya berdasarkan response time (execution time dan IO time). Dari penelitian ini diperoleh hasil bahwa graph database dengan index akan memiliki performansi execution time yang lebih bagus dibanding graph database tanpa index, tetapi memiliki IO time yang jelek dibanding graph database tanpa index Keywords—graph database; indexing; relational; graph decomposition index.]]>
<![CDATA[Analisis Dan Implementasi Graph Clustering Pada Berita Online Menggunakan Algoritma Chinese Whispers ]]>
<![CDATA[Mochammad Fitrah Eka Pramudita]]>;
<![CDATA[Kemas Rahmat Saleh Wiharja]]>;
<![CDATA[Anisa Herdiani]]>
<![CDATA[ eProceedings of Engineering Vol 3, No 1 (2016): April, 2016 ]]>
Publisher : <![CDATA[eProceedings of Engineering ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Berita online saat ini merupakan sesuatu yang sangat umum dikalangan masyarakat Indonesia. Data berita online yang telah tersimpan pada suatu penyimpanan data mencapai ratusan miliar berita. Oleh sebab itu diperlukan suatu permodelan, agar memudahkan proses pencarian, manipulasi atau pengolahan data tersebut. Salah satu model yang sangat cocok untuk data berita tersebut adalah model graph. Untuk memudahkan pembaca maka berita online tersebut perlu dikelompokkan berdasarkan keterkaitan isi beritanya. Salah satu metode yang bisa dimanfaatkan untuk mengelompokkan berita adalah dengan graph clustering. Sebelum melakukan graph clustering, data berita online harus diubah menjadi model graph. Langkah pertama untuk mengubah data berita kebentuk graph adalah melakukan preprocessing, lalu dihitung bobot keterkaitan isi beritanya dengan memanfaatkan cosine similarity, setelah itu bobot hasil cosine similarity dinormalisasi untuk dijadikan edge yang menghubungkan node dokumen berita. Setelah berbentuk graph, barulah dilakukan proses graph clustering. Dalam penelitian ini algoritma graph clustering yang digunakan adalah Chinese Whispers, karena Chinese Whispers mampu membentuk cluster dari data graph yang besar dengan waktu yang relatif cepat, sehingga sangat cocok digunakan untuk kasus clustering berita online. Pada penelitian ini telah diuji performasi algoritma Chinese Whispers dari segi kualitas serta tingkat akurasi cluster yang dihasilkan. Setelah dilakukan pengujian diperoleh bahwa kuliatas hasil cluster Chinese Whisper cukup bagus karena hampir 95% node hasil cluster sudah memiliki nilai intra- cluster yang lebih tinggi dari pada inter-cluster-nya, sedangkan rata-rata akurasi dari proses clustering menggunakan algoritma Chinese Whispers adalah 80.0 %. Kata kunci : Graph, Graph Database, Clustering, Graph Clustering, Chinese Whispers]]>
