Articles
<![CDATA[Genetic Algorithm for Variable Selection and Parameter Optimization in SVM and Fuzzy SVM for Colon Cancer Microarray Classification ]]>
<![CDATA[Irhamah, Irhamah]]>;
<![CDATA[Faiqah, Elok]]>;
<![CDATA[Kuswanto, Heri]]>;
<![CDATA[Paramita, NLP Satyaning Pradnya]]>
<![CDATA[ CAUCHY Vol 7, No 1 (2021): CAUCHY: Jurnal Matematika Murni dan Aplikasi ]]>
Publisher : <![CDATA[Mathematics Department, Maulana Malik Ibrahim State Islamic University of Malang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.18860/ca.v7i1.10337
<![CDATA[Colon cancer is the second leading cause of cancer-related deaths in the world, hence research on that topic needs to be undertaken with improvement. Recent advanced in microarray technology allows the monitoring of the expression level of a large set of genes simultaneously. Microarray data is a type of high-dimensional data with hundreds or even thousands number of genes (features), while usually the number of patients observed (observations) is much smaller than the number of features. This study uses a colon cancer microarray dataset contains two class of genes, normal and tumor. The aims of this study is to develop a classification model using fuzzy support vector machines (FSVM) hybridized with genetic algorithm (GA) for classifying individuals based on gene expression. Fuzzy memberships was used in SVM in order to deal with the case of imbalanced microarray data. Meanwhile, the role of genetic algorithm is, firstly, to select the relevant genes as the features and, secondly, to optimize the parameter of FSVM as GA is able to handle the problem of nonlinear optimization that has a high dimension, adaptable, and easily combined with other methods. The classification using FCBF selection has a higher accuracy value than the ones without the selection. The results also show that FSVM that has been optimized using GA has the highest accuracy value compared to other classification methods used in this study.]]>
<![CDATA[UNet-VGG16 with transfer learning for MRI-based brain tumor segmentation ]]>
<![CDATA[Anindya Apriliyanti Pravitasari]]>;
<![CDATA[Nur Iriawan]]>;
<![CDATA[Mawanda Almuhayar]]>;
<![CDATA[Taufik Azmi]]>;
<![CDATA[Irhamah Irhamah]]>;
<![CDATA[Kartika Fithriasari]]>;
<![CDATA[Santi Wulan Purnami]]>;
<![CDATA[Widiana Ferriastuti]]>
<![CDATA[ TELKOMNIKA (Telecommunication Computing Electronics and Control) Vol 18, No 3: June 2020 ]]>
Publisher : <![CDATA[Universitas Ahmad Dahlan ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.12928/telkomnika.v18i3.14753
<![CDATA[A brain tumor is one of a deadly disease that needs high accuracy in its medical surgery. Brain tumor detection can be done through magnetic resonance imaging (MRI). Image segmentation for the MRI brain tumor aims to separate the tumor area (as the region of interest or ROI) with a healthy brain and provide a clear boundary of the tumor. This study classifies the ROI and non-ROI using fully convolutional network with new architecture, namely UNet-VGG16. This model or architecture is a hybrid of U-Net and VGG16 with transfer Learning to simplify the U-Net architecture. This method has a high accuracy of about 96.1% in the learning dataset. The validation is done by calculating the correct classification ratio (CCR) to comparing the segmentation result with the ground truth. The CCR value shows that this UNet-VGG16 could recognize the brain tumor area with a mean of CCR value is about 95.69%.]]>
<![CDATA[Pendekatan Fungsi Transfer Sebagai Input Adaptive Neuro-Fuzzy Inference System (ANFIS) dalam Peramalan Kecepatan Angin Rata-Rata Harian Di Sumenep ]]>
<![CDATA[Yulita Nurvitasari]]>;
<![CDATA[Irhamah Irhamah]]>
<![CDATA[ Jurnal Sains dan Seni ITS Vol 1, No 1 (2012): Jurnal Sains dan Seni ITS (ISSN 2301-928X) ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.12962/j23373520.v1i1.587
<![CDATA[Angin merupakan aliran udara dari suatu tempat ke tempat yang lain. Kecepatan angin yang melebihi 40 km/jam dapat menyebabkan bencana, misalnya nelayan tidak dapat melaut akibat gelombang laut meninggi dan lain-lain. Besarnya kecepatan angin di daerah Sumenep menjadi hal yang sangat dipertimbangkan mengingat Sumenep merupakan daerah pesisir yang masyarakatnya juga sebagian besar menjadi nelayan. Oleh karena itu perlu dilakukan penelitian mengenai kecepatan angin. Salah satu penelitian yang bisa dilakukan adalah peramalan terhadap besarnya kecepatan angin. Data yang digunakan adalah data sekunder dari BMKG di Sumenep periode Januari 2010 sampai Desember 2011. Data yang digunakan adalah data harian kecepatan angin (Y) dan tekanan udara(X). Data in-sample sebanyak 723 data, sedangkan data out-sample 7 data. Hasil analisis deskriptif untuk tekanan udara rata-rata harian di Sumenep mulai dari Januari 2010 sampai dengan Desember 2011 sebesar 1010,275 dan rata-rata kecepatan angin adalah 5,386 knot. Model Fungsi Transfer yang terbentuk adalah data kecepatan angin pada hari ini dipengaruhi oleh tekanan udara pada 13 hari dan 14 hari sebelumnya serta kecepatan angin satu hari sebelumnya.. Model ANFIS dengan membership function 3 dan fungsi Phi paling cocok digunakan untuk meramalkan data kecepatan angin. Hasil perbandingan antara Metode Fungsi Transfer dengan Metode ANFIS input fungsi transfer, diketahui bahwa metode ANFIS dengan input fungsi transfer adalah metode yang paling cocok digunakan untuk meramalkan data Kecepatan Angin periode Januari 2010 sampai dengan Desember 2011.]]>
<![CDATA[Pemodelan Pendapatan Pedagang Pasar Tradisional di Surabaya Selatan Terkait Keberadaan Supermarket, Hypermarket, dan Minimarket ]]>
<![CDATA[Isnaini P Dewi]]>;
<![CDATA[Dwi E. Kusrini]]>;
<![CDATA[Irhamah Irhamah]]>
<![CDATA[ Jurnal Sains dan Seni ITS Vol 1, No 1 (2012): Jurnal Sains dan Seni ITS (ISSN 2301-928X) ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (128.118 KB)
|
DOI: 10.12962/j23373520.v1i1.1936
<![CDATA[Pasar modern telah berkembang pesat sejak tahun 1970-an. Pertumbuhan pasar modern diduga menekan pertumbuhan pasar tradisional. Pada penelitian ini dilakukan pemodelan pendapatan pedagang di Surabaya Selatan dengan metode regresi berganda dan Support Vector Regression (SVR). Data yang digunakan merupakan data sekunder. Pemodelan regresi berganda baik dengan semua variabel prediktor maupun hanya dengan variabel terpilih yang didapatkan melalui prosedur backward elimination menghasilkan model yang belum memenuhi asumsi regresi berganda, sehingga dilakukan pemodelan dengan metode SVR, maka untuk memprediksi pendapatan pedagang akibat pembangunan minimarket dapat digunakan model SVR dengan variabel terpilih yang menghasilkan prediksi bahwa akan terdapat 58,23% pedagang yang mengalami penurunan pendapatan karena pembangunan minimarket baru. Sedangkan untuk memprediksi pendapatan pedagang akibat pembangunan supermarket atau hypermarket baru digunakan model SVR dengan semua variabel prediktor yang menghasilkan prediksi bahwa akan terdapat 31,64% pedagang yang mengalami penurunan pendapatan karena pembangunan tersebut.]]>
<![CDATA[Peramalan Nilai Kontrak Konstruksi PT ‘X’ dengan Menggunakan Pendekatan Regresi Time Series dan ANFIS ]]>
<![CDATA[Arif Nur Wijiyanto]]>;
<![CDATA[Dwi Endah Kusrinid]]>;
<![CDATA[Irhamah Irhamah]]>
<![CDATA[ Jurnal Sains dan Seni ITS Vol 1, No 1 (2012): Jurnal Sains dan Seni ITS (ISSN 2301-928X) ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (326.808 KB)
|
DOI: 10.12962/j23373520.v1i1.1982
<![CDATA[Pengelolaan nilai kontrak konstruksi merupakan hal yang sangat penting bagi suatu perusahaan konstruksi, karena kerugian proyek dapat disebabkan oleh kesalahan pengelolaan nilai kontrak konstruksi. Nilai kontrak konstruksi dipengaruhi oleh faktor ekonomi, khususnya PDB Konstruksi. Dalam penelitian ini dilakukan peramalan nilai kontrak konstruksi dalam keterkaitanya dengan PDB Konstruksi menggunakan regresi time series dan ANFIS sehingga dapat digunakan sebagai informasi agar pengelolaan nilai kontrak menjadi lebih baik dan meminimalisir kemungkinan terjadinya kerugian akibat kesalahan pengelolaan kontrak konstruksi. Penerapan metode regresi time series menghasilkan hasil yang baik dengan R-Sq 97,07% dan MAPE 7,09%, dengan menggunakan ANFIS dengan membership function generalized bell dan jumlah keanggotaan 4, MAPE dari regresi time series mampu direduksi menjadi 4,07% sehingga model ANFIS merupakan model terbaik dalam peramalan nilai kontrak konstruksi terkait PDB konstruksi nasional dengan ramalan nilai kontrak konstruksi sebesar 14,009 triliun rupiah untuk tahun 2012 dan 19,917 triliun rupiah untuk tahun 2013. ]]>
<![CDATA[Faktor-Faktor yang Mempengaruhi Keparahan Korban Kecelakaan Lalu Lintas di Kota Surabaya dengan Pendekatan Bagging Regresi Logistik Ordinal ]]>
<![CDATA[Wahyu Wulan Fitriah]]>;
<![CDATA[Muhammad Mashuri]]>;
<![CDATA[Irhamah Irhamah]]>
<![CDATA[ Jurnal Sains dan Seni ITS Vol 1, No 1 (2012): Jurnal Sains dan Seni ITS (ISSN 2301-928X) ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (147.147 KB)
|
DOI: 10.12962/j23373520.v1i1.2029
<![CDATA[Kecelakaan lalu lintas adalah salah satu faktor pembunuh terbesar di Indonesia maupun di dunia. Hal ini memerlukan suatu penanganan agar korban kecelakaan tidak semakin memuncak. Oleh karena itu dilakukan penelitian untuk mengetahui faktor-faktor yang mempengaruhi keparahan korban kecelakaan lalu lintas di Surabaya pada tahun 2011 dengan menggunakan analisis regresi logistik ordinal dimana keparahan korban kecelakaan dibagi menjadi tiga, yaitu meninggal, luka berat dan luka ringan. Berdasarkan hasil penelitian diperoleh gambaran bahwa sebagian besar korban kecelakaan lalu lintas mengalami luka berat selanjutnya diikuti oleh korban luka ringan dan korban meninggal. Pada analisis regresi logistik ordinal diperoleh variabel prediktor yang signifikan mempengaruhi keparahan korban kecelakaan antara lain adalah jenis kecelakaan, peran korban, kendaraan lawan dan usia korban. Ketepatan klasifikasi yang dihasilkan untuk data training sebesar 50,08% dan untuk data testing sebesar 54,86%. Selanjutnya, data dianalisis dengan menggunakan bagging regresi logistik ordinal dengan harapan mampu meningkatkan ketepatan klasifikasi. Hasil analisis bagging regresi logistik ordinal pada data kombinasi 1 menunjukkan bahwa pada percobaan ke-10 untuk replikasi bootstrap 80 kali diperoleh ketepatan klasifikasi terbesar untuk data training sebesar 51,79% dan untuk data testing sebesar 56%. Hasil ini menunjukkan jikapenggunaan bagging memberikan peningkatan ketepatan klasifikasi. ]]>
<![CDATA[Pemodelan Biaya Langsung Proyek Perusahaan Jasa Konstruksi PT. X dengan Multivariate Regression ]]>
<![CDATA[Sulistianingrum Sulistianingrum]]>;
<![CDATA[Irhamah Irhamah]]>;
<![CDATA[Muhammad Mashuri]]>
<![CDATA[ Jurnal Sains dan Seni ITS Vol 2, No 1 (2013) ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (266.845 KB)
|
DOI: 10.12962/j23373520.v2i1.2987
<![CDATA[Salah satu unsur terpenting dalam bidang konstruksi adalah perkiraan biaya. Kesalahan dalam pembagian biaya proyek akan berakibat pada kerugian saat pelaksanaan proyek. Pemodelan adalah salah satu metode yang dapat digunakan untuk memperkirakan biaya proyek. Pada penelitian ini dilakukan pemodelan biaya langsung proyek konstruksi menggunakan regresi multivariat. Data yang digunakan adalah data sekunder dari PT. X. Hasil analisis menunjukkan bahwa durasi dan nilai kontrak mempunyai pengaruh yang signifikan terhadap biaya langsung material, manusia dan peralatan. Jika durasi proyek bertambah 1 hari dan nilai kontrak bertambah 1 miliar maka biaya material akan bertambah sebesar 0,19209 miliar, biaya manusia (upah) bertambah sebesar 0,02933 miliar dan biaya peralatan bertambah sebesar 0,04264 miliar.]]>
<![CDATA[Pengelompokan Kabupaten/Kota di Provinsi Jawa Timur Berdasarkan Indikator Pendidikan SMA/SMK/MA dengan Metode C-Means dan Fuzzy C-Means ]]>
<![CDATA[Hanna Silia Kartidan]]>;
<![CDATA[Irhamah Irhamah]]>
<![CDATA[ Jurnal Sains dan Seni ITS Vol 2, No 2 (2013) ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (726.871 KB)
|
DOI: 10.12962/j23373520.v2i2.4860
<![CDATA[Di Provinsi Jawa Timur memiliki beberapa komponen indikator pendidikan. Beberapa komponen yang masuk dalam indikator pendidikan di Jawa Timur yaitu Angka Partisipasi Murni, Angka Partisipasi Kasar, Angka Transisi, Angka Putus Sekolah, Angka Murid Mengulang, Angka Lulusan, Rasio Murid/Ruang Belajar, Rasio Kelas/Ruang Belajar, Rasio Murid/Guru dan Rasio Murid/Sekolah. Salah satu parameter keberhasilan pendidikan adalah menuntaskan APK dan APM mutu pendidikan hingga minimal mencapai 95%.Berdasarkan parameter tersebut pendidikan di Jawa Timur masih belum maksimal apabila ditinjau berdasarkan jenjang pendidikan formal khususnya pada jenjang pendidikan SMA/SMK/MA.Berdasarkan informasi yang telah didapat, penelitian ini dilakukan untuk mengetahui kabupaten/kota mana sajakah yang dapat dikelompokkan berdasarkan tingkat kemiripan berdasarkan indikator pendidikan SMA/SMK/MA di Provinsi Jawa Timur dengan menggunakan metode c-means dan fuzzy c-means. Pada kasus ini metodec-means memiliki kinerja yang hampir sama dengan metode fuzzy c-means. Hal ini berdasarkan perbandingan nilai icdrate yang hanya memiliki nilai selisih sebesar 0,001.]]>
<![CDATA[Peramalan Volume Pemakaian Air Sektor Rumah Tangga di Kabupaten Gresik dengan Menggunakan Fungsi Transfer ]]>
<![CDATA[Dwi Listya Nurina]]>;
<![CDATA[Irhamah Irhamah]]>
<![CDATA[ Jurnal Sains dan Seni ITS Vol 2, No 2 (2013) ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (974.257 KB)
|
DOI: 10.12962/j23373520.v2i2.4871
<![CDATA[Pemerintah Kabupaten Gresik melalui PDAM, saat ini hanya mampu melayani sekitar 30% kebutuhan air bersih bagi masyarakat. Berbagai upaya terus dilakukan untuk memenuhinya, termasuk mengantisipasi kebutuhan air bersih dimasa mendatang yang pasti akan semakin meningkat seiring perkembangan kota Gresik. Hal ini yang mendasari dilakukan penelitian untuk meramalkan volume pemakaian air di Kabupaten Gresik menggunakan analisis fungsi transfer. Analisis difokuskan pada sektor rumah tangga yang peruntukannya mencapai 85% dari total yang bisa dilayani PDAM. Hasil penelitian menunjukkan bahwa volume pemakaian air bulan ini dipengaruhi oleh volume pemakaian air pada dua belas dan dua puluh empat bulan sebelumnya, serta dipengaruhi oleh jumlah penduduk pada delapan, dua puluh dan tiga puluh dua periode sebelumnya. Penggunaan fungsi transfer memberikan hasil ramalan yang relatif baik dengan nilai MAPE sebesar 3.89%.]]>
<![CDATA[Pemodelan Faktor-Faktor yang Mempengaruhi Penggolongan Kredit di PT Bank X (Persero) Tbk dengan Menggunakan Metode Hybrid Genetic Algorithm - Logistic Regression ]]>
<![CDATA[Ni Putu Budi Setianingsih]]>;
<![CDATA[Irhamah Irhamah]]>
<![CDATA[ Jurnal Sains dan Seni ITS Vol 3, No 2 (2014) ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (470.659 KB)
|
DOI: 10.12962/j23373520.v3i2.8078
<![CDATA[PT Bank X (Persero) Tbk menunjukkan kinerja baik dalam perkreditan sampai pada tahun 2010. Namun sampai pada akhir kuartal III tahun 2013, PT Bank X (Persero) Tbk menjadi salah satu bank persero di Indonesia yang mengalami peningkat-an rasio kredit bermasalah atau non performing loan (NPL). Ter-jadinya kredit bermasalah akan memberi dampak bagi kreditur maupun debitur. Untuk itu, penelitian ini melakukan pemodelan faktor-faktor yang mempengaruhi penggolongan kredit di PT Bank X (Persero) Tbk guna memprediksi risiko kredit dari calon debitur. Pemodelan tersebut dilakukan dengan menggunakan metode regresi logistik dan hybrid genetic algorithm – logistic regression terhadap data debitur di PT Bank X (Persero) Tbk. Fungsi fitness yang di-gunakan adalah ukuran kesesuaian model regresi logistik, yaitu pseudo R2 atau R_L^2 dan MSE. Metode hybrid genetic algorithm – logistic regression memberikan hasil yang lebih baik karena R_L^2 yang bernilai lebih tinggi dan MSE yang bernilai lebih rendah dibandingkan dengan hasil estimasi parameter model regresi logistik menggunakan metode maximum likelihood estimation (MLE).]]>
