cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Wali Ja'far Shudiq
Contact Email
wali.jafar@unuja.ac.id
Phone
+6285257767603
Journal Mail Official
coreai@unuja.ac.id
Editorial Address
Jl. Kyai Haji Mun'im, Dusun Tj. Lor, Karanganyar, Kec. Paiton, Kabupaten Probolinggo, Jawa Timur 67291
Location
Kab. probolinggo,
Jawa timur
INDONESIA
COREAI: Jurnal Kecerdasan Buatan, Komputasi dan Teknologi Informasi
Published by Universitas Nurul Jadid
ISSN : 27750124     EISSN : 27747875     DOI : https://doi.org/10.33650/coreai
Core Subject : Science, Engineering,
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Mechanical Engineering Transportation
COREAI: Jurnal Kecerdasan Buatan, Komputasi dan Teknologi Informasi sebagai bagian dari semangat menyebarluaskan ilmu pengetahuan beberapa hasil dari penelitian dan pemikiran untuk pengabdian kepada masyarakat luas. Situs Jurnal COREAI ini menyediakan artikel-artikel jurnal untuk dibaca maupun diunduh secara gratis. Jurnal kami adalah jurnal ilmiah nasional yang merupakan sumber referensi akademisi di bidang Teknologi dan Informasi. Jurnal COREAI menerima artikel ilmiah dengan lingkup penelitian pada: Technology Management. Business Intelligence and Knowledge Management. Teknik Komputer Pengolahan Citra. Sistem Pendukung Keputusan. Data Mining. Robotik. Algoritma Genetika. Sistem Kecerdasan Buatan. Jaringan Komputer. Big Data. Enterprise Computing. Internet of Things. Sistem Database. Energy Management. Sistem Pakar. Sistem Penunjang Keputusan.
Arjuna Subject : Ilmu Komputer (semua kategori) - Ilmu Komputer (Lain-Lain)
Articles 6 Documents
 1 
Search results for , issue "Vol 2, No 2 (2021)" : 6 Documents clear
CLUSTERING LOYALITAS PELANGGAN DENGAN MODEL RFM (REFENCY, FREQUENCY, MONETARY) DAN METODE K-MEANS BERBASIS MEDIAN Ahmad Supriadi; Moh. Sukron; Mochammad Faid
COREAI: Jurnal Kecerdasan Buatan, Komputasi dan Teknologi Informasi Vol 2, No 2 (2021)
Publisher : Universitas Nurul Jadid

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (263.948 KB) | DOI: 10.33650/coreai.v2i2.3305

Abstract

Data loyalitas pelanggan dalam dunia jual beli selalu bertambah seiring dengan berjalannya waktu. Perkembangan teknologi yang sangat pesat dalam dunia bisnis perdagangan menjadi arah perubahan yang sangat signifikan dalam proses transaksi jual beli dengan pemanfaatan tekonologi proses transaksi penjualan dapat dijadikan sebuah sekumpulan data besar dan melimpah, Hal ini berpeluang untuk dapat dilakukan proses pengolahan data sehingga akan didapat sebuah informasi yang bermanfaat. Informasi tersebut seperti mengenai pengelompokan data pelanggan yang memiliki loyalitas tinggi sehingga pihak unit usaha terkait dapat memberikan reward pada pelanggan yang memiliki tingkat loyalitas tinggi. Untuk mengetahui hal tersebut, dilakukan  pengujian  model  dengan  menggunakan  metode k-means dengan pemilihan  pusat  klaster  awal  berbasis  median, hasil eksperimen dengan model tersebut dapat menghasilkan kualitas klaster yang lebih baik karena dengan pemilihan pusat klaster awal berbasis median tidak terjadi klaster kosong. Klaster yang dihasilan yaitu pada cluster pertama 133 cluster Kedua 30 dan cluster ketiga 208 sedangkan cluster keempat 129 dengan nilai DBI 0,694. Sedangkan metode k-mmeans dengan pemilihan pusat klaster standart didalam experimen ini menggunakan tool rapidminer didapat cluster pertama 310 cluster Kedua 19 dan cluster ketiga 37 sedangkan cluster keempat 134 dengan nilai DBI 0,807.
Sistem Pakar Diagnosa Penyakit Tanaman Cabe Menggunakan Metode Forward Chaining Berbasis Web (Studi Kasus BPP Mlandingan) Andi Wijaya; Wali Ja'far Shudiq; Eko Purnomo
COREAI: Jurnal Kecerdasan Buatan, Komputasi dan Teknologi Informasi Vol 2, No 2 (2021)
Publisher : Universitas Nurul Jadid

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (501.414 KB) | DOI: 10.33650/coreai.v2i2.3384

Abstract

Tanaman cabe (Capsicum annuum L) merupakan tanaman sayuran yang tergolong tanaman tahunan berbentuk perdu. Penyakit tanaman adalah gangguan pada tanaman yang disebabkan oleh mikro  organisme (virus, bakteri, protozoa, jamur, cacing nematoda). Permasalahan pada penelitian ini adalah minimnya pengetahuan petani dalam mendiagnosa penyakit yang sedang dialami pada tanaman cabe. Metode yang di gunakan adalah metode Forward Chaining. Metode ini digunakan sebagai sebagai salah satu teknik inferensi dalam sistem pakar ini, dikarenakan data dan fakta dalam melakukan proses penelitian telah didapatkan dan dari data atau fakta tersebut dapat dibuat sebuah sistem yang akan memberikan sebuah konklusi atau solusi berdasarkan atas sekumpulan data dan fakta tersebut. Dengan menggunakan teknik inferensi ini pula peluang dalam mendapatkan suatu konklusi yang lebih spesifik dapat dengan mudah didapatkan.tujuan dari penelitian ini adalah menghasilkan suatu sistem pakar diagnosa penyakit tanaman cabe menggunakan metode Forward Chaining berbasis web sehingga dapat membantu petani dalam mendiagnosa penyakit tanaman cabe. Model pengembangan yang digunakan pada penelitian ini adalah model waterfal, model waterfall (air terjun) artinya menyediakan pendekatan alur perangkat lunak yang terurut dimulai dari analisis, desain, pengkodean, uji sistem dan perawatan. Hasil pengujian terhadap user, dapat di simpulkan bahwa aplikasi sistem pakar diagnosa penyakit tanaman cabe menggunakan metode Forward Chaining berbasis web telah 68% baik untuk digunakan.
Perbandingan Algoritma K-Nearest Neighbor Untuk Klasifikasi Jenis Mangga Menggunakan Berdasarkan Fitur Gray Level Co-Occurrence Matric dan Fitur Warna Fathur Rizal; Nadiyah Nadiyah
COREAI: Jurnal Kecerdasan Buatan, Komputasi dan Teknologi Informasi Vol 2, No 2 (2021)
Publisher : Universitas Nurul Jadid

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (602.126 KB) | DOI: 10.33650/coreai.v2i2.3099

Abstract

Indonesia merupakan negara dengan sumber daya manusia serta sumber daya alam yang memiliki pontesial untuk dapat membangun industri buah nusantra, serta mata pencaharian sebagian besar penduduk indonesia yakni petani. Produksi pertanian diantaranya padi, jagung dan lain-lain [1][2]. Budidaya tanaman kebun jenis buah-buahan di indonesiaa seperti alpukat, nanas, kelengkeng, pisang, mangga dan lain-lain. Sebagian besar penduduk indonesia sangat gemar menanam pohon mangga di halaman rimah atau kebun mereka. Akan tetapi dari kegemaran mereka menanam pohon mangga tidak jarang masyarakat tertipu dengan jenis mangga yang ditanam. Oleh sebab itu dibutuhkan suatu model atau metode untuk dapat mengklasifikasikan jenis mangga serta untuk mengetahui jenis mangga tersebut dapat dilihat dari ciri yang ada seperti bentuk tekstur dan warna. Terdapat beberapa metode yang telah diusulkan serta telah dikerjakan utnuk mengklasifikasikan jenis mangga, akan tetapi hasil rata-rata akurasi yang diperoleh kurang dari 80%. Dalam penelitian ini mengusulkan pendekatan menggunakan k-nearest neighbor dengan optimasi algoritma genetika serta menggunakan fitur gray level co-occurrence matrix dan fitur warna daun mangga jumlah dataset yang digunakan sebanyak 800 daun citra. Penggunaan algoritma genetika untuk optimasi berhasil meningkatkan nilai akurasi pada metode k-nearest neighbor. Akurasi tertinggi terdapat pada nilai k=3 yakni 93.50%. Sedangkan metode k-nearest neighbor tanpa menggunakan optimasi memperoleh akurasi sebesar 93.00% dengan nilai k=1.
Implementasi Algoritma Convolutional Neural Networks (CNN) Untuk Klasifikasi Batik Fathur Rizal; Fuadz Hasyim; Kamil Malik; Yudistira Yudistira
COREAI: Jurnal Kecerdasan Buatan, Komputasi dan Teknologi Informasi Vol 2, No 2 (2021)
Publisher : Universitas Nurul Jadid

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1091.644 KB) | DOI: 10.33650/coreai.v2i2.3365

Abstract

Batik adalah salah satu budaya khas Indonesia dan sudah diakui sebagai warisan budaya Internasional oleh UNESCO (The United Nations Educational, Scientific and Cultural Organization) pada tanggal 2 Oktober 2009. Batik telah menjadi warisan budaya turun temurun di seluruh Indonesia khususnya di daerah Jawa. Saat ini ada ratusan motif kain batik dari seluruh penjuru Indonesia. Banyaknya pola batik di Indonesia mengakibatkan sulitnya masyarakat mengidentifikasi motif pada batik.  penelitian ini dapat mempermudah pengenalan pola batik. Salah satu teknologi kecerdasan buatan dengan sebutan artificial intelligence (AI) adalah pembelajaran mesin dengan menggunakan metode computer vision Salah satu model pembelajaran mesin tersebut adalah jaringan syaraf tiruan (JST) dengan menggunakan banyak lapisan, sehingga dengan adanya model tersebut maka dapat lebih baik lagi performa komputasi dengan menggunakan teknik Deep Learning. Metode yang digunakan adalah Convolutional Neural Networks (CNN) dengan melakukan klasifikasi gambar pada batik berbasis komputer dengan memanfaatkan kecerdasan buatan (artificial intelligence). Hasil dari penelitian yang telah dilakukan pada pengujian terhadap 200 dataset dan 20 label diperoleh nilai akurasi yang tertinggi adalah “Batik Megamendung dan Batik Celup” dengan nilai akurasi 80% dan 60%, hasil accuracy yang diperoleh dari proses pelatihan model dari 200 epoch yang tertinggi adalah 90%.
Optimasi Peletakan Watermark pada Citra Digital Menggunakan Algoritma Genetika Eko Supomo; Andi Sunyoto; Mei P Kurniawan
COREAI: Jurnal Kecerdasan Buatan, Komputasi dan Teknologi Informasi Vol 2, No 2 (2021)
Publisher : Universitas Nurul Jadid

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (318.839 KB) | DOI: 10.33650/coreai.v2i2.3216

Abstract

Pengolahan citra digital termasuk bagian dari ilmu komputer, banyak peneliti yang tertarik untuk meneliti watermark citra digital karena dengan adanya teknologi watermark citra digital sangat dibutuhkan. Namun pada prakteknya para peneliti kesulitan untuk menentukan letak watermark yang paling baik karena jumlah piksel atau koordinat citra digital yang sangat banyak, misalnya pada citra digital yang berukuran 512 x 512 terdapat 262.144 piksel atau titik. Untuk itu diperlukan suatu metode yang dapat menyelesaikannya, salah satunya adalah metode optimasi Algoritma Genetika (Genetic Algorithm). Pada algoritma ini terdapat beberapa tahapan yaitu: Evaluasi nilai fitnes, pemilihan individu, Kombinasi (Crossover), mutasi, populasi baru. Untuk memudahkan pemilihan individu sehingga diperoleh kromosom yang unngul maka penulis menggunakan metode seleksi Roulette Wheel Selection (RWS). Berdasarkan pemilihan piksel dari ribuan piksel, dengan metode yang dipilih penulis telah menemukan 9 titik koordinat terbaik pada citra digital pertama, 12 titik koordinat terbaik sedangkan pada citr digital ketiga ditemukan 10 titik koordinat terbaik dan titik-titik tersebut merupakan sebagai rekomendasi tempat watermark citra digital
Optimasi Metode Naïve Bayes Menggunkanan Algoritma Particle Swarm Optimization (Pso) Untuk Prediksi Penyakit Diabetes Mellitus Moh. Sukron; Ahmad Supriadi; Rizal Sulton
COREAI: Jurnal Kecerdasan Buatan, Komputasi dan Teknologi Informasi Vol 2, No 2 (2021)
Publisher : Universitas Nurul Jadid

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (311.597 KB) | DOI: 10.33650/coreai.v2i2.3304

Abstract

Deabetes Mellitus merupakan salah satu penyakit dimana terdapat tingkat kadar gula (glukosa) yang tinggi didalam darah dalam kontek defisiensi insulin relatif dan resistensi insulin. Diabetes Mellitus sulit untuk diprediksikan. Dengan pemannfaatan database pasien, peneliti mencoba mengolah variabel pasien Deabetes Mellitus dalam medapatkan akurasi prediksi penyakit Diabetes Mellitus dengan memanfaatkan data mining. Metode yang digunakan adalah Naive Bayes, namun metode Naïve Bayes memiliki kelemahan yaitu hasil probabilitas kurang berjalan seara optimal dan sering salah pada atribut. Guna mengatasi kelemahan Naïve Bayes, salah satu cara yaitu dengan metode pembobotan atribut menggunakan algotima Prticle Swarm Optimization (PSO). Hasil penelitain menunjukkan akurasi metode naïve bayes menghasilkan akurasi sebesar 86,80% dan Naïve Bayes dengan Particle Swarm Optimization (PSO)  menghasilkan akurasi 89,84%. Dari hasil tersebut dapat disimpulkan metode naive bayes yang di optimasi dengan pembobotan atribut di dapatkan nilai akurasi yang lebih baik dengan peningkatan akurasi 3,04%.

Page 1 of 1 | Total Record : 6

 1 

Filter by Year

2021 2021


Reset
Filter By Issues
All Issue Vol 4, No 1 (2023) Vol 3, No 2 (2022) Vol 3, No 1 (2022) Vol 2, No 2 (2021) Vol 2, No 1 (2021) Vol 1, No 1 (2020)