Articles

PENGGUNAAN FUNGSI AKTIVASI LINIER DAN LOGARITHMIC NORMALIZATION PADA METODE BACKPROPAGATION UNTUK PERAMALAN LUAS KEBAKARAN HUTAN Pratama, Gilang; Adinugroho, Sigit; Rahayudi, Bayu
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 3 No 12 (2019)
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Kebakaran hutan merupakan bencana yang banyak terjadi di berbagai negara di dunia khususnya yang banyak memiliki kawasan hutan. Pada bulan Juni tahun 2017, Portugal mendapat musibah kebakaran hutan dengan kerugian lebih dari 565 juta Dolar Amerika. Dalam kasus ini, data meteorologi dapat mempengaruhi beberapa indeks api dan dapat digunakan untuk peramalan luas area demi penjagaan ekstra untuk mencegah kerugian yang berlebih dan pelestarian sumber daya alam. Paper ini menggunakan metode backpropagation, yang diawali dengan perhitungan preprocessing data (min max normalization, dan logarithmic normalization).  Setelah itu dilakukan dilakukan perhitungan normalisasi bobot dengan menggunakan metode nguyen widrow, perhitungan proses feed forward untuk mengetahui output pada setiap indeks iterasi, dihitung nilai error pada indeks iterasi tersebut dan bobot diperbaiki menggunakan proses backpropagation. Selanjutnya, nilai output didenormalisasi untuk mengembalikan data ke range awal. Hasil pengujian dihitung menggunakan Mean Square Error (MSE) pada setiap percobaan uji parameter. Uji parameter mendapatkan nilai learning rate terbaik yaitu 0.1 dengan hasil MSE 6743,716, 3 hidden neuron dengan MSE 6745,456, 10 epoch dengan hasil MSE 6740,684, dan rasio data uji 10% data latih 90% yang menghasilkan MSE 1881,604.
KLASIFIKASI EMOSI LAGU BERDASARKAN LIRIK PADA TEKS BERBAHASA INDONESIA MENGGUNAKAN K-NEAREST NEIGHBOR DENGAN PEMBOBOTAN WIDF Armianti, Diajeng Ninda; Indriati, Indriati; Adinugroho, Sigit
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 3 No 10 (2019)
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Dalam penciptaan sebuah lagu, salah satu komponen utama sebuah lagu yang harus diperhatikan adalah lirik. Lirik berperan penting dalam penyampaian emosi maupun maksud dari pencipta lagu terhadap pendengar. Terkadang, emosi yang disampaikan oleh seniman masih mengalami kesalahan penafsiran oleh pendengar. Oleh sebab itu, untuk menghindari kesalahan dalam penafsiran lirik lagu secara manual, diperlukan suatu proses pengklasifikasian secara otomatis tanpa harus mencermati lirik satu persatu. Klasifikasi juga bertujuan untuk memperoleh emosi dari lirik yang lebih akurat. Salah satu metode yang dapat digunakan adalah metode k-nearest neighbor. Sebelum melakukan proses klasifikasi, dilakukan beberapa tahapan lainnya diantaranya text preprocessing dan pembobotan dengan metode WIDF. Data yang digunakan berjumlah 108 data dengan perbandingan 1:5 dimana 18 data untuk data uji dan 90 data untuk data latih dengan jumlah data tiap kelas seimbang. Hasil pengujian pada 6 kali percobaan berdasarkan nilai k yang diambil secara acak menunjukkan nilai rata-rata precision terbaik sebesar 0,49 dan nilai recall terbaik sebesar 0,53. Klasifikasi lirik lagu dengan pembobotan WIDF menunjukkan hasil akurasi yang kurang baik dengan nilai 66%. Keambiguan kata dan jumlah data latih menyebabkan nilai akurasi yang kurang optimal.    
Analisis Sentimen Pariwisata di Kota Malang Menggunakan Metode Naive Bayes dan Seleksi Fitur Query Expansion Ranking Fanissa, Shima; Fauzi, Mochammad Ali; Adinugroho, Sigit
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 2 No 8 (2018)
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (779.689 KB)

Abstract

Pariwisata merupakan salah satu sektor usaha untuk memajukan suatu kota. Kota Malang pada saat ini memiliki sebuah branding city yang bernama “Beautiful Malang”. Masyarakat  Indonesia memilih pariwisata Kota Malang sebagai destinasi dan mengulasnya pada website salah satunya adalah  TripAdvisor. Dengan demikian penelitian ini mencoba menganalisis ulasan dari masyarakat tentang pariwisata Kota Malang melalui analisis sentimen dan diklasifikasikan menjadi dua kelas yaitu positif dan negatif. Pada penelitian ini metode yang digunakan adalah Naive Bayes dengan seleksi fitur Query Expansion Ranking untuk mengurangi jumlah fitur pada proses klasifikasi. Proses dari analisis sentimen terdiri dari preprocessing, seleksi fitur dengan metode Query Expansion Ranking, dan klasifikasi dengan Naive Bayes. Pengujian pada penelitian ini adalah uji akurasi dengan menggunakan variasi rasio seleksi fitur, hasilnya seleksi fitur 75% memiliki akurasi terbaik sebesar 86.6%.    
Prediksi Penjualan Mi Menggunakan Metode Extreme Learning Machine (ELM) di Kober Mie Setan Cabang Soekarno Hatta Giusti, Ayustina; Widodo, Agus Wahyu; Adinugroho, Sigit
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 2 No 8 (2018)
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (989.977 KB)

Abstract

Kober Mie Setan cabang Soekarno Hatta merupakan sebuah perusahaan yang bergerak pada bidang makanan. Jumlah permintaan konsumen restoran Kober Mie Setan cabang Soekarno Hatta yang tak menentu setiap waktu berpengaruh terhadap sisa bahan baku yang ada karena bahan baku yang terlalu lama disimpan tidak baik untuk dikonsumsi. Ketika permintaan rendah dan bahan baku yang disediakan tinggi, maka sisa bahan baku dari penjualan hari itu akan dibuang. Agar bahan baku tidak terbuang sia-sia, maka prediksi penjualan diperlukan oleh Kober Mie Setan cabang Soekarno Hatta. Dengan prediksi penjualan tersebut restoran dapat memprioritaskan pembelanjaan bahan baku menu tertentu yang memiliki keminatan tinggi sehingga sisa bahan baku dapat berkurang. Penelitian ini diterapkan metode dari Jaringan Syaraf Tiruan (JST) yaitu Extreme Learning Machine (ELM) untuk memprediksi penjualan mi di restoran Kober Mie Setan cabang Soekarno Hatta. Proses prediksi penjualan mi di Kober Mie Setan yaitu normalisasi data, proses training, proses testing, denormalisasi data, dan perhitungan nilai error menggunakan Mean Square Error (MSE). Metode ELM memiliki kelebihan dalam learning speed dan tingkat error yang kecil. Berdasarkan pengujian yang dilakukan untuk mengetahui perbedaan penggunaan fitur data dalam penelitian ini menghasilkan tingkat error terkecil yaitu 0.0171 dengan menggunakan fitur data historis dan fitur data sisa penjualan.
Prediksi Jumlah Kunjungan Wisatawan Mancanegara Ke Bali Menggunakan Support Vector Regression dengan Algoritma Genetika Surtiningsih, Listiya; Furqon, Muhammad Tanzil; Adinugroho, Sigit
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 2 No 8 (2018)
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1328.39 KB)

Abstract

Sektor pariwisata menjadi salah satu penopang perekonomian yang ada di Indonesia. Selama ini sumbangan wisatawan mancanegara Bali terhadap wisman nasional hampir mencapai 40% sehingga menjadikan Bali banyak menyumbang terhadap jumlah kunjungan wisman nasional. Prediksi kunjungan wisatawan mancanegara sangat penting bagi pemerintah dan industri, karena prediksi menjadi dasar dalam perencanaan kebijakan yang efektif. Metode Support Vector Regression (SVR) merupakan metode prediksi yang memiliki kemampuan dalam mengatasi data skala besar pada fase training dan mampu mengenali pola dari data time series. Hasil prediksi akan bernilai baik jika nilai parameter penting dari SVR dapat ditentukan secara benar dengan cara dilakukan optimasi. Salah satu metode optimasi adalah Algoritma Genetika (GA). GA akan melakukan optimasi terhadap parameter penting dari SVR untuk mendapatkan parameter terbaik sehingga dapat menghasilkan prediksi yang lebih baik. Hasil pengujian menunjukkan nilai MAPE yang diperoleh adalah 2,513% dengan parameter terbaik yaitu range lamda 1 – 10, range kompleksitas 1 – 100, range epsilon 0,00001 – 0,001, range gamma 0,00001 – 0,001, range sigma 0,01 – 3,5, Iterasi SVR 1250, generasi GA 90, populasi 70, crossover rate 0,6, mutation rate 0,4, jumlah fitur 2 dan jumlah periode prediksi 1 bulan. Berdasarkan hasil pengujian, metode GA-SVR pada data kunjungan wisatawan mancanegara ke Bali sesuai untuk prediksi jangka pendek.
PENGELOMPOKAN WILAYAH BERDASARKAN PENYANDANG MASALAH KESEJAHTERAAN SOSIAL (PMKS) DENGAN OPTIMASI ALGORITME K-MEANS MENGGUNAKAN SELF ORGANIZING MAP (SOM) Hidayatin, Iskarimah; Adinugroho, Sigit; Dewi, Candra
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 3 No 8 (2019)
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Penyandang Masalah Kesejahteraan Sosial (PMKS) merupakan masyarakat, keluarga, kelompok atau seseorang yang tidak bisa melakukan fungsi secara sosial dikarenakan terdapat suatu kesulitan secara rohani, jasmani, atau sosial. Pengelompokan daerah berdasar PMKS sangat penting dilakukan untuk memberikan gambaran masalah PMKS dengan tujuan kebijakan yang diambil tepat sasaran. Algoritme Self Organizing Map (SOM) untuk penentuan jumlah cluster dan centroid awal sedangkan algoritme K-Means untuk penentuan hasil akhir cluster. Alur penelitian yaitu data dilakukan normalisasi lalu proses SOM kemudian ke K-Means selanjutnya dilakukan pengujian dan analisis. Pengujian parameter SOM menggunakan silhouette coefficient diperoleh parameter yang terbaik adalah nilai learning rate bernilai 0.2, beta bernilai 0.8, r (ketetanggaan) bernilai 0, jumlah cluster bernilai 2, dan epoch bernilai 50. Optimasi algoritme K-Means menggunakan SOM lebih baik daripada algoritme K-Means berdasarkan pada nilai silhouette coefficient. Nilai silhouette coefficient pada SOM yaitu 0.21882702 sedangkan K-Means memiliki nilai bernilai 0.201911102. Analisis hasil yang didapatkan Optimasi algoritme K-Means dengan SOM yaitu cluster 1 dengan jumlah 26 Kabupaten/Kota dengan memiliki kesamaan dalam variabel Pekerja Migran Bermasalah Sosial, Keluarga bermasalah sosial psikologis, dan Anak yang menjadi korban tindak kekerasan/yang diperlakukan salah memiliki nilai rata-rata yang tinggi dan cluster 0 dengan jumlah 12 Kabupaten/Kota dengan kesamaan variabel yang tinggi selain cluster 1.
PENGELOMPOKAN DOKUMEN PETISI ONLINE DI SITUS CHANGE.ORG MENGGUNAKAN ALGORITME HIERARCHICAL CLUSTERING UPGMA Ferdiansyah, Irwin Deriyan; Adinugroho, Sigit; Fauzi, Mochammad Ali
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 2 No 10 (2018)
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Change.org merupakan salah satu website yang sering digunakan oleh masyarakat untuk sarana penyampaian petisi dan kampanye sosial secara online. Kampanye lewat media sosial terbukti dapat menghasilkan perubahan. Aliran informasi petisi online yang berupa dokumen diperbarui setiap harinya dalam jumlah yang besar, membuat clustering dokumen menjadi sangat penting. Clustering dokumen adalah proses pengelompokan dokumen yang memiliki kesamaan topik. Tujuannya untuk membagi dokumen berdasarkan kesamaan, sehingga memudahkan dalam proses pencarian. Metode yang digunakan adalah hierarchical clustering UPGMA atau Unweighted Pair-Group Method using Arithmetic averages dengan menambahkan reduksi fitur menggunakan metode latent semantic indexing hasil pemecahan matrik singular value decomposition. Hasil penelitian menyimpulkan bahwa latent semantic indexing dapat mengatasi permasalahan pada data berdimensi tinggi. Data yang digunakan berjumlah 100 petisi. Dari hasil pengujian performansi  menggunakan cophenetic correlation coefficient diperoleh nilai cophenetic sebesar 0,75959 pada rank matrik LSI sebanyak 10% dan silhouette coefficient sebesar 0,36862 dengan jumlah cluster sebanyak 2 cluster.
PREDIKSI KEPUTUSAN PELANGGAN MENGGUNAKAN EXTREME LEARNING MACHINE PADA DATA TELCO CUSTOMER CHURN Tisantri, Daris Hadyan; Wihandika, Randy Cahya; Adinugroho, Sigit
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 3 No 11 (2019)
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Pada zaman sekarang, banyak sekali perusahaan dan instansi yang berkompetisi menawarkan jasa seperti internet dan telekomunikasi yang menggunakan sistem berlangganan untuk menjual jasanya sehingga perusahaan tersebut harus berkompetisi melalui strategi pemasaran. Faktor penting dalam pengulangan pembelian pada pelanggan yaitu loyalitas. Loyalitas mempunyai hubungan berbanding lurus dengan performa bisnis. Faktor pemasaran dan loyalitas pelanggan inilah yang mengakibatkan banyaknya pelanggan yang berpindah/berhenti dari perusahaan satu dengan yang lain sejenis sehingga beberapa perusahaan kehilanngan pelanggan (Churn) yang mengakibatkan turunnya revenue. Jika perusahaan atau instansi dapat memprediksi churn, perusahaan atau instansi dapat mengantisipasi agar pelanggan tersebut tidak berhenti berlangganan. Pada penelitian ini, data yang digunakan pada penelitian berasal dari Kaggle yang bersumber dari IBM Sample Data Sets. Data ini terdiri dari 7043 data yang terdiri dari 20 fitur dengan dua kelas yaitu yes jika pelanggan churn dan no jika pelanggan tidak churn. Kemudian data akan dieliminasi fitur yang tidak digunakan menggunakan korelasi Pearson .Kemudian data akan dilatih menggunakan Extreme Learning Machine untuk memprediksi pelanggan akan churn atau tidak. Hasil dari penelitian adalah mendapatkan akurasi sebesar 76,96%, precision churn sebesar 65,45%, precision non churn sebesar 78,65%, recall churn sebesar 29,38%, recall non churn sebesar 94,19%
Pencarian Produk yang Mirip Melalui Automatic Online Annotation dari Web dan Berbasiskan Konten dengan Color Histogram Bin dan Surf Descriptor Adikara, Putra Pandu; Adinugroho, Sigit; Sari, Yuita Arum
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 5, No 1: Februari 2018
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (607.144 KB) | DOI: 10.25126/jtiik.201851630

Abstract

Banyaknya situs e-commerce memberikan kemudahan bagi pengguna yang ingin mencari dan membeli suatu produk, misalnya membeli makanan, obat, alat elektronik, kebutuhan sehari-hari, dan lain-lain. Pencarian suatu produk terhadap beberapa situs e-commerce akan menjadi sulit karena banyaknya pilihan situs, banyaknya penjual (merchant/seller) yang menjual barang yang sama, dan waktu yang lama karena harus berpindah-pindah situs hingga menemukan produk yang diinginkan. Selain itu dengan adanya teknologi smartphone berkamera, augmented reality, query pencarian bisa jadi hanya berupa citra, namun pencarian produk dengan menggunakan citra pada umumnya tidak diakomodasi di situs e-commerce. Dalam penelitian ini dikembangkan sistem meta search-engine yang menggunakan query berupa citra dan berbasiskan konten untuk menggabungkan hasil pencarian dari beberapa situs e-commerce. Citra query yang tidak diketahui namanya dibangkitkan tag atau kata kuncinya melalui Google reverse image search engine. Kata kunci ini kemudian diberikan ke masing-masing situs e-commerce untuk dilakukan pencarian. Fitur yang digunakan dalam pencocokan query dengan produk adalah fitur tekstual, color histogram bin, dan keberadaan citra objek yang dicari menggunakan SURF descriptor. Fitur-fitur ini digunakan untuk menentukan relevansi terhadap hasil penelusuran. Sistem ini dapat memberikan hasil yang baik dengan precision@20 dan recall hingga 1 dengan rata-rata precision@20 dan recall masing-masing sebesar 0,564 dan 0,608, namun juga bisa gagal dengan precision@20 dan recall sebesar 0. Hasil yang kurang baik ini dikarenakan tag yang dibangkitkan terlalu umum dan situs e-commerce-pun memberikan hasil yang umum juga
Klon Perilaku Menggunakan Jaringan Saraf Tiruan Konvolusional Dalam Game SuperTuxKart Amin, Arrizal; Sari, Yuita Arum; Adinugroho, Sigit
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 3 No 1 (2019)
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (597.803 KB)

Abstract

Salah satu komponen penting dari permainan video adalah kecerdasan buatan untuk membuat permainan menjadi lebih kompetitif. Kecerdasan buatan berperan dalam menentukan aksi yang akan dijalankan demi mencapai tujuan di dalam permainan. Dalam pembuatan algoritme kecerdasan buatan, pengembang permainan perlu memprogram kecerdasan buatan untuk dapat memilih aksi/langkah yang akan dipakai dalam setiap keadaan di dalam permainan yang memungkinkan. Dalam penelitian ini, jaringan saraf tiruan akan digunakan sebagai kecerdasan buatan dalam permainan video. Penggunaan jaringan saraf tiruan akan memudahkan pengembang karena tidak perlu memprogram algoritme kecerdasan buatan berdasarkan setiap keadaan yang ada. Selain itu jaringan saraf tiruan dapat beradaptasi dan dapat mempelajari perilaku pemain. Penelitian ini akan menggunakan contoh permainan SuperTuxKart untuk mengembangkan kecerdasan buatan. Kecerdasan buatan yang dibuat pada learning rate 0,0001, momentum 0,3 dan epoch ke-100 dapat mencapai akurasi 86,72% dalam meniru perilaku pemain saat memainkan permainan. Sehingga dapat disimpulkan bahwa penggunaan jaringan saraf tiruan dapat digunakan sebagai kecerdasan buatan dalam permainan video.