Stefanus Santosa
Program Pasca Sarjana, Universitas Dian Nuswantoro

Published : 12 Documents
Articles

Found 12 Documents
Search

Prediksi Produksi Air PDAM dengan Jaringan Syaraf Tiruan Pramonoaji, Yudha Tirto; Santosa, Stefanus; Pramunendar, Ricardus Anggi
Semantik Vol 3, No 1 (2013): Semantik 2013
Publisher : Semantik

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (436.826 KB)

Abstract

Perusahaan Daerah Air Minum  (PDAM)  merupakan perusahaan milik daerah yang begerak di bidang  penyedia, pengolahan,dan pendistribusian air bersih.  Sebuah sistem  yang  akurat untuk  prediksi  jumlah produksi air  untuk masa depan  dibutuhkan oleh PDAM untuk menentukan kebijakan dalam bidang produksi air. Penelitian ini menghasilkan sebuah model prediksi untuktotal volume  produksi air PDAM  Kota Semarang.  Data yang diolah  adalah jumlah penduduk, jumlah pelanggan berdasarkan jenis pelanggan, total volume produksi, kontribusi daerah sumber, volume distribusi, air terjual, dan kehilangan air. Data diperoleh dari laporan  bulanan  perusahaan  selama  5  tahun terakhir yaitu  mulai tahun 2008-2012.  Pendekatan  yang digunakan untuk prediksi produksi air adalah dengan menggunakan metode  Jaringan Syaraf Tiruan Backpropagation dengan Fungsi Aktivasi Hyperbolic Tangent. Berdasarkan hasil  penelitian, diperoleh  sebuah Model Prediksi Untuk  Total Volume Produksi Air PDAM  Kota Semarang dengan  nilai error 0.000000, MSE 0.074416,  MAE 0.102487, dan  rata-rata nilai akurasi sebesar 95,56%.
PEMETAAN MOTIVASI BELAJAR SISWA TERHADAP MULTIMEDIA PEMBELAJARAN BERBASIS ALGORITMA K-MEANS Budisantoso, Heri Triluqman; Santosa, Stefanus
Jurnal Pseudocode Vol 1, No 2 (2014)
Publisher : UNIB Press, Universitas Bengkulu

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33369/pseudocode.1.2.116-128

Abstract

Abstrak: Pemetaan penggunaan media pembelajaran dapat mengklasifikasikan tingkat motivasi belajar siswa. Pada proses pemetaan pengelompokan dan pengklusteran yang akurat mengenai pemetaan motivasi belajar dapat menentukan parameter berdasarkan masing-masing kluster. Penelitian ini menggunakan K-Means Clustering untuk memetakan motivasi siswa pada media pembelajaran. Terdapat tiga kluster berdasarkan pada tujuh atribut yaitu, kelas, jenis kelamin, perhatian, relevansi, kepercayaan diri, dan rasa puas. Hasil penelitian menunjukkan bahwa motivasi rendah dibandingkan nilai tengah adalah ((10,80), (0,35), (1,05), (11,80), (10,80), (8,30), (9,00)). Motivasi yang sebanding dengan nilai tengah adalah ((11,16), (0.26), (16,42), (13,34), (14,24), (9.63), (9.58)). Motivasi tinggi dibandingkan dengan nilai tengah adalah ((11,06), (0.28), (16,56), (13,67), (14,06), (10,19), (10,53)). Hasil evaluasi menggunakan metode index Davies-Bouldin memperlihatkan nilai dibawah 1.689 dari centroid pada tiap kluster. Hal ini berarti menggunakan algoritma K-Means, pemetaan motivasi belajar siswa berada pada kondisi yang baik.Kata Kunci : Multimedia, Motivasi Belajar, K-Means.
Seleksi Arah Sudut Komputasi Dan Fitur Glcm Pada Kstraksi Citra Kayu Jati, Mahoni, Mindi, Dan Sengon Santosa, Stefanus; Martono, Martono; Utomo, Marchus Budi; Budi, Basuki Setiyo
Wahana Teknik Sipil: Jurnal Pengembangan Teknik Sipil Vol 23, No 2 (2018): Wahana Teknik Sipil
Publisher : Politeknik Negeri Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32497/wahanats.v23i2.1363

Abstract

Research on feature extraction of wood texture with features and angle direction israrely done, especially in teak, mahogany, mindi, and albasia. This research isneeded to select more efficient and effective features and angle directions to identify wood species. The features tested were Angular Second Moment (ASM), Contrast, IDM / Homogenity, Entropy, Correlation and the direction of the computational 0, 45, 90, and 135 degrees of gray level co-occurrence matrix (GLCM). The experimental results show that the selected angles are 0, 45, and 90 degrees and features are IDM and Entropy.Kata kunci : gray level co-occurrence matrix (GLCM), features extraction, woodclassification
SISTEM INFORMASI PERENCANAAN PENGADAAN OBAT DI DINAS KESEHATAN KABUPATEN BOYOLALI Rahmawatie, Erni; Santosa, Stefanus
Jurnal Pseudocode Vol 2, No 1 (2015)
Publisher : UNIB Press, Universitas Bengkulu

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33369/pseudocode.2.1.45-52

Abstract

Obat memegang peran yang penting dalam pelayanan kesehatan karena obat merupakan salah satu sarana untuk meningkatkan derajat kesehatan. Dinas Kesehatan Kabupaten Boyolali Propinsi Jawa Tengah merupakan dinas yang salah satu tugasnya adalah merencanakan, melaksanakan, mengarahkan, mengawasi, dan mengendalikan bidang kesehatan sesuai kebijakan pemerintah daerah. Setiap bulannya salah satu program Dinas Kesehatan Kabupaten Boyolali adalah memantau kegiatan setiap puskesmas berkaitan dengan 10 penyakit terbanyak, trend penyakit, stok obat, dan penggunaan obat. Data tersebut menjadi acuan untuk membantu pemerintah daerah dalam mendukung keputusan pemerintah dalam perencanaan pengadaan obat. Penelitian ini bertujuan untuk membuat sistem yang mampu menghasilkan informasi yang dapat mendukung perencanaan pengadaan obat oleh pemerintah daerah. Metode pengembangan sistem yang digunakan dalam penelitian ini adalah SDLC (System Development Live Cycle).Kata kunci: Sistem Informasi, Perencanaan, Pengadaan Obat
ALGORITMA KLASIFIKASI DATA MINING NAIVE BAYES BERBASIS PARTICLE SWARM OPTIMIZATION UNTUK DETEKSI PENYAKIT JANTUNG Widiastuti, Nur Aeni; Santosa, Stefanus; Supriyanto, Catur
Jurnal Pseudocode Vol 1, No 1 (2014)
Publisher : UNIB Press, Universitas Bengkulu

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33369/pseudocode.1.1.11-14

Abstract

Data mining sering disebut Knowledge Discovery in Database (KDD). Data mining biasanya digunakan untuk memperbaiki pengambilan keputusan di masa yang akan datang berdasarkan informasi yang diperoleh dari masa lalu. Misalnya untuk prediksi, estimasi, assosiasi, clustering, dan deskripsi. Sekumpulan data yang ada di laboratorium klinik belum difungsikan secara efektif dan hanya di fungsikan sebagai arsip untuk riwayat penyakit pasien. Jantung merupakan pembunuh nomor satu di dunia. Kurangnya aliran darah dan oksigen ke jantung bisa menyebabkan penyakit jantung. Pada penelitian ini akan membandingkan algoritma klasifikasi data mining Naive Bayes Berbasis PSO untuk deteksi penyakit jantung. Pengukuran dengan Naives Bayes menghasilkan akurasi 82.14%, sementara dengan Naives Bayes Berbasis Particle Swarm Optimization akurasi meningkat menjadi 92.86%. Tingkat akurasi dibandingkan dengan hasil laboratorium.Kata Kunci: Data Mining, Penyakit Jantung, Naive Bayes, Particle Swarm Optimization. 
PENENTUAN PRIORITAS PERBAIKAN GEDUNG MENGGUNAKAN METODE AHP DARI SUDUT PANDANG TENANT Santosa, Stefanus; Rochadi, Mochammad Tri; Suroso, Suroso; Mawardi, Mawardi; Suwarto, Suwarto
Wahana Teknik Sipil: Jurnal Pengembangan Teknik Sipil Vol 24, No 2 (2019): Wahana Teknik Sipil
Publisher : Politeknik Negeri Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32497/wahanats.v24i2.1727

Abstract

Bangunan mall adalah pusat perbelanjaan yang secara arsitektur berupa bangunan tertutup dengan suhu yang diatur dan memiliki jalur yang teratur. Infrastruktur bangunan mall terdiri dari beberapa tenant yang menawarkan berbagai macam kebutuhan masyarakat serta adanya atrium dalam mall yang berfungsi sebagai tempat pameran. Tujuan dari penelitian ini adalah mengetahui urutan prioritas dan kondisi bangunan mall, yang berguna sebagai acuan dalam kegiatan perbaikan yang berimbas pada kepuasan tenant. Permasalahan kepuasan tenant dapat diakibatkan dari berbagai faktor salah satunya, yaitu terkait fasilitas, perbaikan gedung dan penanganannya yang dikhawatirkan dapat mempengaruhi produktivitas. Data primer pada penelitian ini diperoleh dengan cara pengamatan langsung di lokasi penelitian, dan menyebarkan form kuisioner kepada responden yang terkait. Data sekunder diperoleh dari data penelitian terdahulu, peraturan yang berlaku, dan pedoman bangunan gedung. Penelitian ini menggunakan metode Analytical Hierarchy Process (AHP), untuk menentukan bobot komponen yang diperoleh dari hasil penilaian kepentingan komponen bangunan, oleh masing-masing responden. Hasil analisis menunjukkan bahwa faktor pertimbangan utama perbaikan gedung peringkat pertama adalah faktor kenyamanan dengan nilai prioritas 21,299%, peringkat kedua faktor keselamatan dengan nilai prioritas 18,343%, peringkat ketiga faktor dana/ biaya yang terbatas dengan nilai prioritas 16,192%. Berdasarkan model hierarki yang telah disusun, maka dapat ditemukan Model Prioritas Pengambilan Keputusan Perbaikan Gedung khususnya Mall dengan mempertimbangkan faktor kenyamanan, kesehatan, keselamatan, kemudahan akses, dana/ biaya yang terbatas, petugas yang terbatas, dan waktu yang terbatas (deadline).
MODEL PREDIKSI PENYAKIT GINJAL KRONIK MENGGUNAKAN RADIAL BASIS FUNCTION Santosa, Stefanus; Widjanarko, Agus; Supriyanto, Catur Supriyanto
Jurnal Pseudocode Vol 3, No 2 (2016): Volume 3 Nomor 2 September 2016
Publisher : UNIB Press, Universitas Bengkulu

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33369/pseudocode.3.2.163-170

Abstract

Penyakit ginjal kronik adalah suatu sindrom klinis. Penyakit ini disebabkan oleh penurunan fungsi ginjal yang bersifat menahun, progresif, bersifat persisten, dan irreversibel. Diagnosa dini diperlukan agar penderitanya tidak mengalami infark ginjal  atau kematian mendadak. Pencegahan dapat dilakukan melalui prediksi yang tepat. Penelitian Prediksi Penyakit Ginjal Kronik pada saat ini telah dilakukan oleh beberapa peneliti. Namun peningkatan akurasi diperlukan untuk menunjang tugas dan fungsi tenaga medis dalam menegakkan diagnosa. Saat ini tingkat akurasi model penelitian sebelumnya baru mencapai 91.71 %. Guna meningkatkan akurasi tersebut penelitian ini menggunakan pendekatan Radial Basis Function. Eksperimen dilakukan dengan parameter uji iterasi 500 - 10000 dan konstanta pembelajaran antara 0.15- 0.3. Dari uji coba tersebut didapatkan hasil yang lebih baik daripada penelitian sebelumnya, yakni sebesar 93.75%  pada konstanta pembelajaran  0.2 dan iterasi 2000
OPTIMASI KEMAMPUAN SEGMENTASI OTSU PADA IDENTIFIKASI PLAT NOMOR KENDARAAN INDONESIA MENGGUNAKAN METODE GAUSSIAN Putra, Erwin Dwika; Santosa, Stefanus
Jurnal Pseudocode Vol 4, No 1 (2017): Volume 4 Nomor 1 Februari 2017
Publisher : UNIB Press, Universitas Bengkulu

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33369/pseudocode.4.1.47-60

Abstract

Sistem identifikasi plat nomor kendaraan adalah salah satu penelitian yang paling penting dalam bidang perkembangan teknologi Intelligent Transportation System (ITS). Secara umum, terdapat tiga tahap yaitu identifikasi yang disebut juga dengan deteksi, segmentasi, dan pengenalan. Beberapa metode seperti Otsu dan connected component label diterapkan dengan akurasi plat nomor kendaraan menurut karakter segmentasi. Penelitian ini berfokus pada peningkatan pre-processing menggunakan Otsu threesholding dengan metode Gaussian dan juga terhubung melalui komponen label yang diadopsi untuk membuktikan peningkatan keberhasil metode pre-processing, sehingga dapat meningkatkan hasil segmentasi karakter. Peningkatan dapat dilihat dengan rata-rata perbedaan penurunan nilai MSE menuju 1,75E+ 07 pixel dan PSNR yang lebih tinggi yaitu 4db/pixel. Dengan hasil ini, Otsu dengan metode pre-processing gaussian lebih baik daripada metode Otsu yang asli.
PEMODELAN PREDIKSI KUAT TEKAN BETON UMUR MUDA MENGGUNAKAN H2O'S DEEP LEARNING Santosa, Stefanus; Suroso, Suroso; Utomo, Marchus Budi; Martono, Martono; Mawardi, Mawardi
Wahana Teknik Sipil: Jurnal Pengembangan Teknik Sipil Vol 25, No 1 (2020): Wahana Teknik Sipil
Publisher : Politeknik Negeri Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32497/wahanats.v25i1.1917

Abstract

Artificial Neural Network (ANN) is a Machine Learning (ML) algorithm which learn by itself and organize its thinking to solve problems. Although the learning process involves many hidden layers (Deep Learning) this algorithm still has weaknesses when faced with high noise data. Concrete mixture design data has a high enough noise caused by many unidentified / measurable aspects such as planning, design, manufacture of test specimens, maintenance, testing, diversity of physical and chemical properties, mixed formulas, mixed design errors, environmental conditions, and testing process. Information needs about the compressive strength of early age concrete (under 28 days) are often needed while the construction process is still ongoing. ANN has been tried to predict the compressive strength of concrete, but the results are less than optimal. This study aims to improve the ANN prediction model using an H2O?s Deep Learning based on a multi-layer feedforward artificial neural network that is trained with stochastic gradient descent using backpropagation. The H2O?s Deep Learning best model is achieved by 2 hidden layers- 50 hidden neurons and ReLU activation function with a RMSE value of 6,801. This Machine Learning model can be used as an alternative/ substitute for conventional mix designs, which are environmentally friendly, economical, and accurate. Future work with regard to the concrete industry, this model can be applied to create an intelligent Batching and Mixing Plants.
PEMODELAN PREDIKSI KUAT TEKAN BETON UMUR MUDA MENGGUNAKAN H2O'S DEEP LEARNING Santosa, Stefanus; Suroso, Suroso; Utomo, Marchus Budi; Martono, Martono; Mawardi, Mawardi
Wahana Teknik Sipil: Jurnal Pengembangan Teknik Sipil Vol 25, No 1 (2020): Wahana Teknik Sipil
Publisher : Politeknik Negeri Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32497/wahanats.v25i1.1917

Abstract

Artificial Neural Network (ANN) is a Machine Learning (ML) algorithm which learn by itself and organize its thinking to solve problems. Although the learning process involves many hidden layers (Deep Learning) this algorithm still has weaknesses when faced with high noise data. Concrete mixture design data has a high enough noise caused by many unidentified / measurable aspects such as planning, design, manufacture of test specimens, maintenance, testing, diversity of physical and chemical properties, mixed formulas, mixed design errors, environmental conditions, and testing process. Information needs about the compressive strength of early age concrete (under 28 days) are often needed while the construction process is still ongoing. ANN has been tried to predict the compressive strength of concrete, but the results are less than optimal. This study aims to improve the ANN prediction model using an H2O?s Deep Learning based on a multi-layer feedforward artificial neural network that is trained with stochastic gradient descent using backpropagation. The H2O?s Deep Learning best model is achieved by 2 hidden layers- 50 hidden neurons and ReLU activation function with a RMSE value of 6,801. This Machine Learning model can be used as an alternative/ substitute for conventional mix designs, which are environmentally friendly, economical, and accurate. Future work with regard to the concrete industry, this model can be applied to create an intelligent Batching and Mixing Plants.