Articles

Implementasi Metode Learning Vector Quantization Untuk Klasifikasi Penyakit Demam Desiani, Nurhidayati; Muflikhah, Lailil; Dewi, Candra
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 3 No 2 (2019)
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (422.175 KB)

Abstract

Demam adalah gejala awal dari berbagai penyakit yang pernah dialami oleh hampir semua orang. Beberapa penyakit diantaranya adalah demam tifoid, demam malaria dan demam berdarah. Ketiga penyakit ini memiliki gejala awal yang mirip. Kemiripan gejala dari masing-masing penyakit sering menimbulkan kesulitan dalam mendapatkan anamnese (diagnosa sementara) sehingga pasien mendapatkan penanganan awal yang kurang tepat dan semakin memperburuk kondisi pasien. Untuk mengatasi hal tersebut dibutuhkan suatu sistem yang dapat mempermudah dalam mengidentifikasi penyakit berdasarkan gejala-gejala yang dirasakan oleh pasien. Pada penelitian ini menggunakan metode Learning Vector Quantization yang merupakan sebuah metode klasifikasi. Sistem bekerja dengan tahapan pelatihan dan pengujian yang akan menghasilkan kelas berupa kelas demam tifoid, demam malaria dan demam berdarah. Parameter yang digunakan adalah 15 parameter gejala dari penyakit demam. Hasil rata-rata akurasi terbaik yaitu 100% dengan menggunakan perbandingan data uji dan data latih sebesar 10:90, laju pembelajaran 0,1, konstanta pengurang laju pembelajaran 0,1, laju pembelajaran minimum 10-5, dan jumlah iterasi maksimum 10.
PREDICTION OF HYPERTENTION DRUG THERAPY RESPONSE USING K-NN IMPUTATION AND SVM ALGORITHM Muflikhah, Lailil; Hidayat, Nurul; Joko Hariyanto, Dimas
Indonesian Journal of Electrical Engineering and Computer Science Vol 15, No 1: July 2019
Publisher : Institute of Advanced Engineering and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.11591/ijeecs.v15.i1.pp460-467

Abstract

Hypertention is a degenerative disease but its healing takes a long time by consuming hypertension drugs until patient?s lifetime. The research is conducted to predict response of drug therapy using bioinformatics approach which is a blend of biological and informatics engineering methods. It is used medical record data of hypertensive patient in drug therapy which has an impact on genetic characteristics. The data is constructed as modelling for learning process. Then, it is implemented as a prediction whether the blood presure is under control or not. However, the amount data have no values, then they are required to be applied preprocessing data. Therefore, this research is proposed K-Nearest Neighbor (K-NN) Imputation algorithm for refining data. After that, it is implemented using Support Vector Machine (SVM) algorithm for prediction.The experiment result is achieved the highest accuracy rate of 90% at the best parameter value ? = 0.9, ? = 2, C = 0.1, ? = 0.001 in ten times iterations.
Klasifikasi Kualitas Susu Sapi Menggunakan Metode Support Vector Machine (SVM) Sari, Puspita; Muflikhah, Lailil; Wihandika, Randy Cahya
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 2 No 3 (2018)
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1057.665 KB)

Abstract

Susu sapi mengandung protein hewani yang sangat besar manfaatnya bagi bayi maupun mereka yang sedang dalam proses pertumbuhan, karena susu sapi mengandung asam amino esensial dalam jumlah yang cukup. UPT Laboratorium Kesehatan Hewan Malang sebagai unit pelaksana teknis di bawah Dinas Peternakan Jawa Timur bertugas melakukan pengujian di bidang kesmavet untuk upaya pengamanan susu sebagai produk peternakan dengan pengujian yang tepat sesuai dengan Standar Nasional Indonesia (SNI). Pengklasifikasian kualitas susu sapi di UPT tersebut masih dilakukan secara organoleptic (bau, rasa, dan warna) yang bersifat linguistik sehingga variabel dan penentuan parameter bersifat tidak pasti dan menjadi kendala utama pakar dalam menentukan kualitas susu yang baik. Untuk mengatasi permasalahan tersebut dibutuhkan suatu sistem klasifikasi yang mampu mengklasifikasikan kualitas susu sapi yang baik menggunakan metode support vector machine yang mana kinerja SVM lebih cocok dibandingkan dengan metode klasifikasi lainnya. Data yang digunakan dalam penelitian ini yaitu 269 yang dibagi menjadi data latih dan data uji dengan 3 hasil kualitas susu yaitu rendah, standar, dan tinggi. Hasil akurasi penelitian ini mendapatkan akurasi terbaik berdasarkan percobaan perbandingan rasio data 50%:50%, dengan mengggunakan kernel RBF dan nilai parameter λ (lambda) = 0,001, C (complexity) = 0,01, γ (gamma) =0,00001, itermax = 30 dan untuk nilai σ kernel RBF= 2. Hasil rata-rata akurasi menggunakan metode SVM pada klasifikasi kualitas susu sapi sebesar 92,82% dan akurasi tertinggi sebesa­­r 94,02%.
Pengenalan Entitas Bernama untuk Identifikasi Transaksi Akuntansi Menggunakan Hidden Markov Model Rizqiyah, Rika Raudhotul; Muflikhah, Lailil; Fauzi, Mochammad Ali
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 2 No 7 (2018)
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (906.78 KB)

Abstract

Akuntansi merupakan suatu pekerjaan yang memiliki peranan penting dalam mendukung kelancaran ekonomi, karena pencatatan setiap proses bisnis yang terjadi dilakukan dalam akuntansi. Namun, pencatatan transaksi keuangan dalam akuntansi untuk dapat dilakukan identifikasi ke dalam bentuk jurnal masih dilakukan secara manual, sehingga dibutuhkan klasifikasi dan ekstraksi informasi yang terdapat pada teks transaksi akuntansi. Named Entity Recognition (NER) atau pengenalan entitas bernama merupakan langkah awal yang dibutuhkan untuk melakukan proses ekstraksi informasi. Untuk menyelesaikan masalah tersebut, dilakukan pengenalan entitas bernama untuk identifikasi transaksi akuntansi. Pada penelitian ini digunakan metode Hidden Markov Model (HMM), karena HMM dapat menyelesaikan pelabelan serta dikenal handal dalam melakukan pengenalan entitas bernama. Proses utama dalam pengenalan entitas bernama ini dibagi menjadi dua, yaitu proses pemodelan menggunakan Hidden Markov Model dan proses decoding menggunakan Viterbi Algorithm. Pada penelitian ini akan dilakukan pengenalan terhadap 12 entitas, antara lain DATE, TITLE, PER, TRANS, EXP_MON, TYP_COMP, FIRST_ORG, SECOND_ORG, EXP_DATE, NO_DATE, MONTH dan YEAR. Secara keseluruhan pengenalan entitas yang dilakukan pada penelitian ini menghasilkan nilai rata-rata precision, recall dan f-measure berturut-turut yaitu 81.75%, 87.88% dan 82.39%.
Pengembangan Metode Klasifikasi Berdasarkan K-Means Dan LVQ Eka Ratnawati, Dian; ., Marji; Muflikhah, Lailil
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 1, No 1 (2014)
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (646.659 KB)

Abstract

AbstrakPada penelitian ini dikembangkan metode klasifikasi berdasarkan pengelompokan K-Means dan LVQ. Metode-metode klasifikasi yang telah ada jika ada data dengan frekuensi kecil cenderung tidak digunakan dalam pengujian kelas, padahal dimungkinkan data tersebut sangat bermanfaat. Langkah untuk melakukan pengelompokan adalah: melakukan pengelompokkan dengan K-Means. Pengelompokan terus dilakukan sampai mencapai threshold (batasan tertentu). Jika threshold sudah dicapai dan pada satu cluster masih terdapat kelas yang berbeda maka dilakukan pembelajaran dengan menggunakan LVQ. Akurasi gabungan K-Means dan LVQ lebih baik daripada dengan K-Means murni. Untuk  akurasi rata-rata tertinggi K-Means dan LVQ didapatkan 92%, sedang untuk K-Means murni 82%.Kata kunci: klasifikasi, pengelompokan, K-Means, LVQAbstractThis research will develop methods of classification based on K-Means clustering. Grouping method used is a combination of K-Means and LVQ. Classification methods that have been there if there is a small frequency data tend to be used in the test class, but it is possible they are very useful. Steps to perform grouping is doing the K-Means clustering. Grouping is continues until it reaches the threshold. If the threshold has been reached and there are cluster of different classes then performed using LVQ learning. Accuracy combined K-Means and LVQ is better than with pure K-Means. For the highest average accuracy of K-Means and LVQ gained 92%, while for the K-Means only 82%.Keywords: classification, grouping, K-Means, LVQ
Prediksi Nilai Mata Kuliah Mahasiswa Menggunakan Algoritma K-Apriori Muflikhah, Lailil; Yunita, W. Lisa; Furqon, M. Tanzil
SISFO Vol 6 No 2 (2017)
Publisher : Department of Information Systems, Institut Teknologi Sepuluh Nopember

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

Abstract

Tujuan utama dari prediksi nilai mata kuliah adalah membantu mahasiswa mengambil mata kuliah pilihan secara tepat. Kebanyakan mahasiswa mengambil mata kuliah didasarkan pada jumlah mahasiswa mengambil matakuliah. Sekumpulan transkrip mahasiswa dapat dianalisis pola keterkaitan (association rule) antar nilai matakuliah. K-Apriori merupakan metode data mining untuk mencari pola keterkaitan nilai mata kuliah sehingga dapat digunakan memprediksi nilai mata kuliah lain. Tahapan utama metode ini meliputi mengelompokkan data menggunakan metode K-Means dan menemukan pola nilai mata kuliah menggunakan Apriori. Namun terdapat kekosongan nilai karena seluruh mata kuliah yang ditawarkan tidak diambil setiap mahasiswa. Oleh karenanya, dilakukan preprocessing data menggunakan Wiener Transformation sebelum dicari polanya.Pengujian didasarkan tingkat kemampuan akademik mahsiswa dengan minimum support dan confidence sebesar 10% dan lift ratio >1. Hasilnya, rule yang dibangkitkan dari IPK di bawah dan di atas rata-rata memiliki tingkat kesalahan sebesar 8.75% dan 8.5%. Sedangkan jika rule dibangkitkan dari IPK rata-rata memiliki kesalahan sebesar 11%.
OPTIMASI VARIASI MENU MAKANAN SESUAI GIZI PADA ANAK PANTI ASUHAN DENGAN IMPROVED PARTICLE SWARM OPTIMIZATION Caturrahmanto, Aldino; Muflikhah, Lailil; Cholissodin, Imam
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 3 No 9 (2019)
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Dalam menjaga kesehatan dan pertumbuhan, semua makhluk hidup memerlukan zat yang kita sebut Gizi. Namun, gizi yang berlebih maupun kurang menyebabkan berbagai permasalahan yang mengganggu pertumbuhan serta kesehatan individu. Sayangnya masih dapat dijumpai permasalahan gizi di berbagai tempat, salah satunya di panti asuhan. Improved Particle Swarm Optimization adalah salah satu algoritme evolusi yang memiliki konsep pencarian nilai yang optimal terinspirasi dari sekumpulan burung dalam mencari makanan untuk meningkatkan kemampuan algoritme evolusi pada saat pencarian local optima sementara tetap menjaga kemampuannya dalam pencarian global optima. Pencarian solusi rekomendasi menu makanan didapat dari penghitungan kecepatan setiap partikel dan menghitung posisi partikel baru yang nantinya akan merepresentasikan menu makanan. Hasil dari pengujian menunjukkan nilai fitness terbaik didapatkan dengan parameter: jumlah partikel = 70, parameter C1 dan C2 = 2,0. Algoritme ini bisa memberikan rekomendasi daftar menu makanan yang sesuai dengan kebutuhan gizi untuk suatu populasi tiap harinya, namun biaya yang direkomendasikan masih melebihi batas yang ditentukan
Implementasi Metode Fuzzy Subtractive Clustering Untuk Pengelompokan Data Potensi Kebakaran Hutan/Lahan Kusuma, Vianti Mala Anggraeni; Furqon, M. Tanzil; Muflikhah, Lailil
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 1 No 9 (2017)
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1258.645 KB)

Abstract

Abstrak Hutan merupakan habitat bagi segala macam hewan dan tumbuhan, hutan memiliki fungsi sangat besar untuk menjaga keseimbangan alam, sebagai pemasok kebutuhan oksigen bagi makhluk hidup di bumi, dan sumber alam yang menyediakan berbagai bahan bagi kebutuhan manusia. Namun pada saat ini keberadaan hutan semakin berkurang disebabkan penebangan liar yang dilakukan manusia maupun akibat kebakaran hutan yang semakin sering terjadi. Kebakaran hutan/lahan ini memberikan dampak yang sangat buruk diantaranya, punahnya beberapa jenis tanaman dan hewan, asap yang mengganggu kesehatan bahkan penerbangan dan lain sebagainya. Maka untuk dapat membantu menangani masalah tersebut dibuatlah sebuah sistem yang mampu mengelola data titik api (hotspot) dengan metode Fuzzy subtractive clustering. Parameter data yang digunakan dalam pengembangan sistem yaitu  brightness temperature (suhu kecerahan) dan FRP (Fire Radiative Power). Keluaran yang dihasilkan oleh sistem adalah hasil pengklasteran yang menggambarkan potensi kebakaran hutan, yang dikelompokkan dalam potensi tinggi dan potensi sedang. Hasil pengujian menunjukkan nilai Silhouette Coefficient terbaik sebesar 0.45 dan hasil cluster yang terbentuk sebanyak dua cluster, pengujian dengan menggunakan nilai accept ratio 0.5, reject ratio 0.15, jari – jari 0.2 dan squash factor 1.30. Hasil analisis dalam penentuan potensi kebakaran hutan/lahan diperoleh hasil potensi tinggi  dengan nilai rata-rata brightness 335.727⁰K, FRP 57.248 dan rata-rata confidence 83.47% dan potensi sedang dengan nilai rata-rata brightness 318.934⁰K, FRP 23.330 dan rata-rata confidence 58.08%.  
Klasifikasi Berita Online dengan menggunakan Pembobotan TF-IDF dan Cosine Similarity Herwijayanti, Bening; Ratnawati, Dian Eka; Muflikhah, Lailil
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 2 No 1 (2018)
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1034.548 KB)

Abstract

Dalam klasifikasi berita online dengan menggunakan pembobotan tf-idf dan cosine similarity ini mendapatkan referensi penelitian sebelumnya mengenai klasifikasi berita online menggunakan algoritma single pass clustering, dimana data yang akan digunakan berasal dari website berita online yaitu kompas.com. Karena banyaknya berita yang dimasukkan ke dalam website, sehingga terkadang berita tersebut terposting tidak sesuai dengan kategorinya. Human error akan menjadi masalah berita yang salah posting. Selain kesalahan posting pengelompokan berita online juga penting untuk kenyamanan user untuk mencari berita sesuai dengan kategorinya. Menerapkan klasifikasi berita online dengan menggunakan tf-idf dan cosine similarity, memerlukan proses preprocessing yaitu tokenizing, stopword dan stemming dapat memperkecil term sehingga mempercepat proses perhitungan pembobotan term menggunakan tf-idf dan mempercepat proses cosine similarity. Tujuannya adalah untuk mempermudahkan human error serta mengurangi terjadinya kesalahan pengkategorian. klasifikasi mampu mengelompokkan berita dengan tingkat akurasi sebesar 91.25%.
Implementasi Metode Simple Additive Weighting (SAW) Untuk Penentuan Penerima Zakat Prayogo, Hanggar Wahyu Agi; Muflikhah, Lailil; Wijoyo, Satrio Hadi
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 2 No 11 (2018)
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (466.292 KB)

Abstract

Zakat dapat menjadi salah satu cara yang dilakukan dalam upaya meningkatkan kesejahteraan sosial dan menjadi salah satu potensi yang cukup penting dalam pemberdayaan ekonomi masyarakat. Manfaat lain dari zakat diantaranya dapat membantu mengurangi kemiskinan dan juga dapat mengurangi ketimpangan sosial yang ada di masyarakat. Namun seringkali ditemui permasalahan oleh lembaga – lembaga penyalur zakat dalam menyalurkan zakat yaitu ketidaktepatan dalam memilih penerima zakat. Ketidaktepatan dalam memilih penerima zakat terjadi karena lembaga pengelola zakat masih memberikan penilaian secara subjektif. Hal tersebut tentunya mengakibatkan kerugian bagi masyarakat yang lebih berhak menerima zakat tersebut. Metode SAW (Simple Additive Weighting) merupakan salah satu metode dalam sistem pendukung keputusan yang dapat digunakan untuk membuat sebuah sistem yang dapat menentukan penerima zakat. Terdapat 4 kriteria yang digunakan untuk penenetuan penerima zakat dalam penelitian ini yaitu status keluarga, penghasilan keluarga, jumlah tanggungan dan nilai rapor. Berdasarkan pengujian akurasi yang telah dilakukan dengan menggunakan 60 data uji, didapatkan hasil akurasi terbaik yaitu sebesar 90%. Metode SAW dapat diterapkan dengan baik dalam menentukan penerima zakat.
Co-Authors Achmad Jafar Al Kadafi, Achmad Jafar Agung Setiyoaji, Agung Agus Ardiansyah, Agus Andrianto, Rheza Raditya Attabi', Ahmad Wildan Bayu Laksana Yudha, Bayu Laksana Bayu Rahayudi Bening Herwijayanti, Bening Bhaskara, Kukuh Bonita, Olivia Candra Dewi Caturrahmanto, Aldino Daneswara Jauhari, Daneswara Desiani, Nurhidayati Dian Eka Ratnawati Dian Eka Ratnawati Edy Santoso Eva Agustina Ompusunggu, Eva Agustina Faris Dinar Wahyu Gunawan, Faris Dinar Wahyu Harahap, Eni Hartika Haryanto, Dimas Joko Haryanto, Dimas Joko Imam Cholissodin Indriati Indriati Joko Hariyanto, Dimas Lestari, Puji Indah Luqyana, Wanda Athira M. Tanzil Furqon, M. Tanzil Marji . Marji Marji Mochammad Ali Fauzi, Mochammad Ali Muhammad Abduh Muhammad Fajri MUHAMMAD SYAFIQ Muhammad Tanzil Furqon, Muhammad Tanzil Munawarah, Robbiyatul Nugraha, Randi Pratama Nurul Dyah Mentari, Nurul Dyah Nurul Hidayat Pamungkas, Vidya Capristyan Prayogo, Hanggar Wahyu Agi Pristiyanti, Ria Ine Puspita Sari Putri, Gessia Faradiksi Rachmad Indrianto, Rachmad Ramadhan, Galang Gilang Randy Cahya Wihandika, Randy Cahya Ratih Kartika Dewi Rekyan Regarsari Mardhi Putri, Rekyan Regarsari Mardhi Rekyan Regasari Mardi Putri, Rekyan Regasari Mardi Rendi Cahya Wihandika, Rendi Cahya Rika Raudhotul Rizqiyah, Rika Raudhotul Rizal Setya Perdana Rizby, Laily Putri Royyan, Ahmad Nur Safitri, Annisaa Amalia Satrio Hadi Wijoyo Septian, Ardiza Dwi Sigit Adinugroho Suprapto Suprapto Surya Dermawan, Surya Suwandy, Yogi Syafruddin Agustian Putra, Syafruddin Agustian Tampubolon, Yobel Leonardo Tibyani Tibyani, Tibyani Utami, Tahtri Nadia Vianti Mala Anggraeni Kusuma, Vianti Mala Anggraeni Wahyu Rizki Ferdiansyah, Wahyu Rizki Yulian Ekananta, Yulian Yuliana, Marine Putri Dewi Yunita, W. Lisa Zakiyyah, Rizka Husnun