Articles

KLASIFIKASI FUNGSI SENYAWA AKTIF BERDASARKAN DATA SIMPLIFIED MOLECULAR INPUT LINE ENTRY SYSTEM (SMILES) MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) Indarwati, Dwi Febry; Ratnawati, Dian Eka; Anam, Syaiful
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 | Full PDF (421.471 KB)

Abstract

Senyawa dapat dibedakan sebagai senyawa aktif atau yang biasa disebut senyawa bioaktif dan senyawa tidak aktif atau yang biasa disebut senyawa pasif. Saat ini sebagian senyawa aktif sudah diketahui peran farmakologinya namun masih banyak pula yang belum diketahui peranannya atau masih dalam tahap penelitian, sehingga dibuatnya sistem untuk mengelompokkan fungsi senyawa aktif diharapkan dapat menunjang penelitian yang dilakukan oleh kimiawan di laboratorium. Metode Support Vector Machine (SVM) digunakan untuk mengelompokkan fungsi senyawa aktif karena SVM memiliki kemampuan generalisasi yang tinggi tampa membutuhkan dataset tambahan. Untuk memudahkan proses komputasi pada sistem akan digunakan data Simplified Molecular Input Line Entry System (SMILES), dimana data SMILES menggambarkan senyawa kimia dalam notasi baris, dari data SMILES tersebut nantinya akan digunakan 15 fitur. Penelitian dilakukan dengan menggunakan objek sebanyak 3 kelas fungsi senyawa aktif, diantaranya adalah metabolisme, infeksi, dan anti radang. Hasil dari pengujian terbaik ketika menggunakan kernel Gaussian RBF, menggunakan nilai lambda (?) sebesar 5, nilai complexity sebesar 0,1, nilai sigma (?) sebesar 0,5, dan dengan jumlah iterasi sebanyak 5 mendapatkan akurasi sebesar 83,33%.
Implementasi Algoritme Support Vector Machine (SVM) untuk Prediksi Ketepatan Waktu Kelulusan Mahasiswa Pratama, Arif; Wihandika, Randy Cahya; Ratnawati, Dian Eka
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 2 No 4 (2018)
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1140.303 KB)

Abstract

Lulus tepat waktu adalah keinginan semua mahasiswa. Pada kenyataannya tidak seperti yang diharapkan banyak mahasiswa yang lulus lebih dari 4 tahun. Sehingga diperlukan penerapan prediksi kelulusan mahasiswa yang dapat mengklasifikasikan data prediksi kelulusan berdasarkan parameter-parameter yang telah ditentukan. Karena itu diperlukan penerapan sistem cerdas untuk dapat mengklasifikasikan data prediksi kelulusan mahasiswa berdasarkan parameternya. Algoritme Support Vector Machine (SVM) mengklasifikasikan data menjadi 2 kelas menggunakan kernel Gaussian RBF dengan kombinasi nilai parameter λ = 0,5, konstanta γ = 0,01, dan ε (epsilon) = 0,001 itermax = 100, c = 1 dengan menggunakan data latih sebanyak 170 dataset. Penelitian ini menghasilkan rata-rata akurasi sebesar 80,55 %.
Pengelompokan Fungsi Aktif Senyawa Data SMILES (Simplified Molecular Input Line Entry System) Menggunakan Metode K-Means Dengan Inisialisasi Pusat Klaster Menggunakan Metode Heuristic O(N LogN) Witanto, Sherly; Ratnawati, Dian Eka; Anam, Syaiful
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 (932.274 KB)

Abstract

Senyawa aktif  mempunyai salah satu kegunaan sebagai bahan obat-obatan yang mampu mencegah maupun menyembuhkan penyakit. Sebagian senyawa aktif sudah ditemukan fungsinya dan sebagian lagi masih dalam tahap penelitian. Saat ini di Indonesia masih belum ada program yang mampu mengklasifikasi senyawa kimia sebagai obat untuk penyakit tertentu. Notasi SMILES merupakan konversi senyawa kimia dalam bentuk notasi baris. Notasi SMILES mampu memberikan kemudahan pada proses komputerisasi pada klasifikasi senyawa kimia. Klasifikasi atau pengelompokan notasi SMILES dilkukan dengan mengambil nilai 11 fitur atom B,S,N,O,I,F,C,P,Cl,Br dan OH yang ada pada senyawa tersebut. Sebelum diproses, untuk mendapatkan nilai fitur dilakukan proses dengan membagi masing-masing jumlah atom dengan panjang senyawanya. Algoritme K-Means merupakan metode klastering yang paling banyak digunakan karena bersifat mudah dan sederhana. Pengelompokan fungsi aktif menggunakan metode K-Means mempunyai kelemahan pada proses inisialisasi klaster yang bersifat random, sehingga digunakan metode heuristic o(n logn) untuk mendapatkan inisial klaster dengan nilai yang lebih baik. Berdasarkan perangkat lunak yang telah dibuat, pengujian dilakukan dengan menggunakan data latih sebanyak 512 dan data uji sebanyak 128. Akurasi yang diperoleh dari pengujian yaitu sebesar 63% dan pengujian menggunakan ­K-Fold Cross Validation dengan 10 kali pengujian menghasilkan akurasi rata-rata sebesar 52,58%. Pengujian menggunakan K-Means dengan heuristic o(n logn) menghasilkan akurasi yang lebih baik dibandingkan dengan K-Means konvensional.
Teknik Kompresi Citra Menggunakan Dekomposisi Nilai Singulir Berbasis Blok Liliana, Dewi Yanti; Ratnawati, Dian Eka; -, Marji
Jurnal POINTER Vol 2, No 2 (2011): Jurnal Pointer - Ilmu Komputer
Publisher : Ilmu Komputer, Universitas Brawijaya

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

Abstract

ABSTRAK Kompresi citra merupakan teknik yang sangat penting pada pengolahan citra digital baik untuk penyimpanan maupun untuk transmisi. Citra yang tidak dikompresi memerlukan kapasitas penyimpanan yang besar, sedangkan pengiriman file citra berukuran besar dapat memperlambat laju transmisi data. Penelitian ini mengkompresi citra menggunakan teknik komputasi numerik yaitu dengan mendekomposisi matriks citra menjadi tiga buah matriks; sebuah matriks diagonal dan dua buah matriks ortogonal yang dikenal dengan teknik dekomposisi nilai singulir (DNS). Selanjutnya kompresi akan dilakukan terhadap matriks singulir dari citra dengan cara mereduksi dimensi matriks secara bertahap sampai mencapai nilai rank maksimal. Selain itu citra juga akan dibagi menjadi blok-blok citra dan DNS diterapkan terhadap masing-masing blok dengan tujuan untuk memperbesar rasio kompresi citra. Pengujian kinerja teknik kompresi dilakukan melalui perhitungan rasio kompresi, MSE dan PSNR. Berdasarkan pengujian diperoleh hasil bahwa penggunaan nilai singulir yang semakin sedikit akan menaikkan rasio kompresi. Sedangkan penggunaan blok juga dapat meningkatkan rasio kompresi, namun jumlah blok tidak berpengaruh terhadap hasil kompresi. Kata kunci : kompresi, citra digital, dekomposisi nilai singulir   ABSTRACT Image compression is a very important technique in digital image processing either for storage or for transmission. Uncompressed image requires large storage capacity, while the delivery of large image files can slow the rate of data transmission. This research make use of image compression techniques of numerical computation by decomposing the image matrix into three matrices which are a diagonal matrix and two orthogonal matrices technique known as single value decomposition (SVD). Further compression is performed on a singulir matrix by reducing gradually the dimensional of matrix until reaching the maximum rank value. In addition, the image will be divided into blocks of image and SVD is applied to each block in order to enlarge the image compression ratio. Testing the performance of compression techniques is done through calculation of compression ratio, MSE and PSNR. Based on the testing showed that the use of less singular value will raise the compression ratio. While the use of block can also increase the compression ratio, but the number of blocks did not affect the compression results. Keywords : compression, digital image, singular value decomposition
Penentuan Penerima Bantuan Ternak Menggunakan Algoritma K-Means & Naïve Bayes Asikin, Moh Fadel; Ratnawati, Dian Eka; Fauzi, Mochammad Ali
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 2 No 2 (2018)
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (745.515 KB)

Abstract

Indonesia adalah negara yang luas yang memiliki banyak kepulauan yang cocok untuk dikembangkan bisnis peternakan. Pada kenyataannya sektor peternakan belum mampu mendorong partisipasi masyarakat dan swasta. Untuk mengatasi permasalahan tersebut, maka sebagian anggaran Kementerian Pertanian dialokasikan dalam bentuk belanja bantuan sosial, diantaranya untuk pemberdayaan masyarakat dan penanggulangan kemiskinan dalam bentuk barang kepada kelompok tani. Salah satu bentuk bantuan yang dialokasikan ke kelompok petani adalah pemberian ternak. Penentuan calon penerima masih belum efektif dan kadang menimbulkan pemberian bantuan ternak menjadi tidak tepat sasaran, sehingga setiap pembelanjaan uang negara tidak memberikan manfaat yang maksimal bagi masyarakat. Pada penelitian ini digunakan metode K-Means Naïve Bayes (KMNB) yang dianggap mampu memberikan hasil klasifikasi yang akurat pada penentuan penerima bantuan ternak. Pendekatan pembelajaran KMNB dibentuk dengan menggabungkan teknik clustering dan klasifikasi. K-Means digunakan sebagai komponen pra-klasifikasi untuk mengelompokkan data yang sama pada tahap awal. Selanjutnya di tahap kedua data akan diklasifikasikan berdasarkan kategori diterima atau tidaknya menggunakan Naïve Bayes. Dengan demikian, data dengan kelompok yang salah selama tahap pertama akan diklasifikasikan sesuai dengan kategori di tahap kedua. Berdasarkan hasil pengujian dengan membandingkan hasil pengelompokkan pada metode K-Means konvensional terbukti bahwa KMNB memberikan akurasi tertinggi sebesar 100% sedangkan K-Means konvensional memiliki akurasi sebesar 95.91.
Klustering Dengan K-Means Berbasis LVQ Dan K-Means Berbasis OWA Ratnawati, Dian Eka; ., Indriati
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 2, No 1 (2015)
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (873.466 KB)

Abstract

Abstrak Pada penelitian ini dilakukan pembandingan hasil klustering pada data car evaluation dengan menggunakan K-Means berbasis LVQ (Learning Vector Quantization) dan K-Means berbasis OWA (Ordered Weighted Averaging). Pada kedua metode ini sama-sama mempergunakan K-Means tetapi yang sudah mengalami modifikasi. Hasil dari penelitian sebelumnya secara terpisah yang membandingkan metode K-Means modifikasi tersebut dengan K-Means konvensional menunjukkan bahwa kedua metode modifikasi tersebut sama-sama lebih baik daripada K-Means konvensional. Tetapi belum pernah ada penelitian yang membandingkan akurasi hasil klustering kedua metode modifikasi tersebut. Sehingga pada penelitian ini dilakukan klustering dengan menggunakan kedua metode tersebut untuk data car evaluation, karena dari penelitian sebelumnya kedua metode tersebut cukup handal dalam melakukan klustering.  Hasil dari ujicoba menunjukkan rata-rata hasil akurasi dimulai yang tertinggi adalah K-Means berbasis LVQ(86.50%), K-Means berbasis OWA(86,16%) kemudian K-Means konvensional (56,50%). Tetapi dengan urutan atribut yang benar dan pemilihan nilai alpha yang tepat yakni 0.8, K-Means berbasis OWA bisa menghasilkan akurasi yang lebih tinggi yakni 93.33%.   Kata kunci: K-Means berbasis LVQ, K-Means, K-Means berbasis OWA, bobot Abstract In this paper do a comparison with the results of klustering using K-Means based LVQ (Learning Vector Quantization) and K-Means based OWA (Ordered Weighted Averaging). In both of these methods used K-Means but which has been modified. Results from previous studies have shown that both methods are better than conventional K-Means. But there has never been a study comparing the accuracy of klustering results of the two methods. So in this study conducted klustering using both methods for data car evaluation, because of previous studies both methods are reliable enough to perform klustering In the researchs before it, both method are prefer than conventionalK-Means, but there are no researchs which compare them. So, in the research , we will compare it by using same data that is  car evaluation. In order to know what it is method is the best. The result of research are that in the average , K-Means LVQ(86.50%) is more accuracy than K-Means – OWA(86,16%) and conventional K-Means(56,50). But if the order of selection attributes and alpha values is correct ​​, K Means based OWA can generate higher accuracy that is 93.33 % using the alpha value of 0.8 Keywords: K-Means based LVQ, K-Means, K-Means based OWA, weight
Diagnosa Penyakit dengan Gejala Demam Menggunakan Learning Vector Quantization (LVQ) Marji, Marji; Ratnawati, Dian Eka
Jurnal Informatika dan Multimedia Vol 9 No 2 (2017): Jurnal Volume 9, No.2 (2017)
Publisher : Teknik Informatika Politeknik Kediri

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

Abstract

Terdapat beberapa penyakit dengan gejala demam yang sulit untuk dibedakan yaitu Demam tifoid (tifus), Demam berdarah dengue (DBD), dan Malaria. Kesulitan dalam mendeteksi lebih awal ketiga penyakit ini karena memiliki gejala klinis yang hampir sama. Pada penelitian ini menggunakan metode Learning Vector Quantization (LVQ)  dalam melakukan klasifikasi terhadap ketiga penyakit tersebut. Hal ini karena kehandalan metode ini dalam melakukan klasifikasi. Hasil dari ujicoba terhadap data pada suatu rumah sakit menunjukkan bahwa metode ini mampu melakukan prediksi terhadap penyakit dengan gejala demam ingga mencapai akurasi 100%.
Prediksi Harga Emas Batang Menggunakan Feed Forward Neural Network Dengan Algoritme Genetika Azam, Dimas Fachrurrozi; Ratnawati, Dian Eka; Adikara, Putra Pandu
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 (765.837 KB)

Abstract

Investasi merupakan suatu kegiatan membeli barang, sampai memiliki nilai yang cukup tinggi untuk dijual kepada investor lain. Ada banyak jenis investasi, salah satunya emas. Beberapa orang yang baru memulai dalam melakukan investasi merasa kesulitan dalam menentukan untuk membeli dan menjual emas. Banyak kerugian yang akan didapat jika investor salah langkah dalam menjual ataupun membeli emas. Berdasarkan permasalahan tersebut, peneliti bermaksud membantu para investor dengan mengusuljan sistem prediksi harga emas menggunakan feed forward neural network (FFNN) dengan algoritme genetika. Metode algoritme genetika digunakan untuk mengoptimasi bobot yang telah ada untuk akan digunakan dengan model feed forward neural network untuk melakukan proses prediksi harga Dari hasil pengujian, jumlah data latih 126 data, dan data uji 54 data, nilai cr 0.3 dan nilai mr 0.7, jumlah popsize 250, jumlah generasi 200, menghasilkan nilai rata-rata root mean square error (RMSE) 0.304587%.
Deteksi Penyakit Kucing dengan Menggunakan Modified K-Nearest Neighbor Teroptimasi (Studi Kasus: Puskeswan Klinik Hewan dan Satwa Sehat Kota Kediri) Astuti, Fitri Dwi; Ratnawati, Dian Eka; Widodo, Agus Wahyu
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 1 No 11 (2017)
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1017.915 KB)

Abstract

Kucing merupakan hewan yang banyak dipelihara oleh masyarakat, sehingga saat ini terdapat berbagai penemuan yang berhubungan dengan penyakit kucing  yang disebabkan oleh banyak faktor. Pengetahuan dan pemahaman mengenai gejala-gejala yang terjadi pada kucing menjadi faktor yang penting, sehingga masyarakat bisa lebih mengantisipasi terjadinya penyakit yang lebih parah. Dengan beberapa permasalahan yang telah dijelaskan sebelumnya kemudian memberikan ide untuk dibangun sebuah aplikasi “Deteksi Penyakit pada Kucing”. Dalam penelitian ini metode yang digunakan adalah Modified K-Nearest Neighbor, tetapi metode tersebut memiliki kelemahan pada nilai k yang bias, sehingga tingkat akurasi yang dihasilkan terkadang kurang maksimal. Dengan adanya permasalahan ini, maka pada penelitian ini algoritme genetika digunakan untuk optimasi nilai k pada metode modified K-Nearest Neighbor. Data yang digunakan dalam penelitian ini adalah data kucing sakit pada Puskeswan Klinik Hewan dan Satwa Sehat Kota Kediri dengan jumlah data latih sebanyak 105 dan data uji sebanyak 35. Dari semua data tersebut akan diklasifikasi ke dalam 7 kelas dengan 19 kriteria gejala penyakit. Hasil akurasi Modified K-Nearest Neighbor menggunakan algoritme genetika untuk k optimal 1 adalah 100%. Dari hasil tersebut maka aplikasi deteksi penyakit kucing menggunakan metode Modified K-Nearest Neighbor teroptimasi dapat digunakan oleh masyarakat untuk mengenali penyakit-penyakit pada kucing.
Analisis Perbandingan Metode K-Means Dengan Improved Semi-Supervised K-Means Pada Data Indeks Pembangunan Manusia (IPM) Paramartha, Gusti Ngurah Wisnu; Ratnawati, Dian Eka; Widodo, Agus Wahyu
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 (983.505 KB)

Abstract

Saat ini dengan jumlah informasi yang semakin besar, konsep data mining semakin dikenal sebagai sebuah tools yang penting dalam manajemen informasi. Mengacu pada konsep data mining, salah satu teknik yang terdapat dalam konsep ini adalah teknik clustering. Salah satu metode clustering data yang paling terkenal adalah k-means. Namun pada penerapannya metode k-means memiliki beberapa masalah seperti penentuan nilai K klaster dan penentuan pusat klaster awal yang dilakukan secara random yang membuat proses tidak konsisten dan hasil klaster menjadi buruk. Oleh karena itu terdapat sebuah metode untuk mengatasi masalah tersebut yaitu improved semi-supervised k-means clustering. Dengan metode improved semi-supervised k-means clustering yang menggabungkan konsep supervised dan unsupervised clustering, pengguna hanya perlu melabeli sedikit data yang belum berlabel, kemudian data berlabel tersebut dipakai untuk mencari nilai pusat klaster awal dan nilai K yang optimal yang akan mengoptimakan proses dan hasil. Pada bagian pengimplementasian, penelitian ini membandingkan dua algoritma yaitu k-means tradisional dan semi-supervised k-means untuk klastering data indeks pembangunan manusia (IPM). Data IPM dipilih karena memiliki karakteristik yang tepat untuk klastering seperti jumlah data yang banyak dan data yang terbagi menjadi beberapa klaster. Pengujian metode improved semi-supervised k-means memeberikan rata-rata akurasi sebesar 90.3%, lebih baik dari metode k-means yang memberikan nilai akurasi 73.7%. Pengujian kedua, metode improved semi-supervised k-means menghasilkan nilai rata-rata waktu untuk satu kali konvergen 1222.9959 detik, lebih baik dari k-means dengan rata-rata 1504.75 detik. Pengujian ketiga, metode improved semi-supervised k-means menghasilkan rata-rata jumlah iterasi untuk satu kali konvergen yang lebih efisien dari algoritma k-means dengan jumlah iterasi 7.11 berbanding 9.72. Terakhir pada pengujian kualitas klaster dengan metode silhouette coefficient, metode improved semi-supervised k-means memberikan rata-rata nilai 0.69880, lebih baik dari k-means tradisional dengan rata-rata nilai 0.62734.
Co-Authors Achmad Arwan Adelina, Vina Afif Ridhwan, Afif Agasta, Ema Agus Wahyu Widodo, Agus Wahyu Agustin Kartikasari, Agustin Ahmad Afif Supianto Akbar, Rozaq Al Uswah, Siti Fatimah Alfiyanti, Yunita Dwi Anitasari, Nuraini Arief Andy Soebroto Arisetiawan, Anak Agung Bagus Asikin, Moh Fadel Asri, Novirra Dwi Ayulianita A. Boestari, Ayulianita A. Bayu Rahayudi Bayu Septyo Adi, Bayu Septyo Bening Herwijayanti, Bening Budi Darma Setiawan, Budi Darma Candra Dewi Dewi Yanti Liliana Dharmawan, Luqman Rizky Dimas Fachrurrozi Azam, Dimas Fachrurrozi Dwi Ari Suryaningrum, Dwi Ari Dyva Pandhu Adwandha, Dyva Pandhu Eva Agustina Ompusunggu, Eva Agustina Fadila, Putri Nur Figgy Rosaliana, Figgy Fitri Dwi Astuti, Fitri Dwi Fitriani, Isti Marlisa Gusti Ngurah Wisnu Paramartha, Gusti Ngurah Wisnu Hadi, Azizul Hanifah Heru Nurwasito Ibnu Aqli, Ibnu Ibrahim Kusuma, Ibrahim Ilahiyah, Naily Zakiyatil Ilmiyah, Nur Khilmiyatul Imam Cholissodin Iman, Fatthul Indarwati, Dwi Febry Indriana, Nyimas Ayu Widi Indriati ., Indriati Indriati Indriati Issa Arwani Ladauw, Entra Betlin Lailil Muflikhah Lestari, Puji Indah Mahendra Data Marji - Marji Marji Masykuroh, Revi Anistia Mochammad Ali Fauzi, Mochammad Ali Muhyidin Ubaiddillah, Muhyidin Nilna Fadhila Ganies, Nilna Fadhila Nur Adli Ari Darmawand, Nur Adli Ari Nurhidayati, Mala Pangestu Ari Wijaya, Pangestu Ari Paramasatya, Wiratama Permatasari, Audia Refanda Prahesti, Suherni Pratama, Arif Pratiwi, Afrida Djulya Ika Pratomo Adinegoro, Pratomo Puspitasari, Ana Mariyam Putra Pandu Adikara Putri, Nanda Alifiya Santoso Rachmad, Zikfikri Yulfiandi Ramzini, Suhhy Randy Cahya Wihandika, Randy Cahya Ratih Diah Puspitasari, Ratih Diah Rekyan Regasari Mardi Putri, Rekyan Regasari Mardi Rizal Setya Perdana Rochman, Mochammad Iskandar Ardiyansyah Satria, Aldy Satrio Agung Wicaksono Sema Yuni Fraticasari, Sema Yuni Sigit Pangestu, Sigit Silvia Ikmalia Fernanda, Silvia Ikmalia Sutrisno sutrisno Syaiful Anam Tigusti, Raden Rizky Widdie Titis Sari Kusuma Ula, Yolanda Nailil Werdiastu, Davia Winda Fitri Astiti, Winda Fitri Witanto, Sherly Wulandari, Ulfa Lina Yuita Arum Sari Yure Firdaus Arifin, Yure Firdaus