Articles

Found 17 Documents
Search

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%.
Identifikasi Diagnosis Gangguan Autisme Pada Anak Menggunakan Metode Modified K-Nearest Neighbor (MKNN) Sianipar, Jojor Jennifer BR; Furqon, M. Tanzil; Adikara, Putra Pandu
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 (932.102 KB)

Abstract

Autisme adalah suatu gangguan neurologis yang secara signifikan mengakibatkan kurangnya kemampuan membentuk hubungan sosial, komunikasi yang normal, dan juga perilaku pada anak. Gejala autisme ini pada umumnya timbul sebelum anak mencapai usia 3 tahun. Autisme bukan penyakit kejiwaan karena  autisme adalah suatu gangguan yang terjadi pada otak sehingga menyebabkan otak anak tersebut tidak dapat berfungsi normal dan hal tersebut termanifestasi pada perilaku anak autisme. Ada beberapa penelitian yang mengatakan bahwa penyebab autisme yaitu gangguan saraf pusat yang menyebabkan pada kelainan struktur otak anak. Ahli yang berbeda menyebutkan bahwa autisme salah satu penyebabnya adalah jenis makanan yang dikonsumsi salah atau dikarenakan berada dalam lingkungan yang banyak zat-zat berbahaya yang menyebabkan masalah dalam sikap ataupun tingkah laku anak. Untuk menangani gangguan autisme maka dibuat sistem untuk identifikasi gangguan autisme pada anak menggunakan metode Modified K-Nearest Neighbor (MKNN). Metode ini adalah salah satu metode klasifikasi berdasarkan kemunculan kelas terbanyak pada nilai data latih. Terdapat 14 gejala dari 4 aspek yang digunakan sebagai parameter dalam pengembangan sistem. Keluaran yang dihasilkan sistem merupakan status gangguan autisme atau tidak pada anak. Berdasarkan pengujian yang telah dilakukan sistem yang menggunakan metode Modified K-Nearest Neighbor (MKNN) memperoleh hasil akurasi maksimum 100% serta akurasi minimum 92%. Berdasarkan hasil tersebut, sistem yang menggunakan metode Modified K-Nearest Neighbor (MKNN) dapat diimplementasikan dalam kehidupan sehari-hari. Autisme adalah suatu gangguan neurologis yang secara signifikan mengakibatkan kurangnya kemampuan membentuk hubungan sosial, komunikasi yang normal, dan juga perilaku pada anak. Gejala autisme ini pada umumnya timbul sebelum anak mencapai usia 3 tahun. Autisme bukan penyakit kejiwaan karena  autisme adalah suatu gangguan yang terjadi pada otak sehingga menyebabkan otak anak tersebut tidak dapat berfungsi normal dan hal tersebut termanifestasi pada perilaku anak autisme. Ada beberapa penelitian yang mengatakan bahwa penyebab autisme yaitu gangguan saraf pusat yang menyebabkan pada kelainan struktur otak anak. Ahli yang berbeda menyebutkan bahwa autisme salah satu penyebabnya adalah jenis makanan yang dikonsumsi salah atau dikarenakan berada dalam lingkungan yang banyak zat-zat berbahaya yang menyebabkan masalah dalam sikap ataupun tingkah laku anak. Untuk menangani gangguan autisme maka dibuat sistem untuk identifikasi gangguan autisme pada anak menggunakan metode Modified K-Nearest Neighbor (MKNN). Metode ini adalah salah satu metode klasifikasi berdasarkan kemunculan kelas terbanyak pada nilai data latih. Terdapat 14 gejala dari 4 aspek yang digunakan sebagai parameter dalam pengembangan sistem. Keluaran yang dihasilkan sistem merupakan status gangguan autisme atau tidak pada anak. Berdasarkan pengujian yang telah dilakukan sistem yang menggunakan metode Modified K-Nearest Neighbor (MKNN) memperoleh hasil akurasi maksimum 100% serta akurasi minimum 92%. Berdasarkan hasil tersebut, sistem yang menggunakan metode Modified K-Nearest Neighbor (MKNN) dapat diimplementasikan dalam kehidupan sehari-hari.
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 Standar Produk Baja PT. Krakatau Steel (Persero) Tbk. Berdasarkan Komposisi Kimia dan Sifat Mekanis Baja Menggunakan Fuzzy K-Nearest Neighbor (Fuzzy K-NN) Putri, Ardisa Tamara; Furqon, M. Tanzil; Wihandika, Randy Cahya
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 (719.531 KB)

Abstract

Terjadinya penyimpangan komposisi kimia atau sifat mekanis dalam produksi baja menyebabkan pengelompokkan baja berdasarkan standarnya tidak dapat terdefinisi. Penyimpangan yang terjadi adalah penyimpangan dari batas maksimum dari komposisi kimia dan batas minimum dari sifat mekanis baja. Hal tersebut melatar belakangi peneliti untuk membuat sistem dengan menggunakan metode Fuzzy k-Nearest Neighbor. Metode Fuzzy K-Nearest Neighbor (Fuzzy K-NN) digunakan untuk mengklasifikasikan standar baja berdasarkan komposisi kimia dari baja yang dihasilkan. Data yang diperlukan untuk penelitian ini adalah data yang berisi hasil produksi baja dengan spesifikasi komposisi baja dan sifat mekanis baja tersebut beserta klasifikasi standar baja yang diproduksi. Tahap-tahap yang dilakukan adalah normalisasi data, Fuzzy k-Nearest Neighbor, menghitung jarak Euclidean, mengambil jarak terpendek sebanyak k, menghitung nilai keanggotaan setiap kelas dan menentukan kelas target. Tingkat akurasi tertinggi yang dihasilkan dengan pengujian nilai ketetanggaan menggunakan k-fold cross validation adalah 74,44% dengan nilai ketetanggaan sama dengan 4 dan jumlah data latih sebanyak 267 data.
Clustering Data Kejadian Tsunami Yang Disebabkan Oleh Gempa Bumi Dengan Menggunakan Algoritma K-Medoids Simamora, Daniel Alex Saroha; Furqon, M. Tanzil; Priyambadha, Bayu
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 1 No 8 (2017)
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (983.063 KB)

Abstract

Tsunami adalah sebuah kejadian alam yang disebabkan oleh perubahan permukaan laut secara vertikal dengan tiba – tiba sehingga menyebabkan perpindahan volume air yang besar. Letusan gunung berapi bawah laut, gempa bumi yang berpusat dibawah laut, dan longsor bawah laut merupakan beberapa penyebab perubahan permukaan laut secara tiba – tiba. Tsunami telah sering terjadi dan menyebabkan banyak kerusakan dan korban jiwa. Tsunami yang sering terjadi secara tiba – tiba dan tidak dapat diprediksi menjadi penyebab utama banyaknya korban jiwa dan kerusakan yang terjadi dan juga kecilnya pengetahuan dan kesadaran tentang tsunami memperparah efek yang dapat ditimbulkan oleh tsunami. K-Medoids merupakan salah satu metode clustering data yang telah banyak diaplikasikan terhadap dataset yang memiliki outlier. Subjek yang terdapat pada penelitian ini adalah aplikasi pengelompokan data dengan menggunakan K-Medoids untuk mengelompokan data kejadian tsunami yang disebabkan oleh gempa bumi. Dataset yang digunakan pada penelitian ini bersumber dari database kejadian tsunami yang terdapat di situs resmi National Oceanic and Atmospheric Administration (NOAA). Hasil dari penelitian ini adalah sebuah sistem yang mampu melakukan pengelompokan dataset tsunami dengan menggunakan metode K-Medoids. Dari pengujian yang dilakukan didapatkan hasil bahwa jumlah cluster terbaik untuk mengelompokan dataset tsunami adalah 2 cluster.
Implementasi Metode Improved K-Means untuk Mengelompokkan Titik Panas Bumi Furqon, M. Tanzil; 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 (1051.2 KB)

Abstract

Bencana adalah peristiwa atau rangkaian peristiwa yang mengancam dan mengganggu kehidupan dan penghidupan masyarakat yang disebabkan baik oleh faktor alam dan/atau faktor non alam maupun faktor. Salah satu bencana yang terjadi yaitu kebakaran. Kebakaran adalah nyala api yang terjadi baik itu kecil ataupun besar, menyala pada suatu daerah yang tidak diinginkan dan sulit untuk dikendalikan. Oleh karena itu harus dilakukan pencegahan dini, salah satu cara yaitu dengan titik panas bumi yang terdeteksi oleh satelit. Hal tersebut digunakan sebagai indikator kebakaran lahan dan hutan di suatu wilayah, sehingga semakin banyak titik hotspot, semakin banyak pula potensi kejadian kebakaran lahan di suatu wilayah. Oleh sebab itu diperlukan penerapan sistem yang dapat melakukan klasterisasi data titik panas bumi guna untuk menghasilkan keluaran sistem yang dapat melakukan pengelompokan data titik panas berisi informasi titik panas yang berpotensi menyebabkan kebakaran dengan berbagai status, seperti berpotensi tinggi, sedang, dan lemah. Improved K-Means merupakan salah satu metode clustering yang paling popular dan dapat digunakan untuk pengelompokan titik panas bumi. Algoritma ini melakukan proses clustering berdasarkan jarak maksimal sebagai pusat klaster dan pusat klaster tersebut akan dihitung jaraknya dengan data lain untuk dikelompokan. Hal tersebut dilakukan terus menerus sampai pengelompokan data kedalam klaster tidak berubah. Hal tersebut dibuktikan dalam penelitian ini dimana hasil dari evaluasi menggunakan silhouette coefficient memberikan nilai tertinggi 0.908000874 untuk nilai cluster 2 dan jumlah data 700.
Sistem Pendukung Keputusan Penentuan Tingkat Keparahan Autis Menggunakan Metode Fuzzy K-Nearest Neighbor Munawarah, Robbiyatul; Furqon, M. Tanzil; Muflikhah, Lailil
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 1 No 7 (2017)
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1457.182 KB)

Abstract

Autis atau yang biasa disebut Autistic Spectrum Disorders (ASD) merupakan istilah umum mengacu pada gangguan perkembangan otak seseorang yang sudah tidak asing lagi di telinga masyarakat Indonesia. Sampai saat ini, sudah banyak penelitian dilakukan dengan jalan membangun sistem kecerdasan buatan dengan berbagai teknik yang digunakan untuk mempermudah proses prediksi ada atau tidaknya gangguan ini. Namun sangat jarang ditemukan sistem yang dapat menentukan tingkat keparahan autis. Padahal, kemajuan penelitian pada bidang autis sudah tidak lagi berfokus pada autis atau tidaknya seorang anak, namun lebih kepada ‘adakah perbedaan antara anak autis yang satu dengan lainnya?’ sehingga muncul label ‘tingkat keparahan’ sesuai dengan perilaku tertentu yang anak tunjukkan. Untuk mempermudah menentukan tingkat keparahan autis, maka dibuatlah sistem pendukung keputusan dengan memanfaatkan salah satu metode implementasi data mining yaitu metode Fuzzy K-Nearest Neighbor (FK-NN). Fuzzy K-Nearest Neighbor (FK-NN) adalah metode gabungan dari K-Nearest Neighbor yang digabungkan dengan teori Fuzzy dalam memberikan definisi pemberian label kelas pada data uji yang diprediksi. Terdapat 14 gejala dan 3 tingkat keparahan yang dapat digunakan sebagai parameter dalam pengembangan sistem. Keluaran yang akan dihasilkan sistem pendukung keputusan berupa tingkat keparahan autis. Berdasarkan pada skenario pengujian yang dilakukan memperoleh hasil rata-rata akurasi maksimum 90,83% serta akurasi minimum sebesar 82,50%. Berdasarkan hasil tersebut, sistem yang menggunakan metode Fuzzy K-Nearest Neighbor (FK-NN) dapat di implementasikan pada kehidupan sehari-hari.
Peramalan Permintaan Daging Sapi Nasional Menggunakan Metode Multifactors High Order Fuzzy Time Series Model Nugraha, Taufan; Furqon, M. Tanzil; Adikara, Putra Pandu
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 1 No 12 (2017)
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (995.354 KB)

Abstract

Daging sapi merupakan salah satu komoditas yang tingkat permintaannya selalu tinggi karena merupakan produk peternakan yang memiliki kandungan nilai gizi untuk pemenuhan kebutuhan protein bagi masyarakat. Peningkatan  permintaan daging  sapi di Indonesia belum dapat diimbangi dengan produksi daging sapi yang memadai, baik dari segi mutu maupun jumlahnya. Permintaan daging sapi dipengaruhi oleh faktor produksi daging sapi, konsumsi daging sapi, dan tingkat pendapatan masyarakat. Dalam mengantisipasi permintaan daging sapi yang terus meningkat, maka perlu dilakukan peramalan yang bertujuan untuk memperkirakan permintaan daging sapi di masa yang akan datang. Dalam melakukan peramalan terdapat berbagai metode yang digunakan, salah satunya adalah metode multifactors high order fuzzy time series model. Metode tersebut merupakan metode peramalan yang menggunakan antecedent factor dan order lebih dari satu, yang dinilai lebih baik daripada hanya menggunakan satu antecedent factor (Lin & Yang, 2009). Dalam penelitian ini diperoleh nilai average forecasting error rate (AFER) sebesar 6.648381805287571% yang menunjukkan bahwa nilai error yang semakin kecil berarti tingkat akurasi semakin baik.
Implementasi Metode K-Medoids Clustering Untuk Pengelompokan Data Potensi Kebakaran Hutan/Lahan Berdasarkan Persebaran Titik Panas (Hotspot) Pramesti, Dyang Falila; Furqon, M. Tanzil; Dewi, Candra
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 (840.407 KB)

Abstract

Kebakaran hutan/lahan merupakan salah satu bencana yang setiap tahunnya terjadi di beberapa negara di dunia. Peristiwa ini mendapat perhatian lebih dari pemerintah karena menimbulkan banyak kerugian baik pada bidang ekonomi, ekologi, dan sosial. Indonesia merupakan negara dengan tingkat bencana kebakaran hutan/lahan yang tinggi. Indonesia mengalamai kerugian hingga mencapai Rp 209 Triliun pada tahun 2015. Akibat kerugian yang ditimbulkan dibutuhkan penanggulangan secara dini, salah satu langkah yang dapat dilakukan dengan mengelompokan wilayah-wilayah dengan potensi kebakaran hutan/lahan dengan memanfaatkan data titik panas. Kebakaran hutan/lahan ditandakan dengan dideteksinya titik – titik api oleh satelit yang diindikasikan sebagai titik panas. Dalam penelitian ini menggunakan data titik panas dengan parameter latitude, longitude, brightness, frp (fire radiative power), dan confidence dengan menggunakan metode K-Medoids. Metode K-Medoids merupakan metode clustering yang berfungsi untuk memecah dataset menjadi kelompok-kelompok. Kelebihan dari metode ini mampu mengatasi kelemahan dari metode K-Means yang sensitive terhadap outlier. Hasil dari penelitian ini menunjukkan penggunaan metode K-Medoids dapat digunakan untuk proses clustering data titik panas dengan hasil Silhouette Coefficient terbaik sebesar 0.56745 pada penggunaan 2 cluster dengan menggunakan jumlah data sebesar 7352 data. Hasil analisis terhadap hasil clustering menunjukkan bahwa dengan penggunaan 2 cluster menghasilkan kelompok data dengan potensi yang dimiliki yaitu cluster 1 termasuk dalam potensi tinggi dengan hasil rata-rata brightness sebesar 344.470K dengan rata-rata confidence 87.08% dan cluster 2 masuk dalam potensi sedang dengan hasil rata-rata brightness sebesar 318.800K dengan rata-rata confidence sebesar 58,73%.
Sistem Pendukung Keputusan untuk Rekomendasi Wirausaha Menggunakan Metode AHP-TOPSIS (Studi Kasus Kab. Probolinggo) Al Azis, Ghulam Mahmudi; Cholissodin, Imam; Furqon, M. Tanzil
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 (1122.954 KB)

Abstract

Seiring berkembangnya jumlah penduduk Indonesia, juga menimbulkan persaingan dalam mencari pekerjaan. Keterbatasan lowongan pekerjaan berdampak meningkatnya jumlah pengangguran setiap tahunnya. Hingga bulan Februari 2016, angkatan kerja di Indonesia mencapai 127 juta jiwa dengan tingkat pengangguran keseluruhan sebesar 5,5% atau 7 juta jiwa. Untuk mengatasi jumlah pengangguran yang semakin meningkat ini, diperlukan langkah solusi yaitu berupa pendukung keputusan untuk berwirausaha. Sistem pendukung keputusan dapat digunakan untuk merekomendasikan suatu wirausaha bagi pengangguran ataupun semua orang. Metode AHP dan metode TOPSIS merupakan salah satu metode sistem pendukung keputusan yang dapat dikombinasikan dengan menghitung bobot kriteria menggunakan metode AHP, kemudian dilanjutkan dengan menghitung nilai preferensi untuk perangkingan dari alternatif wirausaha menggunakan metode TOPSIS. Metode AHP-TOPSIS akan merekomendasikan hasil berupa 3 wirausaha dengan nilai preferensi tertinggi. Sesuai dengan hasil pengujiannya, bahwa aplikasi ini dapat membantu untuk merekomendasikan wirausaha dalam membantu mendukung keputusan user untuk memilih suatu wirausaha.