Articles

Found 21 Documents
Search

Implementasi Sistem Klasifikasi Fuzzy Berbasis Optimasi Koloni Semut untuk Diagnosa Penyakit Diabetes

Jurnal Teknik ITS Vol 2, No 1 (2013)
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS

Show Abstract | Original Source | Check in Google Scholar | Full PDF (151.669 KB)

Abstract

Diabetes merupakan penyakit metabolis yang ditandai dengan tingginya tingkat glukosa dalam darah. Banyak pasien yang tidak menyadari adanya gejala diabetes dalam dirinya. Oleh karena itu diperlukan sistem pakar yang bisa memberikan peringatan apakah seseorang menderita diabetes atau tidak. Dalam makalah ini diimplementasikan sistem klasifikasi fuzzy berbasis optimasi koloni semut untuk diagnosa penyakit diabetes. Sistem pakar ini menggunakan mesin inferensi fuzzy untuk melakukan prediksi penyakit diabetes. Aturan-aturan fuzzy yang digunakan untuk membentuk mesin inferensi fuzzy didapatkan dengan menerapkan optimasi koloni semut yang bertugas mempelajari data latih. Uji coba sistem dilakukan dengan menggunakan data set Pima Indian Diabetes. Performa terbaik yang dihasilkan oleh model adalah akurasi sebesar 78,55%, precision sebesar 79,61%, recall sebesar 78,56%, dan F-measure sebesar 79,02%.

Optimasi Kinerja Algoritma Klasterisasi K-Means untuk Kuantisasi Warna Citra

Jurnal Teknik ITS Vol 1, No 1 (2012): Jurnal Teknik ITS (ISSN 2301-9271)
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS

Show Abstract | Original Source | Check in Google Scholar | Full PDF (727.891 KB)

Abstract

Kuantisasi warna citra merupakan operasi penting pada banyak aplikasi grafik dan pengolahan citra.  Metode kuantisasi warna banyak dilakukan dengan menggunakan algoritma klasterisasi data. Kepopuleran k-means sebagai algoritma klasterisasi data yang telah umum, ternyata belum mendapat cukup perhatian pada literatur kuantisasi warna. Hal ini disebabkan karena mahalnya biaya komputasi dan sensitivitasnya terhadap pengaruh pemilihan pusat klaster. Penelitian ini memberikan metode percepatan algoritma k-means untuk kuantisasi warna. Metode yang diajukan melibatkan beberapa modifikasi pada k-means konvensional, seperti pengurangan data, pembobotan data, dan penggunaan prinsip  pertidaksamaan segitiga untuk mempercepat pencarian ketetanggaan terdekat. Ujicoba dilakukan dengan beragam citra dan menunjukkan bahwa modifikasi yang telah dilakukan mampu memperlihatkan bahwa k-means juga sangat kompetitif sebagai algoritma  kuantisasi warna citra, baik dalam segi efektivitas maupun efisiensinya.

Implementasi Algoritma Particle Swarm untuk Menyelesaikan Sistem Persamaan Nonlinear

Jurnal Teknik ITS Vol 1, No 1 (2012): Jurnal Teknik ITS (ISSN 2301-9271)
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS

Show Abstract | Original Source | Check in Google Scholar | Full PDF (191.55 KB)

Abstract

Penyelesaian sistem persamaan nonlinear merupakan salah satu permasalahan yang sulit pada komputasi numerik dan berbagai aplikasi teknik. Beberapa metode telah dikembangkan untuk menyelesaikan sistem persamaan ini dan metode Newton merupakan metode yang paling sering digunakan. Namun metode ini memerlukan perkiraan solusi awal dan memilih perkiraan solusi awal yang baik untuk sebagian besar sistem persamaan nonlinear tidaklah mudah. Pada makalah ini, algoritma Particle Swarm yang diusulkan oleh Jaberipour dan kawan-kawan[1] diimplementasikan. Algoritma ini merupakan pengembangan dari algoritma Particle Swarm Optimization (PSO). Algoritma ini meyelesaikan sistem persamaan nonlinear yang sebelumnya telah diubah menjadi permasalahan optimasi. Uji coba dilakukan terhadap beberapa fungsi dan sistem persamaan nonlinear untuk menguji kinerja dan efisiensi algoritma. Berdasarkan hasil uji coba, beberapa fungsi dan sistem persamaan nonlinear telah konvergen pada iterasi ke 10 sampai 20 dan terdapat fungsi yang konvergen pada iterasi ke 200. Selain itu, solusi yang dihasilkan algoritma Particle Swarm mendekati solusi eksak.

STUDI PERBANDINGAN ANTARA ALGORITMA BIVARIATE MARGINAL DISTRIBUTION DENGAN ALGORITMA GENETIKA

Jurnal Informatika Vol 7, No 2 (2006): NOVEMBER 2006
Publisher : Institute of Research and Community Outreach - Petra Christian University

Show Abstract | Original Source | Check in Google Scholar

Abstract

Bivariate Marginal Distribution Algorithm is extended from Estimation of Distribution Algorithm. This heuristic algorithm proposes the new approach for recombination of generate new individual that without crossover and mutation process such as genetic algorithm. Bivariate Marginal Distribution Algorithm uses connectivity variable the pair gene for recombination of generate new individual. Connectivity between variable is doing along optimization process. In this research, genetic algorithm performance with one point crossover is compared with Bivariate Marginal Distribution Algorithm performance in case Onemax, De Jong F2 function, and Traveling Salesman Problem. In this research, experimental results have shown performance the both algorithm is dependence of parameter respectively and also population size that used. For Onemax case with size small problem, Genetic Algorithm perform better with small number of iteration and more fast for get optimum result. However, Bivariate Marginal Distribution Algorithm perform better of result optimization for case Onemax with huge size problem. For De Jong F2 function, Genetic Algorithm perform better from Bivariate Marginal Distribution Algorithm of a number of iteration and time. For case Traveling Salesman Problem, Bivariate Marginal Distribution Algorithm have shown perform better from Genetic Algorithm of optimization result. Abstract in Bahasa Indonesia : Bivariate Marginal Distribution Algorithm merupakan perkembangan lebih lanjut dari Estimation of Distribution Algorithm. Algoritma heuristik ini mengenalkan pendekatan baru dalam melakukan rekombinasi untuk membentuk individu baru, yaitu tidak menggunakan proses crossover dan mutasi seperti pada Genetic Algorithm. Bivariate Marginal Distribution Algorithm menggunakan keterkaitan pasangan variabel dalam melakukan rekombinasi untuk membentuk individu baru. Keterkaitan antar variabel tersebut ditemukan selama proses optimasi berlangsung. Aplikasi yang dibuat dalam penelitian ini ditujukan untuk membandingkan kinerja Genetic Algorithm sederhana persilangan satu titik dengan Bivariate Marginal Distribution Algorithm pada kasus Onemax, Fungsi De Jong F2, dan Traveling Salesman Problem. Dari uji coba yang dilakukan, didapat hasil bahwa kinerja dari kedua algoritma tersebut dipengaruhi oleh parameter masing-masing dan juga besar ukuran populasi yang digunakan. Untuk kasus Onemax dengan ukuran masalah yang kecil, Genetic Algorithm lebih unggul dalam hal jumlah iterasi yang lebih sedikit dan waktu yang lebih cepat untuk mendapat hasil optimal. Namun, Bivariate Marginal Distribution Algorithm lebih unggul dalam hal hasil optimasi pada kasus Onemax dengan ukuran masalah yang lebih besar. Untuk Fungsi De Jong F2, Genetic Algorithm lebih unggul dari Bivariate Marginal Distribution Algorithm utamanya dalam hal jumlah iterasi dan waktu. Sedangkan untuk kasus Traveling Salesman Problem, Bivariate Marginal Distribution Algorithm dapat menunjukkan kinerja yang lebih baik dari Genetic Algorithm dalam hal hasil optimasi. Kata kunci: heuristic algorithm, estimation of distribution algorithm, bivariate marginal distribution algorithm, genetic algorithm.

Comparative Study of Bancruptcy Prediction Models

TELKOMNIKA Telecommunication, Computing, Electronics and Control Vol 11, No 3: September 2013
Publisher : Universitas Ahmad Dahlan

Show Abstract | Original Source | Check in Google Scholar

Abstract

Early indication of bancruptcy is important for a company. If companies aware of  potency of their bancruptcy, they can take a preventive action to anticipate the bancruptcy. In order to detect the potency of a bancruptcy, a company can utilize a a model of bancruptcy prediction. The prediction model can be built using a machine learning methods. However, the choice of machine learning methods should be performed carefully. Because the suitability of a model depends on the problem specifically. Therefore, in this paper we perform a comparative study of several machine leaning methods for bancruptcy prediction. According to the comparative study, the performance of several models that based on machine learning methods (k-NN, fuzzy k-NN, SVM, Bagging Nearest Neighbour SVM, Multilayer Perceptron(MLP), Hybrid of MLP + Multiple Linear Regression), it can be showed that fuzzy k-NN method achieve the best performance with accuracy 77.5%

Ovarian Cancer Identification using One-Pass Clustering and k-Nearest Neighbors

TELKOMNIKA Telecommunication, Computing, Electronics and Control Vol 11, No 4: December 2013
Publisher : Universitas Ahmad Dahlan

Show Abstract | Original Source | Check in Google Scholar

Abstract

The identification of ovarian cancer using protein expression profile (SELDI-TOF-MS) is important to assists early detection of ovarian cancer. The chance to save patient’s life is greater when ovarian cancer is detected at an early stage. However, the analysis of protein expression profile is challenging because it has very high dimensional features and noisy characteristic. In order to tackle those difficulties, a novel ovarian cancer identification model is proposed in this study. The model comprises of One-Pass Clustering and k-Nearest Neighbors Classifier.  With simple and efficient computation, the performance of the model achieves Accuracy about 97%. This result shows that the model is promising for Ovarian Cancer identification.

QUERY BUILDER PADA RDBMS ORACLE MENGGUNAKAN XML DAN ACTIVEX BERBASIS WEB

JUTI: Jurnal Ilmiah Teknologi Informasi Vol 3, No 1 Januari 2004
Publisher : Jurusan Teknik Informatika ITS, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh N

Show Abstract | Original Source | Check in Google Scholar

Abstract

Dalam penelitian ini akan dibahas mengenai pembuatan aplikasi pembangkit query berbasis web pada RDBMS Oracle 9i yang memiliki kemampuan untuk melakukan pembuatan query baik secara forward(diagram ke teks query) maupun reverse(teks query ke diagram) dengan menggunakan teknologi IIS, ISAPI Ekstension, activex dan XML sebagai data interchange. Penelitian ini bertujuan untuk membuat sebuah arsitektur dimana instalasi Oracle hanya dilakukan sekali, yaitu pada komputer server. Sedangkan komputer client tidak perlu diinstall, namun tetap harus terkoneksi pada server melalui jaringan LAN. Dengan teknologi maka semua perintah (syntax SQL) yang dibentuk pada server akan dikirm pada server untuk dieksekusi pada level database Dan record hasil dari eksekusi tersebut akan dikembalikan nilainya pada komputer client.. Uji coba dan evaluasi dilakukan dengan menggunakan 2 cara, yaitu uji coba kebenaran dalam membentuk syntax query dan uji coba kecepatan aplikasi yang sudah dikembangkan. Untuk uji coba kebenaran, aplikasi sudah bisa melakukan pembentukan syntax SQL baik secara forward maupun reverse namun hanya terbatas pada fungsi-fungsi standart pada ANSI SQL. Untuk uji coba kecepatan, menunjukkan bahwa kinerja perangkat lunak dipengaruhi 3 parameter yaitu jumlah tabel, jumlah kolom pada masing-masing tabel, dan jumlah record hasil eksekusi syntax SQL. Dimana peningkatan waktu yang dibutuhkan bersifat eksponensial. Kata kunci :Pembangkit Query, IIS, ISAPI Extension, ActiveX, XML, Oracle 9i.

ANALISIS KINERJA SOLVER PERSAMAAN DIFERENSIAL BIASA PADA MATLAB UNTUK PERSOALAN NILAI AWAL NONSTIFF DAN STIFF

JUTI: Jurnal Ilmiah Teknologi Informasi Vol 1, No 1 Juli 2002
Publisher : Jurusan Teknik Informatika ITS, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh N

Show Abstract | Original Source | Check in Google Scholar

Abstract

Makalah ini membahas analisis kinerja dari solver persamaan diferensial biasa pada perangkat lunak MATLAB. Persoalan persamaan diferensial biasa yang akan diselesaikan oleh solver MATLAB dan selanjutnya dianalisis kinerjanya tersebut akan meliputi persoalan nilai awal (Initial Value Problem) dengan karakteristik nonstiff dan stiff.Penyelesaian persoalan nilai awal nonstiff yang akan dianalisis kinerjanya akan menggunakan metode Runge-Kutta eksplisit, yang diimplementasikan dengan fungsi ode23 dan ode45. Sedangkan untuk persoalan nilai awal stiif akan menggunakan metode implisit yang disebut Numerical Differentiation Formulas (NDF) dan metode one-step implisit Modified Rosenbrock. Kedua metode untuk persoalan stiff tersebut diimplementasikan dalam fungsi ode15s dan ode23s. Analisis kinerja pada solver PDB MATLAB untuk persoalan nilai awal yang dilakukan terhadap setiap fungsi tersebut akan meliputi kinerja terhadap tolerasi galat (error) dan biaya komputasi yang dibutuhkan yang dinyatakan dengan komponen succesful step, failed attempts dan function evaluation.Kata kunci: Initial Value Problem, Nonstiff, Ordinary Differential Equation, Stiff

IMPLEMENTASI DELAY DIFFERENTIAL EQUATION PADA SOLVER ORDINARY DIFFERENTIAL EQUATION MATLAB

JUTI: Jurnal Ilmiah Teknologi Informasi Vol 1, No 1 Juli 2002
Publisher : Jurusan Teknik Informatika ITS, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh N

Show Abstract | Original Source | Check in Google Scholar

Abstract

Ordinary Differential Equation (ODE) dan Delay Differential Equation (DDE) banyak digunakan untuk menerangkan kejadian-kejadian pada dunia nyata. ODE melibatkan derivatif yang dipengaruhi oleh penyelesaian waktu sekarang dari variabel-variabel yang tidak bergantung pada waktu. Sementara, DDE memiliki tambahan derivatif yang juga dipengaruhi oleh penyelesaian pada waktu sebelumnya.Penyelesaian persoalan DDE dengan nilai tunda konstan difokuskan pada metode eksplisit Runge Kutta triple BS(2,3) yang digunakan juga oleh solver Matlab nonstiff pada ode23.Untuk mengimplementasikan permasalahan DDE dengan waktu tunda konstan dengan menggunakan metode Runge-Kutta eksplisit dibutuhkan tiga rumusan yaitu rumusan untuk menghitung nilai pada setiap tahapan integrasi, rumusan untuk menghitung besarnya step size serta rumusan untuk menghitung continuous extension. Pada penelitian ini, diaplikasikan metode Runge Kutta eksplisit dengan rumusan embedded dari Bogacki-Shampine yang mempunyai order 3 serta rumusan continuous extension dengan interpolasi Hermite kubik.Kata kunci : Delay Differential Equation, Ordinary Differential Equation, Runge Kutta.

PERANCANGAN FUNGSI RANGKAIAN LOGIKA MELALUI FINITE STATE MACHINE DENGAN MEKANISME BELAJAR DARI CONTOH

JUTI: Scientific Journal of Information Technology Vol 2, No 1 Januari 2003
Publisher : Teknik Informatika, ITS Surabaya

Show Abstract | Original Source | Check in Google Scholar

Abstract

Perancangan rangkaian logika secara umum dapat dilakukan dengan metode sebagai berikut : mendefinisikan permasalahan, membentuk diagram keadaan atau tabel keadaan, membentuk tabel kebenaran, membentuk fungsi logika dan menuangkannya dalam rangkaian logika. Penerapan metode tersebut membutuhkan ketelitian dan waktu yang sebanding dengan kompleksitas rangkaian yang dirancang. Karena itu, perlu dibuat sebuah perangkat lunak untuk membantu proses perancangan rangkaian logika, agar proses perancangan dapat dilakukan dengan mudah, cepat, dan dengan ketelitian yang tinggi. Untuk merancang rangkaian logika,dalam penelitian ini diterapkan mekanisme belajar dari contoh, yang memanfaatkan teori-teori otomata dan switching. Penelitian ini mencoba membangun model untuk rangkaian logika yang diinginkan berdasarkan atas contoh input/output dari rangkaian logika yang diinginkan, dengan langkah-langkah : membangun model dari contoh yang diberikan, melakukan modifikasi model (jika diperlukan) berdasarkan atas contoh tambahan yang diberikan, memilih salah satu model sebagai solusi akhir jika diperoleh lebih dari satu model, dan menerjemahkan model ke dalam rangkaian logika. Penelitian ini menghasilkan model untuk rangkaian logika dalam bentuk finite state machine, yang kemudian diterjemahkan menjadi fungsi logika dalam bentuk sum of product. Dari hasil uji coba yang telah dilakukan, untuk setiap contoh yang diberikan, perangkat lunak yang dikembangkan terbukti mampu membentuk minimal sebuah model dan menerjemahkannya menjadi fungsi logika. Namun demikian, tingkat kesesuaian antara model yang dihasilkan dengan yang diharapkan masih tergantung pada kelengkapan contoh yang diberikan. Selain itu, perangkat lunak ini juga mampu membedakan jenis rangkaian logika yang dihasilkan, mampu melakukan modifikasi pada model yang dihasilkan serta mampu menangani contoh-contoh yang inkonsisten.