Christian Sri kusuma Aditya, Christian Sri kusuma
Teknik Informatika, Institut Teknologi Sepuluh Nopember

Published : 3 Documents
Articles

Found 3 Documents
Search

Pengukuran Kualitas Perangkat Lunak berdasarkan ISO/IEC 25000: Systematic Mapping

Jurnal Manajemen Informatika Vol 4, No 01 (2015): Volume 4, No 01 Tahun 2015
Publisher : Jurnal Manajemen Informatika

Show Abstract | Original Source | Check in Google Scholar

Abstract

Kualitas perangkat lunak adalah tema kajian dan penelitian  turun temurun dalam sejarah ilmu rekayasa perangkat lunak. Kajian dimulai dari apa yang akan diukur (apakah proses atau produk), sudut pandang pengukur dan bagaimana menentukan parameter pengukuran kualitas perangkat lunak. Dari sudut pandang produk, pengukuran kualitas perangkat lunak dapat menggunakan standard dari ISO/IEC 25000 yang juga dikenal sebagai Software product Quality Requirements and Evaluation (SQuaRE). Seri ISO/IEC 25000 terdiri dari 8 karakteristik yaitu Functional Suitability, Performance Efficiency, Compatibilty, Usability, Reliability, Security, Maintainability dan Portability. Standar pengukuran kualitas berdasarkan ISO/IEC 25000 telah dirilis sejak tahun 2005 dan telah dilakukan beberapa kali revisi atau pembaharuan, namun penelitian yang menggunakan seri ISO/IEC 25000 masih relatif sedikit jika dibandingkan dengan ISO/IEC 9126. Pada penelitian ini dilakukan mapping study untuk mengetahui perkembangan sebaran penelitian yang menggunakan standar SQuaRE. Diharapkan dengan systematic mapping akan dapat memunculkan permasalahan - permasalahan pada pengukuran sebuah kualitas perangkat lunak beradsarkan ISO/IEC 25000 yang dapat digunakan sebagai penelitian untuk peneliti yang lain. Kata Kunci: Systematic mapping, kualitas perangkat lunak, ISO/IEC 25000, SQuaRE

Deteksi Bot Spammer pada Twitter Berbasis Sentiment Analysis dan Time Interval Entropy

Jurnal Buana Informatika Vol 7, No 3 (2016): Jurnal Buana Informatika Volume 7 Nomor 3 Juli 2016
Publisher : Universitas Atma Jaya Yogyakarta

Show Abstract | Original Source | Check in Google Scholar

Abstract

Abstract. Spam is an abuse of messaging undesired by recipients. Those who send spam are called spammers.  Popularity of Twitter has attracted spammers to use it as a means to disseminate spam messages. The spams are characterized by a neutral emotional sentiment or no particular users’ preference perspective. In addition, the regularity of tweeting behavior periodically shows automation performed by bot. This study proposes a new method to differentiate between bot spammer and legitimate user accounts by integrating the sentiment analysis (SA) based on emotions and time interval entropy (TIE). The combination of knowledge-based and machine learning-based were used to classify tweets with positive, negative and neutral sentiments. Furthermore, the collection of timestamp is used to calculate the time interval entropy of each account. The results show that the precision and recall of the proposed method reach up to 83% and 91%. This proves that the merging SA and TIE can optimize overall system performance in detecting Bot Spammer.Keywords: bot spammer, twitter, sentiment analysis, polarity, entropy Abstrak. Spam merupakan penyalahgunaan pengiriman pesan tanpa dikehendaki oleh penerimanya, orang yang mengirimkan spam disebut spammer. Ketenaran Twitter mengundang spammer untuk menggunakannya sebagai sarana menyebarluaskan pesan spam. Karakteristik dari tweet yang dikategorikan spam memiliki sentimen emosi netral atau tidak ada preferensi tertentu terhadap suatu perspektif dari user yang memposting tweet. Selain itu keteraturan waktu perilaku saat memposting tweet secara periodik menunjukkan otomatisasi yang dilakukan bot. Pada penelitian ini diusulkan metode baru untuk mendeteksi antara bot spammer dan legitimate user dengan mengintegrasikan sentimen analysis berdasarkan emosi dan time interval entropy. Pendekatan gabungan knowledge-based dan machine learning-based digunakan untuk mengklasifikasi tweet yang memiliki sentimen positif, negatif dan tweet netral. Selanjutnya kumpulan timestamp digunakan untuk menghitung time interval entropy dari tiap akun. Hasil percobaan menunjukan bahwa precision dan recall dari metode yang diusulkan mencapai 83% dan 91%. Hal ini membuktikan penggabungan Sentiment Analysis (SA) dan Time Interval Entropy (TIE) dapat mengoptimalkan performa sistem secara keseluruhan dalam mendeteksi Bot Spammer.Kata Kunci:  bot spammer, twitter, sentiment analysis,  polarity, entropy

CORTICAL BONE SEGMENTATION USING WATERSHED AND REGION MERGING BASED ON STATISTICAL FEATURES

Jurnal Ilmu Komputer dan Informasi Vol 8, No 2 (2015): Jurnal Ilmu Komputer dan Informasi (Journal of Computer Science and Information
Publisher : Faculty of Computer Science - Universitas Indonesia

Show Abstract | Original Source | Check in Google Scholar | Full PDF (597.002 KB)

Abstract

Research on biomedical image is a subject that attracted many researchers’ interest. This is because the biomedical image could contain important information to help analyze a disease. One of the existing researches in his field uses dental panoramic radiographs image to detect osteoporosis. The analyzed area is the width of cortical bone. To analyze that area, however, we need to determine the width of the cortical bone. This requires proper segmentation on the dental panoramic radiographs image. This study proposed the integration of watershed and region merging method based on statistical features for cortical bone segmentation on dental panoramic radiographs. Watershed segmentation process was performed using gradient magnitude value from the input image. The watershed image that still has excess segmentation could be solved by region merging based on statistical features. Statistical features used in this study are mean, standard deviation, and variance. The similarity of adjacent regions is measured using weighted Euclidean distance from the statistical feature of the regions. Merging process was executed by incorporating the background regions as many as possible, while keeping the object regions from being merged. The segmentation result has succeeded in forming the contours of the cortical bone. The average value of accuracy is 93.211%, while the average value of sensitivity and specificity is 93.858% and respectively.