InComTech : Jurnal Telekomunikasi dan Komputer最新文献_第2页

Penerapan Adaptive Neuro Fuzzy Infrence System (ANFIS) dalam Prediksi Produksi Tembakau di Jember 在九月的烟草生产中使用一种神经雾化系统

InComTech : Jurnal Telekomunikasi dan Komputer Pub Date : 2023-04-30 DOI: 10.22441/incomtech.v13i1.15655

Azimatul Matsniya, Abduh Riski, Ahmad Kamsyakawuni

{"title":"Penerapan Adaptive Neuro Fuzzy Infrence System (ANFIS) dalam Prediksi Produksi Tembakau di Jember","authors":"Azimatul Matsniya, Abduh Riski, Ahmad Kamsyakawuni","doi":"10.22441/incomtech.v13i1.15655","DOIUrl":"https://doi.org/10.22441/incomtech.v13i1.15655","url":null,"abstract":"Tembakau merupakan salah satu komoditas perkebunan di Indonesia. Kabupaten Jember merupakan penghasil tembakau kualitas dunia terbesar di Jawa Timur. Produksi tembakau di Kabupaten Jember mengalami fluktuasi setiap tahunnya sehingga perlu dilakukan prediksi produksi tembakau dengan menggunakan ANFIS (Adaptive Neuro Fuzzy Inference System). Penelitian ini bertujuan untuk memprediksi produksi tembakau di Kabupaten Jember. Data yang digunakan dalam penelitian ini adalah curah hujan, luas lahan panen tembakau, produktivitas tembakau, dan produksi tembakau di Kabupaten Jember. Jaringan ANFIS yang dibuat terdiri dari tiga variabel input dan satu variabel output. Fungsi keanggotaan yang digunakan adalah generalized bell dan gaussian dengan total fungsi keanggotaan sebesar tiga buah. Jenis output dibagi menjadi dua, yaitu linier dan konstan. Hasil penelitian menunjukkan bahwa model terbaik adalah menggunakan fungsi keanggotaan generalized bell tipe output konstan dengan nilai MAPE pada proses pelatihan dan pengujian berturut-turut adalah 0,00015% dan 0,091%. Hasil prediksi produksi tembakau pada tahun 2021 adalah 199.603,71 kuintal. Variabel yang paling berpengaruh untuk produksi tembakau adalah curah hujan dan produktivitas tembakau.","PeriodicalId":123793,"journal":{"name":"InComTech : Jurnal Telekomunikasi dan Komputer","volume":"65 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-04-30","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"117216233","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

引用次数: 0

Pemodelan Topik Menggunakan Latent Dirichlet Allocation pada Ulasan Aplikasi PeduliLindungi

InComTech : Jurnal Telekomunikasi dan Komputer Pub Date : 2023-04-30 DOI: 10.22441/incomtech.v13i1.15572

J. Akbar, Tamrizal A. M., Yefta Tolla, Abdulrahmat E Ahmad, Ainul Yaqin, Ema Utami

{"title":"Pemodelan Topik Menggunakan Latent Dirichlet Allocation pada Ulasan Aplikasi PeduliLindungi","authors":"J. Akbar, Tamrizal A. M., Yefta Tolla, Abdulrahmat E Ahmad, Ainul Yaqin, Ema Utami","doi":"10.22441/incomtech.v13i1.15572","DOIUrl":"https://doi.org/10.22441/incomtech.v13i1.15572","url":null,"abstract":"Pandemi covid-19 yang melanda seluruh dunia termasuk Indonesia, membutuhkan langkah-langkah pencegahan seperti penelusuran (tracing), pelacakan (tracking) dan pemberian peringatan (warning dan fencing). Salah satu langkah pencegahan yang dilakukan Pemerintah adalah melalui Keputusan Menteri Komunikasi dan Informatika Nomor 171 Tahun 2020 tentang Penetapan Aplikasi Pedulilindungi Dalam Rangka Pelaksanaan Surveilans Kesehatan Penanganan Coronavirus Disease 2019 (Covid-19), menetapkan aplikasi Pedulilindungi sebagai aplikasi surveilans kesehatan penanganan COVID-19. Berbagai komentar disampaikan masyarakat terhadap aplikasi pedulilindungi termasuk melalui kolom ulasan pada playstore. Pada penelitian ini akan dilakukan pemodelan topik menggunakan LDA terhadap ulasan masyarakat tentang aplikasi pedulilindungi. Jumlah data yang digunakan pada penelitian ini sebanyak 13.731 data yang didapatkan dengan melakukan scraping pada google play mulai tanggal 15 september s/d 6 desember 2021 menggunakan library google scrapping. Langkah-langkah yang dilakukan dalam penelitian ini adalah preprocessing dataset, melakukan proses word2vec, menghitung nilai coherence dan melakukan pemodelan topik. Berdasarkan perhitungan nilai coherence pembagian jumlah topik yang ideal adalah 5, kemudian setelah diproses menggunakan algoritma LDA kesimpulan dari ke 5 topik tersebut didefinisikan sebagai kendala pendaftaran, sertifikat vaksin, tanggal lahir yang tidak sesuai, kendala membuka aplikasi dan keluhan pengguna aplikasi.","PeriodicalId":123793,"journal":{"name":"InComTech : Jurnal Telekomunikasi dan Komputer","volume":"67 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-04-30","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"132351200","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

引用次数: 0

Enkripsi Data Teks Dengan AES dan Steganografi DWT

InComTech : Jurnal Telekomunikasi dan Komputer Pub Date : 2023-04-30 DOI: 10.22441/incomtech.v13i1.15059

Chaerul Umam, M. Muslih

引用次数: 0

Implementasi Metode CNN Computer Vision Dalam Identifikasi Tipe Kerusakan Pohon Berbasis FHM 采用CNN计算机设想的方法确定FHM树的损坏类型

InComTech : Jurnal Telekomunikasi dan Komputer Pub Date : 2023-04-30 DOI: 10.22441/incomtech.v13i1.16022

Rahmat Safe'i, Zuhri Nopriyanto, Rico Andrian, Kurnia Muludi

{"title":"Implementasi Metode CNN Computer Vision Dalam Identifikasi Tipe Kerusakan Pohon Berbasis FHM","authors":"Rahmat Safe'i, Zuhri Nopriyanto, Rico Andrian, Kurnia Muludi","doi":"10.22441/incomtech.v13i1.16022","DOIUrl":"https://doi.org/10.22441/incomtech.v13i1.16022","url":null,"abstract":"Identifikasi tipe kerusakan pohon pada Forest Health Monitoring hingga saat ini masih bersifat manual, yaitu menggunakan penglihatan manusia dalam penerapannya. Teknologi Informasi yang kini berkembang pesat dapat di rasakan hingga ke berbagai media penerapan ilmu pengetahuan, dengan demikian terciptalah salah satu solusi dalam memecahkan masalah penelitian kasus identifikasi tipe kerusakan pohon yaitu dengan penggunaan metode computer vision dalam upaya memudahkan pekerjaan dalam ilmu kehutanan. Tujuan penelitian ini adalah untuk menerapkan computer vision dalam mengidentifikasi tipe kerusakan pohon berbasis Forest Health Monitoring. Tahapan penelitian yang dilakukan dalam penelitian ini adalah pengumpulan dataset, proses preprocessing, pembagian dataset, pelatihan model, pengujian model dan terakhir adalah evaluasi model. Hasil penelitian ini berupa model (prototype) identifikasi tipe kerusakan pohon dalam 4 kategori yaitu, LeNet-5 Colab, LeNet-5 Tesla, MobileNet Colab, dan MobileNet Tesla. Persentase identifikasi model bervariasi, dimana pada kelas tertentu model dapat mengidentifikasi dengan benar dan dikelas lainnya masih ada beberapa identifikasi model yang kurang optimal, disebabkan oleh kemiripan beberapa bentuk dataset dalam segi visual komputer. Penelitian penerapan computer vision dalam identifikasi kerusakan pohon berbasis Forest Health Monitoring berhasil dilakukan dengan menghasilkan dua model (prototype) dalam identifikasi kerusakan pohon yang nilai akurasinya mencapai angka 89.99% pada model LeNet-5 dan 99.06% pada model MobileNet dengan tools yang digunakan adalah Jupyter notebook pada Nvidia Tesla K20 (offline) dan Google Colab (online).","PeriodicalId":123793,"journal":{"name":"InComTech : Jurnal Telekomunikasi dan Komputer","volume":"35 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-04-30","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"114783285","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

引用次数: 0

Design and Implementation of Image Capture for Cluster Housing Security System Based on IoT 基于物联网的集群住宅安防系统图像采集的设计与实现

InComTech : Jurnal Telekomunikasi dan Komputer Pub Date : 2022-12-26 DOI: 10.22441/incomtech.v12i3.15514

Muhamad Arief Aryadi, M. Galina

引用次数: 0

Strategy for Implementation of the Security Maturity Model in e-Government Systems in Indonesia 印尼电子政务系统安全成熟度模型的实施策略

InComTech : Jurnal Telekomunikasi dan Komputer Pub Date : 2022-12-26 DOI: 10.22441/incomtech.v12i3.15214

Tashia Indah Nastiti

引用次数: 0

Penentuan Prioritas Penggantian Uang Bahan Bakar Minyak Dengan Metode Naive Bayes 用天真的贝斯方法确定更换燃油的优先顺序

InComTech : Jurnal Telekomunikasi dan Komputer Pub Date : 2022-12-26 DOI: 10.22441/incomtech.v12i3.14900

Dyah Ayu Anandra, Rd. Nuraini Siti Fathonah

{"title":"Penentuan Prioritas Penggantian Uang Bahan Bakar Minyak Dengan Metode Naive Bayes","authors":"Dyah Ayu Anandra, Rd. Nuraini Siti Fathonah","doi":"10.22441/incomtech.v12i3.14900","DOIUrl":"https://doi.org/10.22441/incomtech.v12i3.14900","url":null,"abstract":"Dalam suatu instansi untuk pencatatan bahan bakar minyak dan penentuan prioritas supir yang akan diganti uangnya terlebih dahulu sangat krusial. Permasalahan yang dihadapi oleh PT.XYZ adalah kesulitan dalam mengklasifikasikan supir yang harus mendapat penggantian uang terlebih dahulu. Saat ini untuk pengklasifikasian yang dilakukan hanya mengandalkan pengolahan data dan pengurutan dengan Microsoft Excel. Untuk menghindari hal yang tidak diinginkan seperti Human Error ataupun redudansi maka sistem ini dibangun. Dengan metode naïve bayes membantu agar dapat menentukan prioritas supir yang akan mendapat uang ganti bahan bakar minyak (BBM). Metode pengklasifikasi Naive Bayes adalah pengklasifikasi statistik yang dapat memprediksi probabilitas keanggotaan kelas dari kelas tertentu berdasarkan perhitungan probabilitas. Berdasarkan hasil akhir yang telah dilakukan dengan mengambil beberapa semple dari beberapa data training maka akurasi untuk menentukan prioritas supir penggantian bahan bakar minyak (BBM) adalah 100%. Maka dapat disimpulkan bahwa metode naïve bayes keakuratannya sangat tinggi untuk menentukan prioritas penggantian uang bahan bakar minyak (BBM) untuk supir.","PeriodicalId":123793,"journal":{"name":"InComTech : Jurnal Telekomunikasi dan Komputer","volume":"20 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2022-12-26","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"134407276","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

引用次数: 0

Sistem Pendukung Keputusan Berbasis Interval Type-2 Fuzzy Sugeno Pada Kendali pH Air 基于管道2的决策支持系统模糊的Sugeno在水ph控制

InComTech : Jurnal Telekomunikasi dan Komputer Pub Date : 2022-12-26 DOI: 10.22441/incomtech.v12i3.15453

Devan Cakra Mudra Wijaya, B. Rahmat, E. Y. Puspaningrum

{"title":"Sistem Pendukung Keputusan Berbasis Interval Type-2 Fuzzy Sugeno Pada Kendali pH Air","authors":"Devan Cakra Mudra Wijaya, B. Rahmat, E. Y. Puspaningrum","doi":"10.22441/incomtech.v12i3.15453","DOIUrl":"https://doi.org/10.22441/incomtech.v12i3.15453","url":null,"abstract":"Kemampuan sistem fuzzy dalam menangani hal-hal yang bersifat ambiguitas tinggi, seperti perubahan ekstrem pada pH air sangat diperlukan di era modern saat ini. Sebab, tingginya ambiguitas dapat mengakibatkan alat pengendali pH tidak berfungsi dengan baik, sehingga akan berakibat fatal khususnya pada sektor pertanian. Tipe algoritma fuzzy sangat menentukan keberhasilan dalam penanganan ambiguitas. Berdasarkan permasalahan tersebut, penulis mengusulkan metode IT2FL Sugeno Orde-Nol untuk digunakan sebagai pembelajaran dalam sistem pengendalian pH air yang merupakan inovasi baru yang layak untuk diperdalam lagi kedepannya. Fuzzy logic type-2 mempunyai 4 tahapan dalam penyelesaiannya yaitu meliputi: fuzzifikasi, inferensi, reduksi tipe, dan defuzzifikasi. Fuzzy memiliki beberapa komponen penting didalamnya yang meliputi: variabel, himpunan, domain, fungsi keanggotaan, representasi kurva, dan operator. Adapun tujuan dari penelitian ini ialah untuk memberikan gambaran sederhana dalam menerapkan algoritma IT2FL Sugeno sebagai sarana pengembangan IPTEK dalam ranah teknologi pertanian. Hasil dari penelitian ini menunjukkan bahwa SPK 0 untuk aksi pH up on: 25 detik, SPK 1 untuk aksi pH up on: 10 detik, SPK 2 untuk aksi all pH off: 0 detik, SPK 3 untuk aksi pH down on: 10 detik, dan SPK 4 untuk aksi pH down on: 25 detik. Pengkategorian pH dibagi menjadi 5 macam yaitu: Asam Kuat (0-3), Asam Lemah (4-6), Netral (7), Basa Lemah (8-10), dan Basa Kuat (11-14). Berdasarkan hasil pengujian, sistem memenuhi syarat dan dinyatakan valid dengan standarisasi perhitungan pada sensor : akurasi rata-rata sebesar 91.8%; galat selisih rata-rata sebesar 0.6; dan juga galat sistematis rata-rata sebesar 8.2%.","PeriodicalId":123793,"journal":{"name":"InComTech : Jurnal Telekomunikasi dan Komputer","volume":"4 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2022-12-26","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"127724257","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

引用次数: 0

Perbandingan Metode Deep Learning dalam Mengklasifikasi Citra Scan MRI Penyakit Otak Parkinson 比较深度学习的方法对帕金森脑疾病的核磁共振成像进行分类

InComTech : Jurnal Telekomunikasi dan Komputer Pub Date : 2022-12-26 DOI: 10.22441/incomtech.v12i3.15068

Waeisul Bismi, Hani Harafani

{"title":"Perbandingan Metode Deep Learning dalam Mengklasifikasi Citra Scan MRI Penyakit Otak Parkinson","authors":"Waeisul Bismi, Hani Harafani","doi":"10.22441/incomtech.v12i3.15068","DOIUrl":"https://doi.org/10.22441/incomtech.v12i3.15068","url":null,"abstract":"Penyakit Parkinson merupakan gangguan neurodegenerative yang bersifat progresif dan relative umum pada system saraf pusat yang menyebabkan kesulitan dalam bergerak. Biasanya penyakit ini sering terjadi pada individu berusia lebih dari 60 tahun dipengaruhi oleh factor genetic dan lingkungan. Deteksi dini pada penyakit Parkinson dapat mencegah gejala hingga usia tertentu sehingga meningkatkan harapan hidup. Dalam penelitian ini bertujuan untuk menggunakan gambar otak dari Magnetic Resonace Imaging (MRI) untuk mengetahui bagaimana penyakit tersebut menyebar, dengan menggunakan metode deep learning menggunakan model atau arsitektur InceptionV3, VGG16, VGG19, NasnetMobile, dan MobileNet dengan melalui proses Input data - augmentasi - preprocessing - Classification (model a b c d ) - result dan pembelajaran mesin pada kumpulan data klinis dan paraklinis untuk mendiagnosis secara akurat meggunakan dataset yang berasal dari Parkinsons Brain MRI sebanyak 2 kelas yaitu kelas normal dan Parkinson. Hasil dari penelitian menggunakan deep learning berdasarkan kelima algoritma yang digunakan tersebut diperoleh nilai akurasi terbaik dari seluruh model arsitektur adalah arsitektur MobileNet sebesar 99,75% dengan kappa score 99,30% dengan total durasi komputasi selama 2 jam satu menit","PeriodicalId":123793,"journal":{"name":"InComTech : Jurnal Telekomunikasi dan Komputer","volume":"49 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2022-12-26","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"115938026","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

引用次数: 0

Klasifikasi Pneumonia Dengan Deep Learning Faster Region Convolutional Neural Network Arsitektur VGG16 dan ResNet50 克拉西卡西肺炎登干深度学习更快区域卷积神经网络Arsitektur VGG16和ResNet50

InComTech : Jurnal Telekomunikasi dan Komputer Pub Date : 2022-12-26 DOI: 10.22441/incomtech.v12i3.15112

Hafidz Daffa Hekmatyar, W. Saputra, Cepi Ramdani

{"title":"Klasifikasi Pneumonia Dengan Deep Learning Faster Region Convolutional Neural Network Arsitektur VGG16 dan ResNet50","authors":"Hafidz Daffa Hekmatyar, W. Saputra, Cepi Ramdani","doi":"10.22441/incomtech.v12i3.15112","DOIUrl":"https://doi.org/10.22441/incomtech.v12i3.15112","url":null,"abstract":"Pneumonia merupakan infeksi paru-paru yang melibatkan alveoli (kantung udara) dan disebabkan oleh mikroba, termasuk bakteri, virus, atau jamur yang dapat menyebabkan peradangan pada area bronkiolus dan alveoli. Pneumonia merupakan penyakit yang berbahaya apabila tidak ditangani dengan tepat. COVID-19 merupakan virus baru yang menyerang paru-paru dan diindikasikan dengan adanya pneumonia. Penting bagi pakar kesehatan untuk memberikan perawatan tepat jika ditemukan pneumonia pada kasus COVID-19. Namun demikian, kendala yag dihadapi dari citra toraks adalah mendeteksi adan-ya indikasi pneumonia dalam mengklasifikasikan toraks berpneumonia. Tujuan dari penelitian ini adalah mengklasifikasikan objek yang terdeteksi sebagai penumonia dengan menggunakan Faster R-CNN, yakni teknik yang mengkombinasikan algoritme Region Proposal Network (RPN) dan Convolutional Neural Network (CNN). Penelitian ini menggunakan metode Faster R-CNN untuk mendeteksi adanya pneumonia pada pasien COVID-19 dengan menggunakan dua arsitektur CNN yang berbeda yaitu arsitektur VGG16 dan ResNet50. Dari pengujian yang yang diterapkan pada citra toraks berpneumonia, model VGG16 mempunyai mAP (mean Average Precision) tertinggi yaitu sebesar 17,7% sedangkan ResNet mempunyai nilai mAP sebesar 16,2%. Sedangkan, implementasi menggunakan 500 data x-ray paru-paru pneumonia COVID-19, arsitektur VGG16 mempunyai nilai akurasi tertinggi yaitu sebesar 85,8% sedangkan ResNet50 mempunyai nilai akurasi sebesar 84%. Dengan dikembangkannya penelitian ini diharapkan dapat membantu tenaga medis dalam mendeteksi pneumonia secara dini pada pasien yang terkena virus COVID-19 dengan tepat.","PeriodicalId":123793,"journal":{"name":"InComTech : Jurnal Telekomunikasi dan Komputer","volume":"35 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2022-12-26","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"130854306","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

引用次数: 0