Prosiding Seminar Nasional Teknik Elektro, Informatika & Sistem Informasi (SINTaKS)

Penerapan Metode Random Forest, Gaussian NB, Dan KNN Terhadap Data Unbalance dan Data Balance Menggunakan Random Over Sampling Untuk Klasifikasi Senyawa Keladi Tikus

2023-09-04T15:08:33+00:00

Penelitian ini bertujuan untuk melakukan klasifikasi dataset senyawa keladi tikus menggunakan metode Random Forest, Gaussian NB, dan KNN pada dataset yang tidak seimbang dan seimbang dengan menggunakan Random Over Sampling. Metode penelitian melibatkan penerapan metode Random Forest, KNN, dan Gaussian NB pada dataset asli (data tidak seimbang) untuk pemodelan data training dan pengujian menggunakan data uji. Kinerja algoritma diukur dengan menggunakan confusion matrix, dan metode KNN dievaluasi dengan K-fold cross validation. Hasil penelitian menunjukkan bahwa sebelum data diseimbangkan, akurasi pada data tidak seimbang mencapai ratarata 80%, namun parameter-parameter lainnya memiliki nilai yang rendah. Setelah menerapkan Random Over Sampling, akurasi meningkat untuk Random Forest, tetapi terjadi penurunan akurasi rata-rata pada KNN dan Gaussian NB. Penurunan ini disebabkan oleh penduplikatan pada kelas minoritas dan pengaruh nilai k yang terlalu besar pada KNN. Analisis waktu komputasi menunjukkan bahwa Random Forest dan KNN memerlukan waktu yang lebih lama daripada Naïve Bayes. Berdasarkan hasil penelitian ini, dapat disimpulkan bahwa algoritma Random Forest adalah yang terbaik untuk melakukan klasifikasi pada datasetsenyawa keladi tikus, baik pada data tidak seimbang maupun data seimbang.

Perbandingan Algoritma Klasifikasi KNN, Gaussian Naive Bayes, Dan Random Forest Pada Dataset LCMS Tanaman Keladi Tikus Yang Diseimbangkan Dengan Metode Synthetic Minority Over-Sampling Technique

2023-09-04T15:22:47+00:00

Data yang tidak seimbang dapat mempengaruhi tingkat akurasi dalam klasifikasi, dan salah satu metode yang digunakan untuk menyeimbangkan data adalah Synthetic Minority Oversampling Technique (SMOTE), yang merupakan teknik oversampling untuk menghasilkan data sintetis dari kelas minoritas. Pada penelitian ini digunakan algoritma Random Forest, KNN, dan Gaussian Naïve Bayes untuk klasifikasi. Metode penelitian yang digunakan meliputi pengumpulan data, preprocessing data, pemrosesan ketidakseimbangan data, pembagian data menjadi subset pelatihan dan pengujian, implementasi algoritma, evaluasi kinerja menggunakan metrik evaluasi klasifikasi, analisis hasil, uji statistik, kesimpulan, dan saran. Berdasarkan eksperimen didapat hasil bahwa algoritma Random Forest merupakan algoritma yang mempunyai akurasi tertinggi dibandingkan kedua algoritma yang lain, baik tu pada data tidak seimbang maupun data yang sudah diseimbangkan dengan metode Synthetic Minority Over-sampling Technique (SMOTE)

Perbandingan Algoritma Klasifikasi Random Forest, Gaussian Naive Bayes, dan K-Nearest untuk Data Tidak Seimbang dan Data yang diseimbangkan dengan metode Random Undersampling pada dataset LCMS Tanaman Keladi Tikus

2023-09-05T02:07:30+00:00

Dalam penelitian ini, dua percobaan terpisah dilakukan untuk mengklasifikasikan dataset keladi tikus menggunakan algoritma KNN, Naive Bayes, dan Random Forest. Pertama, dilakukan pengujian dengan menggunakan dataset yang belum seimbang, sedangkan kedua, dilakukan Random Undersampling (RUS) untuk mendapatkan dataset yang seimbang sebelum melakukan pengujian. Hasil pengujian dibandingkan menggunakan confusion matrix. Confusion matrix memberikan informasi lebih rinci tentang performa model dalam mengklasifikasikan sampel pada setiap kelas. Hasil eksperimen menunjukkan bahwa penggunaan Random Undersampling secara signifikan meningkatkan kinerja model klasifikasi pada ketiga metode yang diuji. Pada dataset yang telah diseimbangkan menggunakan Random Undersampling, algoritma Random Forest menunjukkan performa yang jauh lebih baik dalam hal akurasi, presisi, recall, dan F1-score yang mencapai 99% jika dibandingkan dengan Gaussian Naive Bayes dan KNN. Dan juga pada dataset yang belum seimbang, Random Forest tetap menunjukkan hasil akurasi yang lebih tinggi dibandingkan dengan KNN dan Gaussian NB, meskipun perbedaannya tidak sebesar pada dataset yang telah diseimbangkan.

Perancangan Sensor Gelombang Mikro Untuk Aplikasi Pengukuran Kadar Gula Darah Secara Non-Invasive

2023-09-05T05:44:02+00:00

Penyakit diabetes menjadi salah satu penyakit yang mematikan dewasa ini. Oleh karena itu kadar gula darah pada tubuh harus dideteksi lebih dini agar dapat dilakukan pencegahan maupun penyembuhannya. Pengukuran kadar gula darah banyak menggunakan alat yang bersifat invasive pada tubuh dimana beberapa orang masih takut untuk melakukannya. Pengukuran kadar gula darah secara non-invasive dapat dilakukan salah satunya menggunakan sensor gelombang mikro. Pada penelitian ini, sensor gelombang mikro dirancang adalah tipe complementary split ring resonator (CSRR) berbahankan FR4 yang memiliki frekuensi kerja 2 GHz. Pengukuran awal kadar gula darah dilakukan dengan meletakakan model kadar gula darah berupa larutan gula diatas CSRR kemudian diamati grafik S21 menggunakan Vector Network Analyzer. Model kadar gula yang digunakan adalah larutan air dengan kadar gula yang berbeda. Hasil pengukuran awal menunjukkan adanya perbedaan grafik pada S21 seiring pertambahannya kadar gula pada larutan.

Perbandingan Algoritma Klasifikasi Random Forest, Gaussian Naive Bayes, dan KNearest Neighbor untuk Data Tidak Seimbang dan Data yang diseimbangkan dengan Metode Adaptive Synthetic pada Dataset LCMS Tanaman Keladi Tikus

2023-09-05T05:55:31+00:00

Tujuan dari penelitian ini adalah membandingkan efektivitas penggunaan teknik data seimbang (balance) menggunakan Adaptive Synthetic (ADASYN) dengan metode klasifikasi K-Nearest Neighbors (KNN), Random Forest (RF), dan Gaussian Naive Bayes (GNB), serta membandingkan performa metode klasifikasi tersebut pada data yang tidak seimbang (unbalanced). Penelitian ini menggunakan data Keladi Tikus yang berasal dari penelitian sebelumnya. Dalam penelitian ini, dilakukan dua eksperimen terpisah. Pertama, ADASYN diterapkan untuk mendapatkan dataset yang seimbang, kemudian model KNN, RF, dan GNB dilatih dan diuji pada dataset tersebut. Kedua, dataset yang tidak seimbang digunakan, model KNN, RF, dan GNB kembali dilatih dan diuji pada dataset tersebut. Hasil penelitian menunjukkan bahwa KNN dan GNB menunjukkan kinerja yang kurang memuaskan baik pada data seimbang menggunakan ADASYN maupun pada data tidak seimbang. Ini menunjukkan bahwa kedua algoritma tersebut tidak efektif saat digunakan bersamaan dengan teknik oversampling ADASYN pada dataset Keladi Tikus. Namun, RF terbukti memiliki ketahanan baik pada data yang seimbang maupun tidak seimbang. Pada data yang seimbang, RF mencapai akurasi hingga 0.985, namun masih memiliki kekurangan dalam menguji data positif, terlihat dari hasil recall dan f1-score yang rendah. Sementara itu, pada data yang tidak seimbang, akurasi RF sedikit menurun menjadi 0.896, namun dataset tersebut memberikan hasil yang lebih seimbang dalam menguji data positif maupun negatif. Hal ini terbukti dari hasil yang relatif seimbang, yaitu presisi sebesar 0.881, recall sebesar 0.917, dan f1-score sebesar 0.898.

DETEKSI PENYAKIT EPILEPSI DENGAN LEAST SQUARE ERROR

2023-09-05T06:02:28+00:00

Epilepsi didefinisikan sebagai sindrom yang ditandai dengan fungsi otak sesaat dan paroxysm yang dimanifestasikan dalam interupsi atau kehilangan kesadaran, motorik, sensorik, psikologi, otonom gerak, serta episodik. Hambatan utama yang harus dihadapi adalah kurangnya dokter spesialis yang dibutuhkan dan biaya untuk menanganinya pengobatan epilepsi. Penelitian ini ditujukan untuk pengembangan perangkat lunak untuk mendeteksi sindrom epilepsi terhadap sinyal yang terekam dari 7 elektroda dan 3 ciri statistik. Keberhasilan dari membedakan bentuk sinyal epilepsi dan non epilepsi adalah dilakukan dengan menggunakan ekstraksi ciri kemudian seleksi ciri LSE dan metode klasifikasi dilakukan secara khusus melalui Back propagasi Neural Network (BPNN). Berdasarkan hasil keseluruhan akhir menunjukkan bahwa akurasi dalam deteksi epilepsi dengan seleksi ciri LSE mencapai 96,9%.

AIKids : Platform Pengajaran Artificial Intelligence Bagi Siswa Tingkat Dasar berbasis Scratch

2023-09-05T06:06:53+00:00

Artificial Intelligence (AI) adalah teknologi yang sedang berkembang pesat dan semakin banyak digunakan dalam berbagai bidang, dengan mempelajari AI sedini mungkin dapat membantu anak dalam mengembangkan kemampuan berpikir kritis dan analitis. Penelitian ini bertujuan untuk membangun platform pengajaran AI untuk mengenalkan konsep Computational thinking bagi Siswa Tingkat Dasar. Dalam pengembangan platform tersebut digunakan metode 4D yaitu Define, Design, Develop dan Disseminate. Hasil penelitian berupa platform pengajaran berbasis website. Dari tiga hasil pengujian yaitu Uji Fungsionalitas, Uji Reliability dan Uji Performance dapat disimpulkan bahwa platform ini layak digunakan sebagai salah satu alternatif media pengajaran AI.

Analysis and Design of E-KMS System

2023-09-05T06:14:16+00:00

Sistem e-KMS merupakan sistem informasi Posyandu. Sistem bertujuan meningkatkan efektivitas pelayanan kesehatan di Posyandu dan memastikan akses yang tepat waktu serta berkualitas bagi kelompok sasaran, yaitu balita dan lansia. Metode pengembangan sistem menggunakan metode waterfall. Metode ini merupakan siklus dari tahapan analisis kebutuhan, perancangan sistem, pengujian, implementasi, dan pemeliharaan. Analisis kebutuhan merupakan tahapan untuk mengidentifikasi masalah yang perlu diatasi, seperti rendahnya aksesibilitas dan akurasi data kesehatan, kurangnya pemantauan pertumbuhan balita, dan kurangnya komunikasi antara petugas kesehatan dengan pasien. Perancangan sistem meliputi desain antarmuka pengguna berbasis web, desain fungsi layanan Posyandu, proses bisnis Posyandu, dan struktur basis data menggunakan diagram ER. Sistem memuat beberapa modul penting, termasuk manajemen data pasien, jadwal dan catatan posyandu, pemantauan pertumbuhan balita, pemantauan kehamilan, pemantauan status imunisasi, pemantauan kesehatan lansia, keamanan data dan privasi data. Implementasi pengembangan sistem menggunakan bahasa pemrograman PHP dan sistem basis data MySQL. Pengujian dilakukan untuk memastikan fungsionalitas dan logika perangkat lunak sesuai dengan kebutuhan pengguna.

ALOKASI RESOURCE DENGAN SKEMA RESOURCE GROUPING PADA SISTEM KOMUNIKASI D2D MENGGUNAKAN ALGORITMA GENETIKA

2023-09-05T06:43:05+00:00

Komunikasi Device-To-Device (D2D) adalah konsep komunikasi yang memungkinkan komunikasi langsung dari User Equipment (UE) tanpa perlu berkomunikasi melalui Base Station (BS) dan juga meningkatkan data rate sistem. Komunikasi D2D dapat memperluas cakupan cell yang dapat memudahkan dalam berkomunikasi. Akan tetapi, komunikasi D2D dapat mengalami masalah, dikarenakan tidak memperhitungkan interferensi yang disebabkan oleh user pada pengalokasian resource relay. Oleh karena itu, dibutuhkan pengalokasian relay yang efektif ke celuler user (CU) dan pasangan D2D. Dalam jurnal ini, menggunakan algoritma genetika untuk mengalokasi relay agar mendapatkan lokasi yang memiliki CU dan pasangan D2D terbanyak, disini algoritma genetika mencari fitness value dari individu di suatu populasi, dimana setiap generasi menghasilkan keturunan, keturunan individu yang terbaik akan terpilih lagi menjadi parent pada generasi berikutnya. Pada jurnal ini menggunakan dua jenis user yaitu celuler user (CU) dan pasangan D2D, dan skema yang digunakan D2D grouping dengan relay. Jurnal ini berfokus pada pengalokasian relay yang optimal pada arah downlink. Penentuan posisi relay yang optimal didasarkan pada titik yang memiliki jumlah user terbanyak dari hasil simulasi dengan algoritma genetika. Pada jurnal ini, model saluran yang dipakai adalah pathloss dengan menggunakan urban micro cell (UMi). Dan dinilai baik buruknya dengan menggunakan tiga parameter yaitu sumrate, sepctral efficiency, power efficiency.

Pengembangan Teknologi Pembelajaran Anak Usia Dini Menggunakan Metode Multimedia Development Life Cycle (MDLC) Berbasis Augmented Reality (AR)

2023-09-05T06:49:06+00:00

Anak usia dini adalah mereka yang berusia di bawah 6 tahun, termasuk yang masih berada dalam kandungan yang sedang berada dalam proses pertumbuhan dan perkembangan fisik, mental, kepribadian, dan intelektualnya baik yang terlayani maupun tidak terlayani di lembaga pendidikan anak usia dini. Anak usia dini biasanya belajar pada Lembaga Pendidikan Anak Usia Dini (PAUD). Pendidikan Anak Usia Dini (PAUD) adalah jenjang pendidikan sebelum jenjang pendidikan dasar yang merupakan suatu upaya pembinaan yang ditujukan bagi anak sejak lahir sampai dengan usia enam tahun yang dilakukan melalui pemberian rangsangan pendidikan untuk membantu pertumbuhan dan perkembangan jasmani serta rohani agar anak memiliki kesiapan dalam memasuki pendidikan lebih lanjut, yang diselenggarakan pada jalur formal, nonformal, dan informal. Paud Tarota Jaya berdiri pada tahun 2015 yang berada di Dusun Bantu, Desa Bantulanteh, Kec. Tarano Kab. Sumbawa. Dimana paud tersebut ketika dalam proses belajar mengajar mengacu pada kurikulum 2013, dimana dalam kurikulum tersebut membahas tema binatang tentang jenis (nama, ciri-ciri, bentuk), berdasarkan lingkungan hidup (darat,udara dan air), makanan (herbivora, karnivora, omnivora), kelompok hidup (hewan ternak/ hewan peliharaan /buas ). Paud Tarota Jaya ini perlu pembaruan untuk media pembelajaran, salah satu metode pembaharuan adalah dengan teknologi, teknologi augmented reality. AR (Argumented Reality) adalah teknologi yang menggabungkan benda maya dua dimensi dan ataupun tiga dimensi kedalam sebuah lingkungan nyata lalu memperoyeksikan benda-benda maya tersebut secara realitas dalam waktu nyata.. Pembuatan aplikasi Augmented Reality ini menggunakan Metodologi pengembangan Multimedia Development Life Cycle (MDLC) versi Luther-Sutopo. Disini ada beberapa tahapan-tahapan pengembangan aplikasi multimedia menurut Luther-Sutopo yaitu Concept, Design, Material Colleting, Assembly, Testing dan Distribution. Hasil yang diinginkan yaitu Aplikasi Augmented Reality Untuk Pengenalan Binatang Untuk Anak Usia Dini Di Paud Tarota Jaya Menggunakan Multimedia Development Life Cycle (MDLC).

Deteksi Berita Palsu Menggunakan GAN

2023-09-19T11:11:40+00:00

Artikel ini mengusulkan metode untuk mendeteksi berita palsu menggunakan Generative Adversarial Networks (GANs). GAN adalah jenis model pembelajaran mendalam yang terdiri dari dua jaringan saraf, generator dan diskriminatior, yang bersaing satu sama lain untuk menghasilkan sampel palsu yang realistis. Dalam studi ini, GAN dilatih pada dataset artikel berita nyata dan palsu untuk mempelajari pola dan karakteristik yang mendasari masing-masing jenis. Jaringan diskriminator kemudian digunakan untuk mengklasifikasikan artikel baru sebagai asli atau palsu berdasarkan fitur yang dipelajari oleh GAN. Metode yang diusulkan dievaluasi pada dataset benchmark dan dibandingkan dengan beberapa metode state-of-the-art. Hasil penelitian menunjukkan bahwa metode yang diusulkan mencapai akurasi tinggi dalam mendeteksi berita palsu, menunjukkan potensi GAN dalam aplikasi ini.