Fountain of Informatics Journal

Front Matter and Back Matter

2024-05-25T08:55:20+07:00

Enhancing Covid-19 Diagnosis: Glrlm Texture Analysis And Kelm For Lung X-Ray Classification

2024-06-13T11:48:25+07:00

Abstrak

This study aims to diagnose COVID-19 using GLRLM feature extraction, known for its high accuracy, and optimize Kernel Extreme Learning Machine (KELM) with Genetic Algorithm (GA) for improved computational efficiency, along with Principal Component Analysis (PCA) for data reduction. The gamma values in KELM are optimized using GA, yielding the best solution function. Results reveal that at angles of 0°, 45°, and 135°, the optimal gamma value with KELM is 1, while at 90°, GA determines it to be 1.35. This adjustment demonstrates the critical role of gamma values in achieving optimal performance. Performance analysis of various classification methods demonstrates that GLRLM-PCA-Optimized KELM outperforms others, achieving an accuracy exceeding 97%, particularly notable at 90° angles. This study shows that the importance of hyperparameter optimization in enhancing classification accuracy, revealing a significant improvement of over 1% compared to non-optimized models.

Kata kunci: COVID-19, GLRLM, KELM, Feature Reduction, PCA

Abstract

Penelitian ini bertujuan untuk mendiagnosis COVID-19 menggunakan ekstraksi fitur GLRLM yang dikenal dengan akurasi tinggi, dan mengoptimalkan Kernel Extreme Learning Machine (KELM) dengan Algoritma Genetika (GA) untuk meningkatkan efisiensi komputasi, bersama dengan Principal Component Analysis (PCA) untuk reduksi data. Nilai gamma dalam KELM dioptimalkan menggunakan GA, menghasilkan fungsi solusi terbaik. Hasil penelitian menunjukkan bahwa pada sudut 0°, 45°, dan 135°, nilai gamma optimal dengan KELM adalah 1, sedangkan pada 90°, GA menentukan nilainya menjadi 1,35. Penyesuaian ini menunjukkan peran penting nilai gamma dalam mencapai kinerja optimal. Analisis kinerja berbagai metode klasifikasi menunjukkan bahwa GLRLM-PCA-KELM yang Dioptimalkan mengungguli yang lain, mencapai akurasi lebih dari 97%, terutama mencolok pada sudut 90°. Studi ini menyoroti pentingnya optimasi hyperparameter dalam meningkatkan akurasi klasifikasi, mengungkapkan peningkatan signifikan lebih dari 1% dibandingkan dengan model KELM konvesional.

Keywords: COVID-19, GLRLM, KELM, Feature Reduction, PCA

Pemanfaatan Rest Api Sebagai Arsitektur Komunikasi Untuk Peningkatan Unjuk Kerja Sistem Informasi Sekolah Terpadu

2024-04-08T06:05:21+07:00

Abstrak

Sistem informasi telah dimanfaatkan dalam berbagai sektor, salah satunya yaitu sektor pendidikan. SDIT BISA Jakarta Barat merupakan salah satu lembaga pendidikan yang memanfaatkan sistem informasi dalam bentuk website. Peneliti merasa bahwa sistem informasi dalam bentuk website masih bisa ditingkatkan unjuk kerjanya. Dalam upaya meningkatkan unjuk kerjanya, peneliti mengembangkan sistem informasi tersebut ke dalam bentuk aplikasi Android dengan memanfaatkan REST API sebagai arsitektur komunikasi antara aplikasi dengan server. Penelitian ini meneliti 3 aspek yaitu b

Kata kunci: Android, REST API, Sistem Informasi

Abstract

[Utilization of REST API as Communication Architecture for Performance Improvement of Integrated School Information System] Information systems have been used in various sectors, one of which is the education sector. SDIT BISA West Jakarta is one of the educational institutions that uses information systems through websites. Researchers feel that the performance of information systems in the form of a website can still be improved. To improve its performance, researchers developed the information system into an Android application by utilizing the REST API as a communication architecture between the application and the server. This research examines 3 aspects, namely how to develop an Android-based Integrated School Information System using the REST API, how to implement an Android-based Integrated School Information System using the REST API, and how to improve the performance of the Integrated School Information System using the REST API. The stages of this research are application development, indicator search, indicator testing, and evaluation of test results. This research uses 10 indicators, namely Usability, Functionality, Reliability, Portability, Integrity, Supportability, Correctness, Maintainability, Interoperability, and Efficiency. The results showed that 6 indicators (Usability, Functionality, Portability, Supportability, Correctness, and Maintainability) have increased, 2 indicators (Integrity and Interoperability) have not changed, and 2 (Reliability and Efficiency) indicators have decreased.

Keywords: Android, Information System, REST API

Penerapan Algoritma K-Means Clustering Dalam Pengelompokan Data Penjualan Pada Pabrikan Mobil Toyota Indonesia

2024-03-25T08:01:19+07:00

Abstrak

Data Mining merupakan upaya untuk mengeksplorasi data yang telah dipilih dengan tujuan menemukan wawasan dan pengetahuan yang bermanfaat. Metode Clustering merupakan pendekatan non-hirarki yang digunakan untuk memisahkan objek-objek ke dalam satu atau lebih Cluster berdasarkan karakteristik data. Saat ini Algoritma K-Means Clustering banyak digunakan pada perusahaan - perusahaan berskala besar pada tahun 2022 perusahaan mobil Toyota telah menjual 300 ribu lebih unit mobil dari semua type, Hasil dari klasterisasi berakhir sampai iterasi ke 11 karena pada iterasi 11 mendapatkan hasil yang sama dengan iterasi sebelumnya yaitu iterasi 10, Dalam pengelompokan penjualan mobil, terdapat tiga kelompok, yaitu C0 (Kurang Diminati), C1 (Diminati), dan C2 (Sangat Diminati). dapat di lihat pada Tabel 4.20. Dari kelompok mobil yang ada dapat dilihat bagaimana tingkat minat konsumen atau pembeli terhadapan produk mobil toyota sehingga perusahaan dapat menyesuaikan produk mana yang ingin dijadikan prioritas untuk dipasarkan, untuk mobil-mobil yang kurang diminati perusahaan bisa melakukan evaluasi baik dari segi kualitas produk, pemasaran, iklan, dan harga yang kompetitif sehingga dapat menimbulkan daya tarik bagi pembeli serta mampu bersaing dengan kompetitor-kompetitor produk sejenis.

Kata kunci: Data Mining, Algoritma K-Means Clustering, RapidMiner, Penjualan Mobil Toyota

Abstract

[Application of the K-Means Clustering Algorithm in Grouping Sales Data at the Indonesian Toyota Car Manufacturer]. Data Mining is an attempt to explore selected data with the aim of finding useful insights and knowledge. The Clustering method is a non-hierarchical approach used to separate objects into one or more clusters based on data characteristics. Currently, the K-Means Clustering algorithm is widely used in large-scale companies in 2022 the Toyota car company has sold more than 300 thousand units of cars of all types, The results of clustering end until the 11th iteration because in iteration 11 it gets the same results as the previous iteration, namely iteration 10, In the grouping of car sales, there are three groups, namely C0 (Less Desirable), C1 (Desirable), and C2 (Highly Desirable). can be seen in Table 4.20. From the existing car group, it can be seen how the level of consumer interest or buyers in front of Toyota car products so that the company can adjust which products want to be a priority to be marketed, for cars that are less desirable the company can evaluate both in terms of product quality, marketing, advertising, and competitive prices so that it can cause attraction for buyers and be able to compete with competitors of similar products.

Keywords- Data Mining, Algoritma K-Means Clustering, RapidMiner, Toyota Car Sales

Desain Aplikasi Pembelajaran Perangkat Jaringan Berbasis Augmented Reality Dengan Gamification Model Canvas

2024-01-24T15:19:27+07:00

Abstrak

Peranan materi pembelajaran dan cara penyajian materi pembelajaran dituntut untuk dapat menyesuaikan segala lini teknologi informasi. AR hadir sebagai jembatan pengetahuan virtual terhadap objek asli materi pembelajaran dapat lebih interaktif dengan disajikan menggunakan visualisasi nyata. Serious game dan taksonomi bloom merupakan salah satu bentuk evaluasi pemahaman peserta didik terhadap sajian materi pembelajaran. Materi pembelajaran pengenalan perangkat jaringan komputer merupakan materi pembelajaran umum yang sangat dibutuhkan pada zaman ini baik pelajar menengah, perguruan tinggi maupun masyarakat umum. Hal ini dikarenakan segala informasi yang beredar melalui media digital, sehingga pengetahuan jaringan komputer adalah penting. Namun masalah yang dihadapi adalah model penyampaian materi pengenalan perangkat dan jaringan komputer masih terbatas pada modul atau buku ajar tekstual, pemahaman serta keterampilan terbatas pada praktik secara langsung, permasalahan perkembangan teknologi pembelajaran berbasis learning dan penggunaan aplikasi mobile. Oleh karena itu dibutuhkan sebuah model materi pengenalan perangkat jaringan komputer menggunakan taksonomi bloom berbasis augmented realit. Dengan tujuan agar tercipta sebuah model materi pembelajaran interaktif yang tidak terbatas, aktual, mengasah keterampilan dan kemampuan melalui AR, serta disajikan dalam bentuk seperti asli berbasis augmented reality. Hasil model yang dibuat diharapkan mampu menjadi solusi pendidikan diera industri 4.0, dan dapat diterapkan mulai dari tingkat menengah maupun tingkat perguruan tinggi serta masyarakat umum. Selanjutnya, penelitian dilakukan melalui beberapa tahapan yaitu: (1) Studi literature serious game, augmented reality, serta perangkat jaringan komputer. (2) Studi kebutuhan pembelajaran perangkat jaringan komputer dengan menggunakan GMC (Gamification Model Canvas). (3) Pemodelan alur pembelajaran, konten materi, berdasarkan silabus. (4) Membuat rancangan aset 2D dan 3D sebagai landasan pembuatan materi pembelajaran. (5) Membuat rancangan proses pembelajaran yang menerapkan aplikasi serta modul. Hasil penelitian ini adalah prototype materi pembelajaran interaktif yang mampu memfisualisasikan bentuk nyata perangkat dan mempelajarinya tanpa harus memiliki atau menyentuh bentuk aslinya.

Kata kunci: serious game, AR, taksonomi bloom, GMC, perangkat jaringan komputer

Abstract

[Design of a Network Device Learning Application Based on Augmented Reality Using Canvas Model Gamification]. The role of learning materials and the way of presenting learning materials are required to be able to adapt to all lines of information technology. AR is present as a bridge of virtual knowledge of original objects, learning materials can be more interactive by being presented using real visualizations. Serious game and bloom taxonomy is a form of evaluating students' understanding of the presentation of learning material. Learning material for the introduction of computer network devices is general learning material that is very much needed at this time, both for middle students, universities, and the general public. This is because all the information circulates through digital media, so knowledge of computer networks is important. However, the problems encountered are that the delivery model for introducing device introduction material and computer networks is still limited to textual modules or textbooks, understanding, and skills are limited to hands-on practice, problems with the development of learning-based learning technology, and the use of mobile applications. Therefore we need a material model for introducing computer network devices using augmented reality-based bloom taxonomy. To create an interactive learning material model that is unlimited, actual, hones skills and abilities through AR, and is presented in an original form based on augmented reality. The results of the model created are expected to be an educational solution in the industrial era 4.0 and can be applied starting from the secondary level and the tertiary level as well as the general public. Furthermore, the research was carried out through several stages, namely: (1) Literature study of serious games, augmented reality, and computer network devices. (2) Study of the learning needs of computer network devices using GMC (Gamification Model Canvas). (3) Modeling learning flow, and material content, based on the syllabus. (4) Designing 2D and 3D assets as the basis for making learning materials. (5) Designing a learning process that applies applications and modules. The results of this study are prototypes of interactive learning materials that can visualize the real form of the device and study it without having to own or touch the original form.

Keywords: serious game, AR, bloom taxonomy, GMC, computer network device

Optimasi Parameter Random Forest Menggunakan Grid Search Untuk Analisis Time Series

2023-10-20T02:23:36+07:00

Abstrak

Dalam membeli dan menjual di bursa saham, prediksi harga saham memainkan peran penting bagi para investor. Namun, prediksi harga saham merupakan tantangan karena dipengaruhi oleh faktor-faktor yang sulit diprediksi, seperti kondisi pasar, kinerja perusahaan, dan berita ekonomi. Oleh karena itu, penelitian ini bertujuan untuk menganalisis deret waktu harga penutupan saham Microsoft Corporation menggunakan algoritma Random Forest (RF) dan mengoptimalkan parameter algoritma dengan menggunakan metode optimisasi grid parameter. Data yang digunakan meliputi rentang waktu dari 1 Maret 1986 hingga 25 Mei 2023 dengan total 9378 catatan dan 6 atribut. Setelah pengumpulan dan pemrosesan data, termasuk verifikasi nilai yang hilang, data dibagi menjadi data pelatihan dan pengujian menggunakan validasi pemisahan. Selain itu, validasi silang digunakan untuk membandingkan algoritma-algoritma dan memilih algoritma RF sebagai model terbaik berdasarkan nilai RMSE terendah. Tingkat optimalisasi parameter dicapai dengan mengoptimalkan parameter grid, dengan Jumlah pohon dan Kedalaman maksimal sebagai parameter yang dioptimalkan. Analisis Paired Two Sample T-Test juga mengungkapkan perbedaan yang signifikan antara RMSE sebelum dan setelah optimisasi. Kesimpulannya, penelitian ini memberikan kontribusi yang signifikan dalam penggunaan algoritma RF dan metode optimisasi parameter grid dalam analisis deret waktu harga penutupan, dengan potensi aplikasi yang signifikan dalam pengambilan keputusan investasi di pasar saham

Kata kunci: Microsoft Corporation, Optimize Parameter Grid, Prediksi, Random Forest, Time Series.

Abstract

[Random Forest Parameter Optimization Using Grid Search for Time Series Analysis]. This study focuses on analyzing the Time Series of Microsoft Corporation stock closing prices and predicting future stock prices using the Random Forest (RF) algorithm. The research aims to address the challenges of stock price prediction due to unpredictable factors like market conditions, company performance, and economic news. The dataset used covers a period from March 1, 1986, to May 25, 2023, comprising 9378 records and 6 attributes. Data preprocessing involved handling missing values and splitting the data into training and testing sets using split validation. Cross-validation was employed to compare different algorithms, with the RF algorithm selected as the best model based on the lowest Root Mean Square Error (RMSE) value. The study further optimized the RF algorithm's parameters, specifically the number of trees and max depth, using the Optimize Parameter Grid method. The optimization process successfully demonstrated a significant improvement in RMSE through a Paired two-sample T-test analysis. Overall, this research contributes to the effective use of the RF algorithm and parameter optimization techniques for analyzing Time Series data, with potential applications in supporting investment decisions in the stock market.

Klasifikasi COVID 19 dengan Metode EfficientNet berdasarkan CT scan Paru-paru

2023-10-20T02:18:40+07:00

Abstrak

Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2) adalah virus penyebab Covid-19. Covid-19 adalah virus mematikan yang oleh Organisasi Kesehatan Dunia (WHO) ditetapkan sebagai pandemi karena penyebarannya yang cepat. Dua metode yang kini paling sering digunakan untuk mendeteksi Covid-19 adalah Rapid Diagnostic Test (RDT) dan Real-Time Reverse Transcription Polymerase Chain Reaction (RT-PCR). Menemukan strategi baru yang cepat dan tepat sangat penting karena kedua strategi memiliki kelebihan dan kekurangan. Penggunaan CT scan untuk menemukan Covid-19 adalah salah satu metode yang direkomendasikan. Makalah ini merekomendasikan identifikasi Covid-19 pada gambar CT menggunakan EfficientNet B0 tampil lebih unggul dari model tanpa CLAHE. Untuk performa EfficientNet B0 dengan CLAHE, akurasi, F-measure, recall, dan precision adalah 91,95%, 92,06%, 92,43%, dan 91,69%..

Kata kunci: Covid-19, Klasifikasi, Deep Learning, EfficientNet

Abstract

[Classification of COVID-19 using the EfficientNet Method Based on Lung CT Scan] Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2) is the virus that causes COVID-19. Covid-19 is a deadly virus that the World Health Organization (WHO) has designated as a pandemic due to its rapid spread. The two methods that are now most often used to detect COVID-19 are the Rapid Diagnostic Test (RDT) and Real-Time Reverse Transcription Polymerase Chain Reaction (RT-PCR). Finding a new strategy that is quick and precise is crucial since both strategies have benefits and drawbacks. The use of a CT scan to locate Covid-19 is one recommended method. This paper recommends identifying COVID-19 on CT images using EfficientNet B0 performs superior to the model without CLAHE. For the performance of EfficientNet B0 with CLAHE, accuracy, F-measure, recall, and precision are 91.95%, 92.06%, 92.43%, and 91.69%.

Keywords: Covid-19, Classification, Deep Learning, EfficientNet

Retraction and Withdrawal of Manuscript: Peningkatan Performa LMS Moodle Menggunakan HAProxy Dan MariaDB

2023-10-20T02:08:03+07:00

Abstrak

Moodle merupakan salah satu Learning Management System yang banyak digunakan di berbagai institusi pendidikan di dunia tidak terkecuali di Indonesia. Namun seringkali performa LMS Moodle menurun drastis ketika diakses oleh banyak pengguna sekaligus. Penelitian ini berfokus pada upaya untuk meningkatkan performa LMS Moodle dari sisi database dengan memanfaatkan fitur HAProxy dan Galera Cluster pada MariaDB yang digunakan oleh Moodle. Dari hasil penelitian ini menunjukkan bahwa performa LMS Moodle yang di install pada lingkungan server dengan multi-database menunjukkan peningkatan sampai dengan 260% jika dibandingkan dengan LMS Moodle yang di install pada lingkungan single-server. Kesimpulan yang dapat diambil dari penelitian ini adalah performa database sangat berpengaruh pada performa LMS Moodle secara keseluruhan.

Kata kunci: moodle, peningkatan, performa, multi-database server, load-balancer

Abstract

[Improving Moodle LMS Performance Using MariaDB Galera Cluster] Moodle is one of academic institutions' most used learning management systems worldwide. In most cases, Moodle's performance will significantly drop when many users use it simultaneously. This research focused on Moodle LMS performance optimization by using HAProxy and Galera Cluster features in MariaDB used by Moodle. Distributing databases to some servers shows performance optimization on multiple-database servers compared to a single database server up to 260% better. This research conclusion is Moodle LMS performance depends on database performance. The better database performance will increase overall Moodle LMS performance.

Keywords: moodle, performance, optimization, multi-database server, load balancer

Front Matter and Back Matter

2023-05-09T06:31:12+07:00

Front Matter and Back Matter

2023-05-09T06:02:35+07:00