071065 siti mutrofin s.kom optimasi teknik klasifikasi mo
Post on 08-Jan-2016
40 Views
Preview:
DESCRIPTION
TRANSCRIPT
-
!
USULAN
PENELITIAN DOSEN PEMULA
OPTIMASI TEKNIK KLASIFIKASI MODIFIED k-NEAREST NEIGHBOR MENGGUNAKAN ALGORITMA GENETIKA
(Pengembangan Bahan Ajar)
TIM PENGUSUL
SITI MUTROFIN, S.Kom. NIDN: 0727068502
MUKHAMAD MASRUR, S.Kom.
NIDN: 0710048401
UNIVERSITAS PESANTREN TINGGI DARUL ULUM JOMBANG
APRIL, 2014
Kode/Nama Rumpun Ilmu :
461/ Sistem Informasi
-
! ii!
!
-
! iii!
DAFTAR ISI
HALAMAN JUDUL ...................................................................................................... i
HALAMAN PENGESAHAN ........................................................................................ ii
DAFTAR ISI ................................................................................................................. iii
RINGKASAN ............................................................................................................... iv
1. Pendahuluan .............................................................................................................. 1
1.1. Latar belakang .................................................................................................. 1
1.2. Tujuan penelitian ............................................................................................... 1
1.3. Manfaat penelitian ............................................................................................. 2
1.4. Target luaran .................................................................................................... 2
2. Tinjauan Pustaka ....................................................................................................... 2
2.1. Data mining ....................................................................................................... 2
2.2. k-Nearest Neighbor (kNN) ................................................................................ 2
2.3. Genetic Algorithm (GA) .................................................................................... 3
2.4. Modified k-Nearest Neighbor (MKNN) ............................................................ 4
2.5. Genetic k-Nearest Neighbor (GKNN) .............................................................. 5
3. Metode Penelitian ...................................................................................................... 5
3.1. Studi literatur ..................................................................................................... 5
3.2. Pengumpulan data ............................................................................................. 6
3.3. Desain sistem .................................................................................................... 6
3.4. Pengujian sistem ................................................................................................ 7
3.5. Analisa Hasil ..................................................................................................... 8
4. Biaya dan Jadwal ....................................................................................................... 8
Daftar Pustaka ................................................................................................................ 9
Lampiran ....................................................................................................................... 10
-
! iv!
RINGKASAN
Salah satu tugas dari data mining adalah klasifikasi, banyak peneliti yang sudah melakukan penelitian tentang metode klasifikasi. Metode klasifikasi yang biasa digunakan adalah k-Nearest Neighbor (kNN). kNN memiliki beberapa kelebihan, diantaranya adalah: 1) Pelatihan sangat cepat, 2) Sederhana dan mudah dipelajari, 3) Tahan terhadap data pelatihan yang memiliki derau, dan 4) Efektif jika data pelatihan besar. Sedangkan, kekurangan dari kNN adalah: 1) Nilai k bias, 2) Komputasi kompleks, 3) Keterbatasan memori, dan 4) Mudah tertipu dengan atribut yang tidak relevan. Salah satu perbaikan kNN adalah Modified kNN (MKNN), yang bertujuan untuk meningkatkan akurasi dari kNN, dengan menambahkan perhitungan validity, karena dianggap perhitungan bobot yang terdapat pada kNN, memiliki permasalahan outlier. Namun, MKNN juga memiliki kelemahan yang sama dengan kNN yaitu nilai k bias dan komputasi yang kompleks. Berdasarkan permasalahan MKNN tersebut, penulis bermaksud untuk melakukan perbaikan dalam hal, optimasi nilai k menggunakan Genentic Algorithm (GA), karena GA sudah terbukti dapat digunakan untuk melakukan optimasi pada nilai k untuk kNN. Selanjutnya algoritma tersebut akan dinamakan algoritma GMKNN (Genetic Modified k Nearest Neighbor). Evaluasi tingkat kebenaran hasil akan didasarkan pada nilai akurasi, baik menggunakan algoritma kNN, MKNN maupun GMKNN menggunakan data UCI machine learning.
Kata kunci: kNN, Modified kNN, Genetic Algorithm, Genetic Modified kNN, UCI machine learning.
-
!! 1!
1. Pendahuluan
1.1. Latar belakang
Klasifikasi adalah salah satu tugas dari data mining yang bertujuan untuk
memprediksi label kategori benda yang tidak diketahui sebelumnya, dalam membedakan
antara objek yang satu dengan yang lainnya berdasarkan atribut atau fitur (Parvin. dkk,
2008 dan Ngai. dkk, 2011). Salah satu teknik klasifikasi yang paling dasar dan sederhana
adalah k Nearest Neighbor (kNN) (Parvin. dkk, 2008). kNN memiliki beberapa
keunggulan dan kelemahan (Bhatia dan Vandana, 2010), keunggulannya adalah: 1)
Pelatihan sangat cepat, 2) Sederhana dan mudah dipelajari, 3) Tahan terhadap data
pelatihan yang memiliki derau, dan 4) Efektif jika data pelatihan besar. Sedangkan,
kekurangan dari kNN adalah: 1) Nilai k bias, 2) Komputasi kompleks, 3) Keterbatasan
memori, dan 4) Mudah tertipu dengan atribut yang tidak relevan.
Banyak peneliti yang sudah melakukan penelitian tentang perbaikan kNN, baik
dalam memperbaiki nilai akurasi kNN maupun dalam hal optimasi nilai k pada kNN.
Penelitian terkait peningkatan nilai akurasi kNN adalah Modified kNN (MKNN), di mana
dalam MKNN ditambahkan perhitungan nilai validity yang berguna untuk mengatasi
permasalahan outlier dalam perhitungan nilai bobot pada kNN tradisional. Namun
MKNN juga memiliki kelemahan, yaitu nilai k yang bias dan komputasi yang kompleks
(Parvin. dkk, 2008). Sedangkan, penelitian terkait optimasi nilai k pada kNN adalah
Genetic kNN (GKNN), selain dapat menentukan nilai k secara otomatis, GKNN dapat
meningkatkan nilai akurasi dan dapat mengurangi kompleksitas (Suguna dan
Thanushkodi, 2010).
Berdasarkan latar belakang tersebut, penulis mengusulkan perbaikan pada
algoritma MKNN, dengan cara mengoptimasi nilai k menggunakan algoritma genetika,
selanjutnya algoritma tersebut dinamakan algoritma Genetic Modified k Nearest Neighbor
(GMKNN).
1.2. Tujuan penelitian
Penelitian ini bertujuan untuk meningkatkan kinerja algoritma MKNN dengan
cara mengoptimalkan nilai k menggunakan algoritma genetika, hasil penelitian ini juga
bertujuan untuk mengembangkan bahan ajar dari matakuliah yang terkait (Kecerdasan
Buatan, Data Mining, dll).
-
!! 2!
1.3. Manfaat penelitian
Diharapkan penelitian ini dapat bermanfaat untuk perkembangan keilmuan (Data
Warehouse, Pengenalan Pola, Machine Learning, dll) dan sebagai pengembangan bahan
ajar baik di matakuliah Sistem Intelegensia maupun Data Mining.
1.4. Target luaran
Target luaran dari penelitian ini akan dipublikasikan dalam jurnal
internasional/nasional atau proseding tingkat internasional/nasional dan pengembangan
bahan ajar, terutama di matakuliah Sistem Intelegensia dan Data Mining.
2. Tinjauan Pustaka
2.1. Data Mining
Data mining adalah teknik yang berguna untuk pengenalan pola terhadap
sejumlah besar data, bahkan dapat berguna untuk pengambilan keputusan (Bhardwaj dan
Pal, 2011). Beberapa tugas data mining diantaranya adalah klasifikasi (classification),
pengelompokan (clustering), dan peramalan (prediction) (Ngai. dkk, 2011).
Klasifikasi adalah salah satu masalah yang paling sering diteliti dalam data
mining dan machine learning. Klasifikasi bertujuan untuk memprediksi label kategori
berdasarkan pada nilai-nilai atribut lainnya (Bhardwaj dan Pal, 2011). Teknik yang sering
digunakan dalam klasifikasi adalah ID3, C4.5, Naive Bayes (Bhardwaj dan Pal, 2011),
kNN (Parvin. dkk, 2008), dll.
2.2. k Nearest Neighbor (kNN)
k Nearest Neighbor (kNN) adalah salah satu teknik klasifikasi yang sering
digunakan karena kesederhanaannya dan kemudahannya. kNN diusulkan oleh T. M.
Tabel 1. Kelebihan dan kekurangan dari algoritma kNN
Kelebihan Kekurangan 1. Pelatihan sangat cepat
2. Sederhana dan mudah dipelajari
3. Kuat terhadap data pelatihan yang
memiliki derau
4. Efektif jika data pelatihan besar
1. Bias terhadap nilai k
2. Komputasi yang kompleks
3. Keterbatasan memori
4. Mudah tertipu oleh atribut yang tidak
relevan
Cover dan P. E. Hart, yang mana kinerja kNN didasarkan pada penentuan nilai k tetangga
terdekat dari data latih sebagai pertimbang untuk memprediksi label data uji. Selanjutnya
-
!! 3!
T. Bailey dan A. K. Jain meningkatkan performa kNN dengan menambahkan bobot,
dimana bobot didapatkan dari perhitungan jarak antara data uji dengan data latih (Bhatia
dan Vandana, 2010). kNN memiliki kelebihan dan kekurangan, seperti yang diperlihatkan
pada Tabel 1, sedangkan untuk algoritma kNN diperlihatkan pada Algoritma 1. (Tay.
dkk, 2014).
Algoritma 1. Pseudocode untuk klasifikasi kNN
Perhitungan jarak euclidean menggunakan Persamaan (1) (Larose, 2005) . dimana x = x1,
x2, . . . , xm, dan y = y1, y2, . . . , ym mewakili nilai-nilai atribut m dari dua record. !!"#$%&'() !, ! = (!! !!)!! (1)
2.3. Genetic Algorithm (GA)
Algoritma genetika (Genetic Algorithm) adalah algoritma evolusi klasik yang
diusulkan oleh Holland pada tahun 1975, di mana menurut Yan. dkk algoritma ini
terinspirasi dari fenomena evolusi alam (Izzah. dkk, 2013).
Algoritma 2. Algoritma Genetika
Peranan algoritma genetika yang paling umum adalah untuk optimasi. Algoritma genetika
memiliki parameter kromosom, di mana kromosom tersebut representasi dari sebuah
solusi dari suatu permasalahan. Dasar teoritis dari algoritma genetika didasarkan pada
operator crossover (perkawinan) dan mutasi (kelainan). Operator crossover didapatkan
dari proses seleksi yang didasarkan pada nilai fitness. Seleksi yang biasa digunakan
adalah Roulette Wheel. Proses crossover diharapkan berhasil melakukan reproduksi
Algoritma kNN Klasifikasi(X, Y, x) // X: Data latih, Y: Label kelas dari X, x: Sampel tidak diketahui for i = 1 to m do Hitung jarak d(Xi, x) end for Hitung set I yang berisi indeks untuk k jarak terkecil d(Xi, x) return label mayoritas untuk {Yi dimana !!!!!}
Algoritma Genetika 1. Inisialisasi n populasi secara random 2. Evaluasi nilai fitness setiap kromosom 3. Buat populasi baru dengan mengulangi langkah sebagai berikut:
i. Seleksi ii. Crossover
iii. Mutasi 4. Update populasi 5. Jika kondisi terpenuhi berhenti dan kembali ke solusi terbaik di populasi sekarang
-
!! 4!
individu baru, sehingga pada proses ini digunakan probabilitas sebesar 0.8. Sedangkan,
proses mutasi menggunakan probabilitas sebesar 0.001, dikarenakan kelainan tersebut
diharapkan terjadi sekecil mungkin (Laszlo dan Mukherjee, 2007). Algoritma genetika
secara lengkap ditunjukkan pada Algoritma 2 (Izzah dan Hayatin, 2013).
2.4. Modified k Nearest Neighbor (MKNN)
Penelitian terkait tentang perbaikan algoritma kNN telah banyak dilakukan, salah
satunya adalah Modified k-Nearest Neighbor (MKNN). Algoritma MKNN terinspirasi
dari permasalahan dalam perhitungan bobot yang terdapat di kNN yang masih memiliki
permasalahan outlier, sehingga dalam MKNN ditambahkan perhitungan validity
(validitas) pada semua data latihnya. Hasilnya, algoritma MKNN memiliki performa yang
lebih baik dibandingkan dengan algoritma kNN, yaitu peningkatan nilai akurasi, stabil
dan kuat. Namun, MKNN juga memiliki kelemahan, yaitu nilai k yang masih bias dan
komputasi yang kompleks (Parvin. dkk, 2010). Algoritma MKNN ditunjukkan pada
Algoritma 3 (Pervin. dkk, 2010).
Algoritma 3. Pseudo-code dari algoritma MKNN
Perhitungan nilai validity ditunjukkan pada Persamaan (2), dimana x adalah label
data latih. H adalah jumlah tetangga dari data latih, S adalah nilai kesamaan antara nilai x
dengan tetangga ke-i, lbl(x) adalah label x tersebut, Ni(x) adalah label tetangga, di mana
nilai S dirumuskan seperti pada Persamaan (3). !"#$%$&' ! !! !(!"! ! , !"! !! ! )!!!! (2) ! !, ! = 1!!"#$!! = !0!!"#$!! ! (3) Sedangkan rumus untuk perhitungan W (bobot) ditunjukkan pada Persamaan (4), dan
perhitungan jarak ditunjukkan pada Persamaan (1). ! ! = !"#$%$&'(!) !!!!!.! (4)
Algoritma MKNN Output_label := MKNN (data_latih, sampel_pengujian) Begin For i := 1 to jumlah_datalatih Validity(i) := Hitung validitas ke-i dari data latih; End for; Output_label := Weighted_KNN(Validity, sampel_pengujian); return Output_label; End
-
!! 5!
2.5. Genetic k-Nearest Neighbor (GKNN)
Penelitian terkait tentang perbaikan algoritma kNN selain MKNN yaitu Genetic
k-Nearest Neighbor (GKNN). GMKNN diusulkan untuk mengoptimalkan nilai k pada
kNN.
Algoritma 4. Pseudo-code dari algoritma GKNN
Namun, selain nilai k yang optimal, GKNN juga dapat mengurangi kompleksitas dari
algoritma KNN, karena perhitungan bobot sampel pelatihan sudah tidak dipertimbangkan
lagi, selain kompleksitas, GKNN juga dapat meningkatkan nilai akurasi dari KNN
(Suguna dan Thanushkodi, 2010). Adapun algoritma dari GKNN adalah ditunjukkan pada
Algoritma 4 (Suguna dan Thanushkodi, 2010).
3. Metode Penelitian
Secara umum, penelitian ini diawali dengan studi literatur, persiapan data, desain
sistem, pengujian sistem, dan analisa hasil. Sedangkan penulisan laporan penelitian
dimulai pada awal sampai akhir penelitian. Secara detil, penelitian ini dirancang dengan
urutan sebagai berikut:
3.1. Studi literatur
Untuk mendukung penelitian, maka perlu mengkaji berbagai referensi tentang
tugas dari data mining, di mana salah satu tugas dari data mining adalah klasifikasi.
Tenik klasifikasi yang umum digunakan adalah kNN, namun dengan segala kelebihan
dari kNN, kNN masih memiliki kelemahan, diantara banyak penelitian tentang perbaikan
kNN, algoritma GA diusulkan untuk penentuan nilai k otomatis pada kNN (GKNN), yang
Algoritma GKNN 1. Pilih jumlah k sampel dari data latih untuk membangkitkan inisialisasi populasi (p1) 2. Hitung jarak antara data latih di setiap kromosom dan data uji, sebagai nilai fitness 3. Pilih kromosom dengan nilai fitness tertinggi sebagai Global Maximum (Gmax)
a. For i = 1 to L lakukan i. Lakukan reproduksi (seleksi)
ii. Terapkan operator crossover iii. Terapkan operator mutasi dan dapatkan individu baru (p2) iv. Hitung local maksimum (Lmax) v. Jika Gmax < Lmax maka
1) Gmax = Lmax; 2) p1 = p2;
b. Repeat 4. Output Kromosom yang memiliki Gmax sebagai k tetangga yang optimal dan label
yang sesuai adalah hasil klasifikasi
-
!! 6!
juga berdampak dapat meningkatkan akurasi dan mengurangi kompleksitas. Selain
GKNN sebagai perbaikan akurasi dari kNN, MKNN juga bertujuan untuk memperbaiki
algoritma kNN dalam segi perbaikan nilai akurasi kNN, karena nilai k dari MKNN masih
bersifat bias, maka penulis mengusulkan peningkatan kinerja MKNN dengan optimasi
nilai k menggunakan GA.
3.2. Pengumpulan data
Data yang akan diteliti adalah data UCI machine learning yaitu data iris dan data
wine. Data iris adalah data bunga iris yang terdiri dari 4 atribut dan 3 kelas. Sedangkan,
data wine terdiri dari 13 atribut dan 3 kelas.
3.3. Desain sistem
Tahap awal desain sistem adalah merumuskan kontribusi utama dari penelitian
ini. Dari studi literatur yang telah dilakukan, diketahui bahwa MKNN merupakan
algoritma yang memiliki akurasi yang lebih baik dibandingkan kNN. Namun, MKNN
masih belum mampu mengatasi permasalahan kNN dalam hal nilai k yang masih bias.
!
Gambar 1. Model klasifikasi GMkNN
Oleh karena itu perlu dilakukan optimasi menggunakan GA sebagai operator dalam
menentukan nilai k yang bertujuan mengatasi kelemahan tersebut (untuk selanjutnya
MkNN dengan adanya penambahan operator GA disebut dengan GMKNN). Kemudian
algoritma hybrid ini digunakan sebagai model pada saat klasifikasi. Desain sistem yang
diusulkan pada penelitian ini (dapat dilihat pada Gambar 1) terdiri dari beberapa tahap
yakni sebagai berikut:
1) Masukkan data latih. Misal data latih yang di gunakan adalah data Iris sebanyak
125 data.
-
!! 7!
2) Tentukan populasi dari kromosom (solusi). Misal populasi yang diinginkan
adalah 3. Maka secara random akan dibangkitkan kromosom (kemungkinan
solusi) sebanyak 3 buah, dengan ketentuan, nilai k < 125. Misal hasil kromosom
didapatkan 3, 9, 4. Selanjutnya nilai kromosom tersebut dibinerkan, misal
menjadi 0011 untuk kromosom 3, 0100 untuk kromosom 4 dan 1001 untuk
kromosom 9.
3) Hitung nilai fitness dengan menggunakan nilai validitas (validity), nilai validity
tertinggi adalah nilai fitness terbaik. Misal yang terbaik adalah kromosom 4.
4) Lakukan proses seleksi menggunakan roulette wheel, misalkan yang terpilih
adalah kromosom 4 dan 9.
5) Lakukan proses crossover dari dua kromosom yang telah terpilih pada langkah
no. 4, dikarenakan operasi ini diharapkan memiliki keberhasilan tinggi, maka
digunakan probabilitas sebesar 0.8.
6) Lakukan proses mutasi dari hasil anakan pada langkah no. 5, dikarenakan operasi
ini diharapkan memiliki kemungkinan kecil, maka digunakan probabilitas
sekecil-kecilnya, misal 0.001.
7) Didapatkan individu baru dari nilai fitness yang terbaik.
8) Ulangi tahapan tahapan di operasi GA sampai memiliki nilai k (kromosom) yang
optimal.
9) Lakukan perhitungan jarak euclidean dari data uji ke data latih.
10) Lakukan perhitungan bobot dengan mempertimbangkan nilai validitas dan jarak.
11) Nilai bobot terbesar adalah prediksi kelas dari data uji
3.4. Pengujian sistem
Untuk menguji apakah kontribusi yang diajukan bisa berjalan dengan baik, perlu
dilakukan beberapa kali uji coba. Uji coba sistem diimplementasikan pada MATLAB.
Ada beberapa kombinasi skenario pengujian yang akan dilakukan. Pengujian pada
skenario ini bertujuan untuk menguji metode yang diusulkan. Pengujian terdiri dari
pengambilan data sampel sebagai berikut:
Pengujian 1: Jumlah data latih 75 record dan data uji 10 record
Pengujian 2: Jumlah data latih 100 record dan data uji 10 record
Pengujian 3: Jumlah data latih 140 record dan data uji 10 record
-
!! 8!
3.5. Analisa hasil
Hasil uji coba akan dievaluasi sehingga dapat dilihat kinerja metode yang
diajukan. Ukuran evaluasi yang digunakan adalah akurasi dari setiap algoritma, baik
kNN, MKNN maupun GMKNN. Akurasi adalah kemampuan sistem untuk
mengklasifikasi dengan benar. Akurasi dapat dihitung menggunakan Persamaan (5),
dimana TP adalah (True Positive), TN (True Negative), FP (False Postive), FN (False
Negative). !"#$!%& = ! !"!!"!"!!"!!"!!"! ! ! ! ! ! (5) 4. Biaya Dan Jadwal Penelitian
4.1. Anggaran Biaya
No Jenis Pengeluaran Biaya yang
Diusulkan (RP)
1 Gaji dan Upah 3.000.000
2 Bahan habis pakai dan peralatan 7.500.000
3 Perjalanan 2.250.000
4 Lain-lain (Publikasi, Seminar, laporan, lainya sebutkan)
2.250.000
Jumlah 15.000.000
4.2. Jadwal Penelitian No Kegiatan Bulan (tahun 2015)
1 2 3 4 5 6 7 8 9 10 11 12
1 Studi Literatur
2 Analisis dan desain
3 Implementasi
4 Pengujian
5 Pembuatan laporan hasil penelitian
6 Publikasi
-
!! 9!
5. Daftar Pustaka
Bhardwaj B K., Pal S., 2011. Data Mining: A Prediction for Performance Improvement Using Classification. International Journal of Computer Science and Information Security, Vol.9, No.4, pp.136-140.
Bhatia N., Vandana., 2010. Survey of Nearest Neighbor Techniques. International Journal of Computer Science and Information Security, Vol.8, No.2, pp.302-305.
Izzah A., Dewi R K., Mutrofin S., 2013. Hybrid Artificial Bee Colony: Penyeleseian Baru Pohon Rentang Berbatas Derajat. Seminar Nasional Teknologi Informasi dan Multimedia 2013 (Semnasteknomedia 2013), pp.18-39 s/d 18-44.
Izzah A., Hayatin N., 2013. Imputasi Missing Data Menggunakan Metode K-Nearest Neighbour Dengan Optimasi Algoritma Genetika. Jurnal Melek IT, Vol. 2, pp.1-7.
Larose D T., 2005. Discovering Knowledge in Data An Introduction to Data Mining. Wiley Interscience, pp.90-106.
Laszlo M., Mukherjee S., 2007. A Genetic Algorithm That Exchanges Neighboring centers for K-Means Clustering. Pattern Recognition Letters, Vol.28, No.16, pp.2359-2366.
Ngai E W T., Hu Y., Wong Y H., Chen Y., Sun X., 2011. The Application of Data Mining Techniques in Financial Fraud Detection: A Classification Framework and An Academic Review of Literature. Decision Support Systems, Vol.50, No.3, pp.559-569.
Parvin H., Alizadeh H., Bidgoli B M., 2008. MKNN: Modified K-Nearest Neighbor. Proceedings of the Word Congress on Engineering and Computer Science 2008 (WCECS 2008), pp.831-834.
Parvin H., Alizadeh H., Minati B., 2010. A Modification on K-Nearest Neighbor Classifier. Global Journal of Computer Science and Technology, Vol.10, No.14, pp.37-41.
Tay B., Hyun J K., Oh S., 2014. A Machine Learning Approach for Specification of Spinal Cord Injuries Using Fractional Anisotropy Values Obtained from Diffusion Tensor Images. Computational and Mathematical Methods in Medicine, Vol.2014, pp.1-8.
-
! 10!
LAMPIRAN
Lampiran 1
Justifikasi anggaran penelitian
No Jenis Pengeluaran Biaya yang diusulkan 1 Honor Tim Peneliti Rp. 3.000.000 2 Peralatan dan bahan :
Kertas A4 Tinta Flash Disk Modem Pulsa Membangun program GMKNN Pengujian sistem Implementasi sistem Dokumentasi pembuatan sistem Pembuatan laporan penelitian
Rp 150.000 Rp 350.000 Rp 500.000 Rp. 800.000 Rp. 1.000.000 Rp. 2.000.000 Rp. 1.000.000 Rp. 1.000.000 Rp. 400.000 Rp. 300.000
3 Transportasi : Transportasi ke program pasca sarjana
ITS Surabaya Rp.100.000 x 2 x 8 Transportasi (Pengadaan alat dan
bahan penelitian)
Rp. 1.600.000 Rp. 650.000
4 Lain-lain : Prosiding Seminar Jurnal Ilmiah
Rp. 1.000.000 Rp. 1.250.000
Jumlah Rp. 15.000.000
-
! 11!
Lampiran 2
Susunan organisasi tim peneliti dan dan pembagian tugas
No Nama NIY/NIDN Bidang Ilmu
Alokasi waktu
Jam/mg
Uraian Tugas
1 Siti Mutrofin, S.Kom
11240510153/0727068502
Sistem Informasi
150 Jam Mengkoordinasi pelaksanaan penelitian, membuat program dan membuat laporan penelitian
2 Mukhamad Masrur, S.Kom
11011004022/0710048401
Sistem Informasi
100 Jam Mempersiapkan bahan, alat penelitian, mengambil data penelitian
-
! 12!
Lampiran 3
BIODATA PENELITI
KETUA PENELITI
A. Identitas Diri 1. Nama : Siti Mutrofin, S.Kom.
2. Jenis kelamin : Perempuan
3. Jabatan Fungsional : -
4. Jabatan Struktural : Dosen Tetap Fakultas Teknik Sistem Informasi
5. N I Y : 11240510153
6. NIDN : 0727068502
7. Tempat Tanggal Lahir : Jombang, 27 Juni 1985
8. Alamat Rumah : Jl. Makam RT/RW: 6/4 Ngumpul Jogoroto
Jombang 61485
9. Nomor Telepon/Faks/HP : Hp. 083857447974
10. Alamat Kantor : Tromol Pos 10 Peterongan Jombang 61481
11. Nomor Telepon/Faks/HP : (0321) 876771
12. Alamat e-mail : mutrofins@gmail.com
13. Mata Kuliah yang Diampu :
1) Sistem Intelegensia (S1)
2) Sistem Basis Data (S1)
3) Desain Basis Data (S1)
A. Riwayat Pendidikan
S1 S2 Nama Perguruan Tinggi
Universitas Pesantren Tinggi Darul Ulum
Institut Teknologi Sepuluh Nopember
Bidang Ilmu Teknik Informatika Teknik Informatika Tahun Masuk-Lulus 2003-2009 2012-sekarang Judul Skripsi/Thesis/ Disertasi
Analisa dan Implementasi Internet Protocol Version 6 (IPv6) di Fakultas Teknik Universitas Trunojoyo
Teknik Genetic Modified k-Nearest Neighbor untuk Estimasi Hasil Produksi Gula Tebu Berdasarkan Nilai Klorofil Daun Tebu
Nama Pembimbing/ Promotor
1. Ir. Muhammad Husni, M.Kom
2. Koko Joni. M.Eng
1. Dr. Ir. R.V. Hari Ginardi, M.Sc
2. Dr. Chastine Fatichah, M.Kom
-
! 13!
B. Pengalaman Penelitian Dalam 5 Tahun Terakhir (Bukan Skripsi, Tesis, maupun Disertasi)
No. Tahun Judul Penelitian Pendanaan
Sumber* Jml (Juta Rp.) 1.
C. Pengalaman Pengabdian Kepada Masyarakat dalam 5 Tahun Terakhir
No. Tahun Judul Pengabdian Pada
Masyarakat
Pendanaan
Sumber* Jml (Juta Rp.)
1.
D. Pengalaman Penulisan Artikel Ilmiah dalam Jurnal 5 Tahun Terakhir No. Judul Artikel Ilmiah Volume/Nomor/Tahun Nama Jurnal 1. Emotion Detection of Tweets
in Indonesian Language using Non-Negative Matrix Factorization
Diterima dengan revisi: 9 Februari 2014 Publikasi: Menunggu
IJISA (International Journal Intelligent Systems and Applications)
2. User Emotions Identification In Twitter Using Spesific Features : Hastag, Emoji, Emoticon, dan Adjective Term
Diterima dengan revisi: 13 Januari 2014 Publikasi: Menunggu Rencana: 7/1/2014
JIKI (Jurnal Ilmu Komputer dan Informasi)
E. Pengalaman Penyampaian Makalah Secara Oral pada Pertemuan/Seminar Ilmiah dalam 5 Tahun Terakhir
No. Nama Pertemuan Ilmiah/Seminar Judul Artikel Ilmiah Waktu dan
Tempat 1. Seminar Nasional Teknologi
Informasi dan Multimedia 2013
Hybrid Artificial Bee Colony: Penyeleseian Baru Pohon Rentang Berbatas Derajat
19 Januari 2013, STIMIK Amikom, Yogyakarta
-
! 14!
Semua data yang saya isikan dan tercantum dalam biodata ini adalah benar dan dapat
dipertanggungjawabkan secara hukum. Apabila di kemudian hari ternyata ditemukan
ketidaksesuaian dengan kenyataan, saya sanggup menerima risikonya.
Demikian biodata ini saya buat dengan sebenarnya untuk memenuhi salah satu
persyaratan dalam pengajuan Usulan Penelitian Dosen Pemula.
-
! 15!
ANGGOTA PENELITI
A. Identitas Diri 1. Nama : Mukhamad Masrur, S.Kom
2. Jenis kelamin : Laki-laki
3. Jabatan Fungsional : Asisten Ahli
4. Jabatan Struktural : Dosen Tetap Fakultas Teknik Sistem Informasi
5. N I Y : 11011004022
6. NIDN : 0710048401
7. Tempat Tanggal Lahir : Mojokerto, 30 Maret 1984
8. Alamat Rumah : Dusun Candisari Desa Jombatan Kesamben
9. Nomor Telepon/Faks/HP : Hp. 085655446789
10. Alamat Kantor : Tromol Pos 10 Peterongan Jombang 61481
11. Nomor Telepon/Faks/HP : (0321) 876771
12. Alamat e-mail : mu.masrur@gmail.com
13. Mata Kuliah yang Diampu :
1) Pemrograman Internet Basis Java (S1)
2) Keamanan Komputer (S1)
F. Riwayat Pendidikan
S1 S2 S3 Nama Perguruan Tinggi
Universitas Pesantren Tinggi Darul Ulum
Universitas Diponegoro
-
Bidang Ilmu Sistem Informasi Sistem Informasi Tahun Masuk-Lulus
2002-2006 2011-sekarang
Judul Skripsi/Thesis/ Disertasi
Sistem Informasi Akademik Berbasis SMS gateway
Nama Pembimbing/ Promotor
Ir. Slamet Budiono
-
! 16!
G. Pengalaman Penelitian Dalam 5 Tahun Terakhir (Bukan Skripsi, Tesis, maupun Disertasi)
No. Tahun Judul Penelitian Pendanaan
Sumber* Jml (Juta Rp.) 1. 2008 Studin dan analisis video
streaming via wireless menggunakan simulator NS-2 di unipdu Jombang
Hibah Internal Fakultas
2.000.000
2. 2009 Monitoring Bandwidth eksternal pada laboratorium jaringan komputer unipdu jombang
Hibah Internal Fakultas
2.000.000
H. Pengalaman Pengabdian Kepada Masyarakat dalam 5 Tahun Terakhir
No. Tahun Judul Pengabdian Pada
Masyarakat
Pendanaan
Sumber* Jml (Juta Rp.)
1. 19 Agustus 2008
Nara Sumber Pelatihan Internet Dasar dan Website berbasis E-Goverment
Institusi 500.000
2. 6 Agustus
2009
Anggota panitia BAKSOS di Desa Ploso
Masyarakat 500.000
I. Pengalaman Penulisan Artikel Ilmiah dalam Jurnal 5 Tahun Terakhir No. Judul Artikel Ilmiah Volume/Nomor/Tahun Nama Jurnal 1. Langkah-langkah strategis
dalam peningkatan daya saing universitas menggunakan teknologi informasi
VOL. 1, NO. 2, JULI 2011 TEKNOLOGI
J. Pengalaman Penyampaian Makalah Secara Oral pada
Pertemuan/Seminar Ilmiah dalam 5 Tahun Terakhir
No. Nama Pertemuan Ilmiah/Seminar Judul Artikel Ilmiah Waktu dan
Tempat
-
! 17!
Semua data yang saya isikan dan tercantum dalam biodata ini adalah benar dan dapat
dipertanggungjawabkan secara hukum. Apabila di kemudian hari ternyata ditemukan
ketidaksesuaian dengan kenyataan, saya sanggup menerima risikonya.
Demikian biodata ini saya buat dengan sebenarnya untuk memenuhi salah satu
persyaratan dalam pengajuan Usulan Penelitian Dosen Pemula.
Jombang, 27 April 2014
-
! 18!
top related