Pengambilan keputusan dalam penentuan pemenang tender pekerjaan konstruksi (tidak kompleks)

pada pembangunan gedung kuliah Fakultas Ekonomi Univesitas Udayana (UNUD) oleh panitia tender
di Bagian Perlengkapan Rektorat UNUD masih dilakukan secara manual (dengan software Microsoft
Excel dan Word), sehingga untuk membantu dan mempercepat pengambilan keputusan tersebut
(dalam situasi beberapa/banyak peserta tender memenuhi semua evaluasi kriteria dan memiliki
harga penawaran terkoreksi terendah yang sama di bawah HPS) maka penelitian ini bertujuan untuk
membangun SPK (Sistem Pendukung Keputusan) dengan metode Fuzzy AHP. Versi Fuzzy AHP yang
dipakai adalah model Chang (1992) karena memiliki langkah-langkah sederhana dan mudah
diaplikasikan pada penelitian ini. Hasil penelitian menunjukkan bahwa SPK yang dibangun
menghasilkan perangkingan peserta 1, 2, dan 3 yang sama dengan sistem manual yang ada di Bagian
Perlengkapan Rektorat UNUD, meskipun perangkingan 4, 5, 6 yang juga dihasilkan SPK ini tidak ada
di sistem manual karena perangkingan 4, 5, 6 tidak memenuhi evaluasi kriteria kualifikasi (syarat
untuk lulus tender adalah memenuhi semua evaluasi kriteria). Maka disimpulkan bahwa SPK yang
dibangun menghasillkan informasi yang valid.

Sistem deteksi intrusi adalah sebuah sistem yang dapat mendeteksi serangan atau intrusi dalam
sebuah jaringan atau sistem komputer, umum pendeteksian intrusi dilakukan dengan
membandingkan pola lalu lintas jaringan dengan pola serangan yang diketahui atau mencari pola
tidak normal dari lalu lintas jaringan. Pertumbuhan aktivitas internet meningkatkan jumlah paket
data yang harus dianalisis untuk membangun pola serangan ataupun normal, situasi ini
menyebabkan kemungkinan bahwa sistem tidak dapat mendeteksi serangan dengan teknik yang
baru, sehingga dibutuhkan sebuah sistem yang dapat membangun pola atau model secara otomatis.
Penelitian ini memiliki tujuan untuk membangun sistem deteksi intrusi dengan kemampuan
membuat sebuah model secara otomatis dan dapat mendeteksi intrusi dalam lingkungan real-time,
dengan menggunakan metode support vector machine sebagai salah satu metode data mining untuk
mengklasifikasikan audit data lalu lintas jaringan dalam 3 kelas, yaitu: normal, probe, dan DoS. Data
audit dibuat dari preprocessing rekaman paket data jaringan yang dihasilkan oleh Tshark.
Berdasar hasil pengujian, sistem dapat membantu sistem administrator untuk membangun model
atau pola secara otomatis dengan tingkat akurasi dan deteksi serangan yang tinggi serta tingkat false
positive yang rendah. Sistem juga dapat berjalan pada lingkungan real-time.

Masalah peramalan adalah masalah yang sering ditemukan dalam proses pengambilan keputusan.
Tool yang cukup populer untuk menangani masalah peramalan adalah jaringan syaraf tiruan.
Jaringan syaraf tiruan banyak digunakan karena kemampuannya untuk meramalkan data nonlinear
time series. Algoritma pembelajaran yang sering digunakan untuk memperbaiki bobot pada jaringan
syaraf tiruan adalah backpropagation. Namun proses pembelajaran backpropagation terkadang
menemui kendala seperti over fiting sehingga tidak dapat menggeneralisasi masalah. Untuk
mengatasi masalah tersebut diusulkan penggunaan particle swarm optimization untuk melatih
bobot pada jaringan. Performa dari masing-masing model akan diukur dengan mean square error,
mean absolute percentage error, normalized mean square error, prediction of change in direction,
average relative variance. Untuk keperluan analisis model digunakan data time series inflasi di
indonesia. Metode yang diusulkan menunjukan sistem jaringan hybrid mampu menangani masalah
peramalan data time series dengan performa mendekati jaringan syaraf tiruan backpropagation.

Jaringan Syaraf Tiruan (JST) dapat digunakan untuk memecahkan permasalahan tertentu seperti
prediksi, klasifikasi, pengolahan data, dan robotik.Berdasarkan paparan tersebut, sehingga dalam
penelitian ini mencoba menerapkan JST untuk menangani permasalahan dalam program magang
yang sedang dihadapi dalam upaya untuk meningkatkan kompetensi, pengalaman, serta melatih
softskill mahasiswa.Sistem yang dikembangkan dapat digunakan untuk mengevaluasi kelayakan
mahasiswa dalam program magang ke luar daerah dengan menerapkan Elman Recurrent Neural
Network (ERNN), sehingga dapat memberikan informasi yang akurat kepada pihak jurusan untuk
menentukan keputusan yang tepat.
Struktur Elman dipilih karena dapat membuat iterasi jauh lebih cepat sehingga memudahkan proses
konvergensi. Adapun metode pembelajaran yang digunakan adalah Backpropagation ThroughTime
dengan model epochwise training mode. Sistem diimplementasikan dengan menggunakan bahasa
pemrograman C# dengan basis data MySQL. Vektor input yang digunakan terdiri dari 11 variabel.
Hasil penelitian menunjukkan bahwa sistem yang dikembangkan akan cepat mengalami konvergen
dan mampu mencapai nilai error paling optimal (minimum error) apabila menggunakan 1 hidden
layer dengan jumlah neuron 20 unit. Akurasi terbaik dapat diperoleh dengan menggunakan LR
sebesar 0.01 dan momentum 0.85 dimana akurasi rata-rata dalam pengujian mencapai 87.50%.

Peramalan Kejadian Luar biasa (KLB)
Campak pada suatu daerah diperlukan karena untuk mencegah meluasnya kejadian di suatu daerah.
Salah satu cara yang dilakukan dalam penelitian ini adalah memprediksi kejadian campak
menggunakan kombinasi JST backpropagation dan CART. JST backpropagation digunakan untuk
memprediksi data berkala kejadian campak, kemudian metode CART digunakan untuk melakukan
penentuan KLB atau non KLB suatu daerah.
JST backpropagation merupakan salah satu metode yang sering digunakan untuk peramalan yang
dapat menghasilkan tingkat akurasi yang lebih baik dari metode JST yang lain. Sedangkan metode
CART merupakan suatu metode pohon biner yang juga populer untuk melakukan klasifikasi, yang
dapat menghasilkan model atau aturan klasifikasi.
Hasil penelitian ini adalah jumlah window terbaik untuk melakukan peramalan JST back propagation
yang mempengaruhi hasil akurasi peramalan. Penentuan jumlah window dari suatu peramalan JST
back propagation pada setiap atribut berbeda-beda hasilnya dan berpengaruh secara langsung
terhadap hasil peramalan. JST mampu melakukan preramalan data time series dengan akurasi
90.01%, sedangkan CART mampu menentukan daerah KLB atau non KLB dengan tingkat akurasi
sebesar 83.33%.

Kanker payudara adalah penyakit yang paling umum diderita oleh wanita pada banyak negara.
Pemeriksaan kanker payudara dapat dilakukan dengan menggunakan mamografi. Pada penelitian
ini, pendekatan yang diusulkan bertujuan untuk mengklasifikasi mammogram berdasarkan tiga kelas
yaitu kelas normal, tumor jinak, dan tumor ganas. Sistem yang diusulkan terdiri dari empat langkah
utamayaitu preprosesing, segmentasi, ekstraksi fitur dan klasifikasi. Pada tahap preprosesing akan
dilakukan grayscale, interpolasi, amoeba mean filter dan segmentasi. Ekstraksi ciri menggunakan
Gray Level Cooccurence Matrix (GLCM) danakan dihitung ciri-ciristatistikpada 4 arah (d=1 dan d=2) ,
GLCM 8 arah(d=1) dan GLCM 16 arah (d=2).Fitur yang digunakanada 5 yaitukontras, energi, entropi,
korelasi dan homogenitas. Langkah terakhir adalah klasifikasi menggunakan Backpropagation.
Beberapa parameter penting divariasikan dalam proses ini seperti learning rate dan jumlah node
dalam lapisan tersembunyi. Hasil penelitian menunjukkan bahwa fitur ekstraksi GLCM 4 arah
(dengan jarak d=1 memiliki akurasi terbaik dalam mengklasifikasi mammogram yaitusebesar 81,1%
dankhususpadaarah akurasi klasifikasi diperoleh sebesar 100%.

Transformasi Wavelet telah digunakan dalam proses denoising pada suara dengan tujuan untuk
meningkatkan kualitas dari rekaman suara yang tercampur dengan derau. Jenis-jenis derau yang
terlibat antara lain White Gaussian Noise (WGN), White Uniform Noise (WUN) dan Colored Noise.
Dalam penelitian ini dilakukan perbandingan terhadap beberapa mother wavelet, diantaranya
Daubechies, Coiflet dan Symlet, dalam proses denoising pada sinyal suara yang diberikan WGN,
WUN dan Colored Noise. Metode thresholding yang digunakan dalam proses denoising adalah Soft
Thresholding dan nilai threshold berupa Time-Adapted Threshold (TAT) yang diperoleh dengan
melakukan estimasi energi untuk membangun sinyal melalui Teager Energy Operator (TEO).
Pengujian untuk mendapatkan mother wavelet terbaik dilakukan menggunakan uji Kruskal-Wallis
yang dilanjutkan dengan uji Mann-Whitney. Hasil yang diperoleh menunjukkan bahwa Db20, Db30,
Db40 dan Coif5 merupakan mother wavelet yang baik untuk mereduksi WGN;Db40, Db20 dan Db30
merupakan mother wavelet yang baik untuk mereduksi WUN dan untuk mereduksi Colored Noise,
dapat menggunakan beberapa mother wavelet dalam penelitian ini, kecuali Db30 dan Db40.

Penyembunyian data pada file video dikenal dengan istilah steganografi video. Metode steganografi
yang dikenal diantaranya metode Least Significant Bit (LSB) dan Discrete Cosine Transform (DCT).
Dalam penelitian ini dilakukan penyembunyian data pada file video dengan menggunakan metode
LSB, metode DCT, dan gabungan metode LSB-DCT. Sedangkan kualitas file video yang dihasilkan
setelah penyisipan dihitung dengan menggunakan Mean Square Error (MSE) dan Peak Signal to
Noise Ratio (PSNR).Uji eksperimen dilakukan berdasarkan ukuran file video, ukuran file berkas
rahasia yang disisipkan, dan resolusi video.
Hasil pengujian menunjukkan tingkat keberhasilan steganografi video dengan menggunakan metode
LSB adalah 38%, metode DCT adalah 90%, dan gabungan metode
LSB-DCT adalah 64%. Sedangkan hasil perhitungan MSE, nilai MSE metode DCT paling rendah
dibandingkan metode LSB dan gabungan metode LSB-DCT. Sedangkan metode
LSB-DCT mempunyai nilai yang lebih kecil dibandingkan metode LSB. Pada pengujian PSNR diperoleh
databahwa nilai PSNR metode DCTlebih tinggi dibandingkan metode LSB dan gabungan metode LSB-
DCT. Sedangkan nilai PSNR metode gabungan LSB-DCT lebih tinggi dibandingkan metode LSB.

Analisis sentimen dalam penelitian ini merupakan proses klasifikasi dokumen tekstual ke dalam dua
kelas, yaitu kelas sentimen positif dan negatif. Data opini diperoleh dari jejaring sosial Twitter
berdasarkan query dalam Bahasa Indonesia. Penelitian ini bertujuan untuk menentukan sentimen
publik terhadap objek tertentu yang disampaikan di Twitter dalam bahasa Indonesia, sehingga
membantu usaha untuk melakukan riset pasar atas opini publik.

Data yang sudah terkumpul dilakukan proses preprocessing dan POS tagger untuk menghasilkan
model klasifikasi melalui proses pelatihan. Teknik pengumpulan kata yang memiliki sentimen
dilakukan dengan pendekatan berdasarkan kamus, yang dihasilkan dalam penelitian ini berjumlah
18.069 kata. Algoritma Maximum Entropy digunakan untuk POS tagger dan algoritma yang
digunakan untuk membangun model klasifikasi atas data pelatihan dalam penelitian ini adalah
Support Vector Machine. Fitur yang digunakan adalah unigram dengan fitur pembobotan TFIDF.
Implementasi klasifikasi diperoleh akurasi 86,81 % pada pengujian 7 fold cross validation untuk tipe
kernel Sigmoid. Pelabelan kelas secara manual dengan POS tagger menghasilkan akurasi 81,67%.

Berita merupakan sumber informasi yang dinantikan oleh manusia setiap harinya. Manusia
membaca berita dengan kategori yang diinginkan. Jika komputer mampu mengelompokkan berita
secara otomatis maka tentunya manusia akan lebih mudah membaca berita sesuai dengan kategori
yang diinginkan. Pengelompokan berita yang berupa artikel secara otomatis sangatlah menarik
karena mengorganisir artikel berita secara manual membutuhkan waktu dan biaya yang tidak
sedikit.
Tujuan penelitian ini adalah membuat sistem aplikasi untuk pengelompokkan artikel berita dengan
menggunakan algoritma Self Organizing Map. Artikel berita digunakan sebagai input data. Kemudian
sistem melakukan pemrosesan data untuk dikelompokkan. Proses yang dilakukan sistem meliputi
preprocessing, feature extraction, clustering dan visualize. Sistem yang dikembangkan mampu
menampilkan hasil clustering dengan algoritma Self Organizing Map dan memberikan visualisasi
dengan smoothed data histograms berupa island map dari artikel berita. Selain itu sistem dapat
menampilkan koleksi dokumen dari lima kategori berita yang ada pada tiap tahunnya dan banyaknya
kata (histogram kata) yang sering muncul pada tiap arikel berita. Pengujian dari sistem ini dengan
memasukan artikel berita, kemudian sistem memprosesnya dan mampu memberikan hasil cluster
dari artikel berita yang dimasukan.