Klasifikasi adalah proses identifikasi obyek kedalam sebuah kelas, kelompok, atau kategori berdasarkan karakteristik yang telah ditentukan sebelumnya. Secara singkat, klasifikasi merupakan pengelompokan obyek berdasarkan kelompoknya yang biasanya disebut dengan kelas (class). Tak hanya klasifikasi, proses pengelompokkan obyek juga dapat dilakukan dengan menggunakan teknik clustering yang merupakan pengelompokan obyek berdasarkan kemiripan antar obyek. Salah satu metode klasifikasi yang sering digunakan adalah Naïve Bayes Classifier. Menurut beberapa penelitian, Naïve Bayes Classifier memiliki beberapa kelebihan yaitu, cepat dalam proses perhitungan, algoritma yang sederhana dan akurasi yang tinggi. Namun probabilitas pada Naïve Bayes Classifier tidak bisa mengukur seberapa besar tingkat keakuratan sebuah prediksi, hasil akurasi metode ini juga masih kurang jika dibandingkan dengan metode C4.5, selain itu metode naïve bayes juga memiliki kelemahan pada seleksi atribut. Untuk menyelesaikan permasalahan tersebut, algoritma particle swarm optimization (PSO) dapat digunakan untuk melakukan pembobotan atribut untuk meningkatkan akurasi naïve bayes classifier.

Abstract

Inflation is a benchmark of a country's economic development. Inflation is very influential on various things, so forecasting inflation to know on upcoming inflation will impact positively. There are various methods used to perform forecasting, one of which is the fuzzy time series forecasting with maximum results. Fuzzy logical relationships (FLR) model is a very good in doing forecasting. However, there are some parameters that the value needs to be optimised. Interval is a parameter which is highly influence toward forecasting result. The utilizing optimization with hybrid automatic clustering and particle swarm optimization (ACPSO). Automatic clustering can do interval formation with just the right amount. While the PSO can optimise the value of each interval and it is providing maximum results. This study proposes the improvement in find the solution using auto-speed acceleration algorithm. Auto-speed acceleration algorithm can find a global solution which is hard to reach by the PSO and time of computation is faster. The results of the acquired solutions can provide the right interval so that the value of the FLR can perform forecasting with maximum results.

No abstract

Abstrak Banjir merupakan salah satu jenis bencana alam yang tidak dapat diprediksi kedatangannya, salah satu penyebabnya adalah adanya hujan yang terus -menerus(dari peristiwa alam

Penelitian ini mengusulkan sebuah implementasi terkait dengan automasi peringkasan teks bertipe ekstraktif dengan menggunakan metode TF-IDF-EGA. Dimana dalam permasalahan peringkasan teks dibutuhkan suatu solusi untuk meringkas teks dengan kalimat ringkasan yang dapat merepresentasikan keseluruhan teks yang ada. Algoritma TF-IDF dikenal mampu untuk menghasilkan ringkasan teks berdasarkan skor yang didapat pada setiap kalimat dalam teks. Namun hasil dari TF-IDF terkadang didapati hasil ringkasan yang terdiri dari kalimat yang tidak deskriptif, hal ini dikarenakan dalam peringkasannya TF-IDF hanya memilih beberapa kalimat yang memiliki skor tertinggi dan biasanya kalimat dengan skor tertinggi merupakan kalimat yang berisi kata-kata penting/kata-kata ilmiah tertentu sehingga kalimatnya tidak deskriptif. Algoritma EGA mampu untuk mengatasi permasalahan tersebut dengan cara memilih kalimat ringkasan yang memiliki nilai probabilitas tertentu sebagai hasil peringkasan teks.

Rainfall is a natural factor that is very important for farmers or certain institutions to predict the planting period of a plant. The problem is that rainfall is very difficult to predict. Trials to get optimal rainfall prediction have been carried out by BMKG through research with variety of methods in various fields, including meteorology, climatology and geophysics. The results of the study unfortunately obtained a less optimal success rate in predicting rainfall. Today, there are many new methods for predicting events. These methods include deep learning (DL) and Particle swarm optimization (PSO). The use of the deep learning method is very susceptible to initial weights that are less than optimal, so it requires a process of optimization using a metaheuristic technique, which is the PSO algorithm, because this algorithm has a level of complexity that is much lower than genetic algorithms. In this study, this method is utilized to predict rainfall by determining the exact regression equation model according to the number of layers in hidden nodes based on the size of the kernel and the weight between the layers. This research is approved achieved get more optimal rainfall prediction results that those of previous research that without optimization with PSO.

<p class="Abstrak">Besarnya lahan pada parkir dan jumlah kendaraan roda empat dalam hal ini adalah mobil, dapat menjadi kendala bagi pengendara lain dalam mengetahui posisi parkir mana yang masih dapat digunakan. Sistem pengembangan perparkiran yang ada masih kurang maksimal dalam memanfaatkan lahan dan efisiensi waktunya. Berdasarkan banyaknya kendaraan mobil yang semakin bertambah, maka kebutuhan akan lahan parkir juga semakin dibutuhkan. Banyak sekali sistem yang belum dapat menangani berbagai permasalahan yang ada. Sistem ini dapat mengetahui jumlah slot pada lahan parkir dengan akurat sehingga memudahkan pengelola. Selain itu sistem ini juga dikembangkan agar waktu pencarian lahan parkir oleh pengguna parkir bisa sangat cepat. Sistem ini menggunakan penerapan pemrograman GPU yang dikombinasi dengan <em>Modified</em> Yolo (M-Yolo). GPU pada M-Yolo dibutuhkan untuk mengolah citra sekaligus mengolah data untuk mendeteksi citra mobil dan jumlah mobil secara paralel. Hasil uji coba menunjukkan bahwa dengan menggunakan GPU dibandingkan dengan CPU dapat mempercepat waktu komputasi rata-rata sebesar 0,179 detik dengan rata-rata akurasi sebesar 100%.</p><p><em><strong>Abstract</strong></em></p><p class="Abstract"><em>The width of parking lot and the number of cars in the parking lot can be an obstacle for motorists to know the parking area in which part is still empty. Parking systems that exist at this time are still not maximal in the utilization of parking lots and time efficiency. Based on the number of vehicles that are growing, then the need for parking space is also more needed. Many of the existing parking systems have not been able to handle the various problems. This system can know the number of slots on the parking lot, making it easier for operators to know the empty parking lot. In addition, this system will also be designed so that parking time search by parking users doesn’t take a long time. This system uses implementation of GPU programming mixed with Modified Yolo (M-Yolo). GPU on M-Yolo is needed to process images while processing data to detect car and the number of cars using parallel computing. The test results show that using the GPU compared to the CPU can speed up the average computing time by 0.179 seconds and it obtained an average accuracy of 100%.</em></p><p><em><strong><br /></strong></em></p>