071065 SITI MUTROFIN S.kom Optimasi Teknik Klasifikasi Mo

download 071065 SITI MUTROFIN S.kom Optimasi Teknik Klasifikasi Mo

of 22

description

Proposal pemenang hibah dosen pemula dikti 2015

Transcript of 071065 SITI MUTROFIN S.kom Optimasi Teknik Klasifikasi Mo

  • !

    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 : [email protected]

    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 : [email protected]

    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!