Setiap tahun Universitas Kanjuruhan Malang menerima hampir 2.000 mahasiswa yang tersebar diberbagai program studi. Oleh karenanya data yang telah ditampung pastinya banyak sekali, dari data tersebut dapat dilihat pola - pola pemilihan program studi berdasarkan nilai tes, asal sekolah, dan program studi. Penelitian ini menggunakan metode K-Medoids agar dapat diketahui pola pemilihan program studi bagi mahasiswa baru. K-Medoids merupakan metode partisional clustering dimana bertujuan untuk menemukan satu set k-cluster di antara data yang paling mencirikan objek dalam kumpulan suatu data. Hasil penelitian pengelompokan mahasiswa baru menunjukkan bahwa mahasiswa baru yang berasal dari SMA/SMK dengan nilai ujian diatas 70 mengambil jurusan TI, sedangkan mahasiswa baru yang berasal dari SMK dengan nilai ujian dibawah 70 dan SMA dengan nilai ujian dibawah 50 mengambil jurusan SI, dan sisanya mengambil jurusan NON TI/SI. Kualiatas cluster yang dihasilkan berdasarkan proses pengujian yang dilakukan didapatkan hasil nilai Silhouette Coefficient terbaik yaitu 0.690754 dengan jumlah cluster sebanyak tiga dan jumlah data sebanyak 15.

Abstrak− Perkembangan industri sepeda motor matic injeksi di indonesia mengalami perkembangan yang signifikan, sepeda motor matic injeksi yang lebih irit bahan bakar dan ramah lingkungan, dengan tingginya pengguna sepeda motor matic injeksi saat ini timbul permasalahan bahwa tidak semua pengguna motor matic injeksi memiliki kemampuan melakukan perbaikan terhadap kerusakan sepeda motornya. Dengan kemajuan teknologi smarthphone saat ini, memunculkan suatu ide atau gagasan aplikasi sistem pakar ke dalam aktivitas mutu pelayanan smartphone. Sistem yang akan dibuat adalah “Sistem pakar diagnosa kerusakan sepeda motor matic injeksi menggunakan metode forward chaining berbasis mobile” aplikasi ini akan menggunakan metode forward chaining. Sistem pakar ini diharapkan dapat membantu pengguna mengetahui kerusakan dan melakukan perbaikan sepeda motornya lebih awal sebelum terjadi kerusakan yang berkelanjutan. Sistem ini dibangun menggunakan aplikasi Basic4android.

Abstrak-Proses klasifikasi citra digital dilakukan terhadap data fitur yang menggambarkan ciri suatu citra. Dalam penelitian sebelumnya mengenai klasifikasi biji kopi untuk menentukan tingkat roasting, digunakan fitur warna RGB dan metode klasifikasi Jaringan Syaraf Tiruan dengan algoritma Back Propagation. Namun dalam penelitian tersebut didapatkan hasil klasifikasi yang kurang memuaskan akibat dari fitur yang digunakan kurang dapat memisahkan ciri dari setiap tingkat roasting biji kopi. Pada penelitian ini dilakukan penambahan fitur warna yang digunakan melalui penggunaan representasi warna RGB dan HSI, yang kemudian dihitung nilai mean, median, standar deviasi, skewness, kurtosis, dan energy pada setiap komponen warna. Dengan demikian terdapat 33 data fitur citra biji kopi. Dengan jumlah fitur yang semakin banyak, menimbulkan masalah baru dimana tidak setiap fitur mempunyai kontribusi yang signifikan dalam proses klasifikasi, sehingga diperlukan proses seleksi fitur untuk mendapatkan fitur dengan kontribusi maksimal. Pada penelitian ini metode Principal Component Analysis diujikan sebagai metode untuk seleksi fitur. Uji coba dilakukan terhadap 240 data citra digital biji kopi, dimana terdapat 120 citra biji kopi Arabika dan 120 citra biji kopi Robusta. Setiap jenis citra biji kopi tersebut terbagi menjadi tingkat roasting mentah, light roasting, medium roasting, dan dark roasting. Hasil penelitian ini didapatkan bahwa rata-rata proses training pada data fitur setelah dilakukan proses seleksi fitur mengalami peningkatan dibandingkan tanpa seleksi fitur. Hal ini terlihat dari 5 kali proses training dengan seleksi fitur didapatkan nilai akurasi terbaik hingga 90,8%, sedangkan tanpa seleksi fitur didapatkan akurasi terbaik adalah 89,6%. Kata kunci-seleksi fitur, jaringan syaraf tiruan, back propagation, principal component analysisAbstract-The image classification process is performed on feature data which representative specific character of an image. In previous studies about classified of coffee beans to determine the level of roasting using RGB color features and artificial neural network classification methods with Back Propagation algorithm, the classificied results was unsatisfactory. but In this research, color features was add using RGB and HSI color, and then calculate the average value, median, standard deviation, skewness, kurtosis, and energy on each color component and gave result 33 data features of the image of coffee beans. Added many number of features,can create a new problems, in this case every feature has not a significant contribution in the classification process, so the feature selection process is needed to get maximum result. this study used the Principal Component Analysis method to feature selection. The testing was conducted on 240 digital image data of coffee bean image, which 120 Arabica coffee bean and 120 Robusta coffee bean . Each type of coffee bean image was divided into raw roasting, light roasting, medium roasting, and dark roasting. And the results process of the data featur...

Kopi merupakan salah satu komoditas di Indonesia yang masih memliki potensi untuk dikembangkan. Kualitas komoditas kopi ini tidak hanya didasarkan pada jenis maupun kondisi fisik dari biji kopi, namun juga berdasarkan proses roasting biji kopi tersebut. Bidang computer vision saat ini telah menjadi salah satu solusi dalam upaya meningkatkan efisiensi pengolahan berbagai komoditas, tentunya dapat dimanfaatkan dalam proses pengolahan biji kopi. Dalam penelitian ini dilakukan proses klasifikasi tingkat roasting biji kopi, dengan menggunakan citra hasil roasting sebagai input proses klasifikasi. Proses secara keseluruhan terdiri dari beberapa tahap diantaranya adalah segmentasi citra, ekstraksi fitur, yang kemudian dilakukan klasifikasi menggunakan metode Jaringan Syaraf Tiruan dengan algoritma backpropagation.. Data yang digunakan terdiri dari 240 citra digital kopi, dengan 4 tingkat kematangan biji kopi yaitu biji mentah, light roasting, medium roasting, dan dark roasting. Proses klasifikasi terdiri dari tahap training dan testing, dan berdasarkan hasil penelitian ini didapatkan hasil terbaik dengan nilai performa 0.107, dan akurasi hasil proses training sebesar 82,7% sedangkan akurasi proses testing sebesar 76,7%.

Coronavirus (Corona Virus Desease) atau yang biasa disebut Covid-19 ini adalah sebuah penyakit yang sangat berbahaya. Banyaknya jumlah kasus Covid-19 yang tercatat di Kabupaten Malang membuat pemerintah dituntut untuk membagi Zonasi wilayah pada setiap Kecamatan di Kabupaten Malang agar dapat membuat kebijakan atau peraturan yang dapat ditaati oleh zona-zona tertentu. K-Means adalah sebuah algoritma untuk mengelompokkan data berdasarkan titik pusat klaster (Centeroid) yang paling dekat dengan data tersebut (Metisen & Sari, 2015). K-Means bertujuan untuk mengelompokkan data dengan memaksimalkan kesamaan data dalam klaster dan meminimalkan kesamaan data antar klaster (Asroni & Adrian, 2015). Kualitas hasil Clustering yang lebih baik dari Euclidean Distance dan Manhattan Distance pada metode K-Means diharapkan dapat menentukan Clustering pada Zonasi Covid-19 di Kabupaten Malang. Metode K-Means dengan Euclidean Distance memperoleh nilai Silhouette Coefficient dan Standart Deviasi yang lebih baik dari metode K-Means Manhattan Distance dengan perbandingan nilai Silhouette Coefficient 0,71 > 0,64 dan nilai Standart Deviasi 0,46466002 < 0,4961977.