AbstrakLuas lahan sawah di Indonesia semakin sempit dengan maraknya pembangunan perumahan dan gedung-gedung. Hal ini berakibat pada ketersediaan produksi pangan yang semakin rendah dan harus mengimpor beras dari negara lain. Dengan mengklasterkan lahan sawah dapat digunakan sebagai evaluasi untuk meningkatkan produksi pangan di Indonesia sehingga kegiatan impor beras dapat terminimalisi. Metode yang digunakan untuk mengelompokan lahan sawah adalah metode Fuzzy C-Means. Implementasi program pada matlab dengan data training dan data testing. Pada program Fuzzy C-Means tersebut menghasilkan tiga kelompok/cluster data, yaitu luas lahan sawah luas, sedang, dan sempit. Hasil pengklusteran, wilayah yang paling berpotensi dalam produksi pangan dari lahan sawah adalah Jawa Timur, Jawa Tengah dan Jawa Barat. Kata kunci: Lahan sawah, Evaluasi, Fuzzy C-Means AbstractThe number of rice field in Indonesia is decreasing due to development of residential areas and buildings. Consequently, it reduces foodstuff availability and government should import it from other. Increasing food production and minimizing imported food can be started by clustering fields as an evaluation. This clustering is approached by Fuzzy C-Means. Training and Testing data are implemented on Matlab and yield three categories, wide, medium and narrow field. Moreover, the most potential field is East Java, Central Java, and West Java.

Virus komputer merupakan suatu program yang menginfeksi komputer terutama pada saat komputer sedang beroperasi dan menjadi momok bagi pengguna komputer. Virus komputer dapat menggandakan dirinya sendiri dan menyebar dengan cara menyisipkan dirinya pada program dan data lainnya. Efek negatif virus komputer adalah memperbanyak dirinya sendiri, yang membuat sumber daya pada komputer terutama penggunaan memori menjadi berkurang secara signifikan. Diperlukan suatu penangkal atau antivirus dalam mencegah penyebaran yang lebih jauh dalam sistem komputer. Pada penelitian ini, dilakukan suatu identifikasi virus dengan menggabungkan dua metode yaitu Naïve Bayes Classifier dengan Neural Network. Fitur virus didapatkan dari mengkodekan ciri-ciri dari virus. Untuk klasifikasi awal digunakan metode Naïve Bayes Classifier untuk membagi dua jenis fitur, yaitu virus dan bukan virus. Setelah masuk kedalam jenis virus, maka diklasifikasikan kedalam dua jenis virus yaitu trojan atau worm menggunakan salah satu metode neural network (perceptron). Hasil sistem setelah dilakukan uji coba didapatkan recognition rate tertinggi yaitu sebesar 94.12%.

Dalam upaya mencapai kesejahteraan Indonesia, salah satu kebijakan Pemerintah yang akan dilaksanakan adalah penyelenggaraan dan pelaksanaan program transmigrasi. Pada Umumnya program transmigrasi yang ditawarkan oleh Pemerintah kepada semua masyarakat tanpa mengetahui latar belakang ekonomi dan keluarganya sehingga program transmigrasi tidak tepat sasaran. Berdasarkan latar belakang masalah dalam penelitian ini adalah bagaimana cara merancang, membangun, mengembangkan dan mengimplementasikan Fuzzy C-Means Clustering pada Sistem Pemetaan di provinsi Jawa TImur untuk klasifikasi Kota/Kabupaten yang berpotensi Transmigrasi. Data diperoleh dari data Badan Pusat Statistik (BPS) Provinsi Jawa Timur. Hasil yang didapat dengan menggunakan metode Fuzzy C-Means optimal dengan 3 claster.

AbstrakInstrumen EEG (electroencephalography) merupakan suatu instrumen yang digunakan sebagai perekam aktivitas otak dengan memperlihatkan gelombang otak. Prinsip kerja EEG adalah dengan mendeteksi perubahan muatan secara tibatiba dari sel neuron yang ditandai dengan adanya interictal spike-and-wave pada hasil EEG (electroencephalogram). Terdapat suatu data set sinyal EEG, direkam pada sukarelawan normal dan epilepsi. Pada penelitian ini dengan menggunakan data tersebut akan dilakukan suatu sistem klasifikasi sinyal EEG dengan berdasar pada kondisi normal dan epilepsi. Klasifikasi sinyal EEG menggunakan Metode Adaptive Neighborhood Base Modified Backpropagation (ANMBP). Hasil ekstraksi fitur dari sinyal EEG dengan menggunakan metode Fuzzy C-Means (FCM) Clustering, dimana proses awalnya melalui dekomposisi wavelet menggunakan Discrete Wavelet Transform (DWT) dengan level 2 didapatkan 3 koefisien wavelet kemudian pada masing masing koefisien tersebut di clustering menggunakan FCM dengan 2 cluster sehingga menghasilkan 6 fitur yang akan menjadi vektor fitur. Dari vektor fitur tersebut digunakan sebagai inputan untuk dilakukan proses klasifikasi dengan menggunakan metode ANMBP. Hasil sistem sementara didapatkan recognition rate sebesar 74.37%. Kata kunci: EEG, Wavelet, FCM, Backpropagation, Modified.Abstract EEG (electroencephalography) is an instrument used to records brain activity and shows some brain waves. The working principle is to detect changes in EEG sudden charge of neuron cells characterized by interictal spike-and-wave on the EEG. There is a data set of EEG signals, recorded from normal volunteers and epilepsy. By using the data, we will build classification of EEG signals system and the classification system based on the EEG signals, normal and epilepsy conditions.Classification of EEG signals is using Adaptive Neighborhood Base Modified Backpropagation (ANMBP) method. The result of EEG signals feature extraction, using Fuzzy C-Means (FCM) Clustering. Using wavelet decomposition level 2 and using FCM with 2 cluster each sub-band of wavelet coefficients then the probability distribution of each cluster in each sub-band is calculated. The result of probability distribution in each cluster of each sub-band is the feature vectors and will be inputed to the classification process by using ANMBP. The temporary result system gives the accuracy of 74.37%.

Indonesia merupakan salah satu negara yang dilewati jalur The Pacific Ring of Fire. Daerah yang dilewati tersebut merupakan daerah yang sering terjadi bencana alam seperti gunung meletus, banjir maupun angin puting beliung. Berdasarkan data yang tercatat oleh Badan Nasional Penanggulangan Bencana (BNPB) terdapat 1.042 bencana di Indonesia selama tahun 2019. Salah satu provinsi yang sering terjadi bencana yaitu Jawa Timur, hingga Juni 2019 mencapai 135 bencana angin puting beliung. Oleh karena itu, diperlukan clustering atau pengelompokan daerah rawan bencana angin puting beliung. Hal ini perlu dilakukan karena untuk membantu pemerintah dalam mendeteksi daerah-daerah mana saja yang rawan bencana angin puting beliung. Karena bencana angin puting beliung merupakah bencana alam yang sulit untuk di prediksi. Banyak hal yang dapat mempengaruhi terjadinya bencana tersebut. Metode yang akan digunakan dalam penelitian ini yaitu K-Means Clustering yang dianalisis menggunakan silhouette coefficient, davies bouldin index dan purity. Selain itu, juga akan direpresentasikan menggunakan Arc View GIS untuk memperlihatkan daerah-daerah mana saja yang rawan dan aman tersebut. Berdasarkan pengelompokan menggunakan K-Means, Jawa Timur terbagi menjadi 4 kelompok daerah rawan bencana angin puting beliung, dengan karakteristik aman, cukup rawan, rawan dan sangat rawan. 4 kelompok tersebut juga telah tervalidasi keakuratannya. Cluster yang terbentuk cukup optimal karena telah dilakukan uji validasi cluster menggunakan silhouette, davies bouldin index, dan purity dimana hasilnya menunjukkan cluster dengan jumlah 4 merupakan cluster yang optimal. Dengan nilai silhouette coefficient sebesar 0.9116, davies bouldin index sebesar 0.3633 dan purity sebesar 1.