Article Per Year (5 Year)
p-Index From 2019 - 2024
0.61
P-Index
This Author published in this journals
All Journal Konvergensi
Junaedi, Hartarto
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Environmental Science

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
MENENTUKAN FUNGSI FAKTOR RASIO TERHADAP KINERJA PERUSAHAAN MANUFAKTUR DENGAN MENGGUNAKAN FUZZY PADA PERUSAHAAN PUBLIK YANG TERDAFTAR DI BURSA EFEK INDONESIA (BEI) Ikhsan, Teguh Pribadi; Junaedi, Hartarto; Purwanto, Devi Dwi
KONVERGENSI Vol 16 No 1 (2020)
Publisher : Informatics, Universitas 17 Agustus 1945 Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30996/konv.v1i1.3494

Abstract

Pemilihan Investasi di Bursa Saham menjadi salah satu opsi yang cukup bagus untuk memperoleh keuntungan. Dengan menghitung Pertumbuhan keuntungan dari Rasio Kinerja Perusahaan terdiri dari beberapa 6 Faktor antara lain Debt to Equity Ratio (DER), Return on Asset (ROA), Current Ratio (CR),  Return on Equity (ROE), Gross Profit Margin (GPM) dan Total Asset Turnover (TAT). di perusahaan manufaktur. Berdasarkan rasio yang diperoleh dapat digunakan untuk pertimbangan Investasi. Metode Fuzzy yang digunakan  untuk melakukan perhitungan adalah Mamdani dengan masing-masing 3 variabel linguistik disetiap Input dan Output. Dalam perhitungan ini sangat membantu kepada calon investor sebagai pertimbangan jika ingin melakukan Investasi. Dengan hasil perhitungan evaluasi dengan menggunakan Mean Absolute Percentage Error (MAPE) sebesar 0,2455.
PENGENALAN KARAKTER BRAILLE MEMANFAATKAN CONVOLUTIONAL NEURAL NETWORK Andriansyah, Marindo; Junaedi, Hartarto
KONVERGENSI Vol 17 No 2 (2021)
Publisher : Informatics, Universitas 17 Agustus 1945 Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30996/konv.v17i2.5420

Abstract

ABSTRACTBraille is a character designed for the blind. Braille letters consist of six raised dots arranged in three rows and two columns. Braille is read by touch, so finger sensitivity is very important. Braille combinations need to be memorized, making them very difficult to learn. This study discusses the introduction of braille characters using the Convolutional Neural Network (CNN) method. CNN will process 3 data sets, 60, 100, and 150 data with each data using 5, 10, 25, and 50 epochs. The highest accuracy value in the training process is 99.87% with a loss value of 0.232. In the recognition process, the highest accuracy is 99.62% with a recognition error of 1 image out of 260 images. Keywords: Braille, CNN, Character, Recognition. ABSTRAKHuruf braille merupakan karakter yang dirancang untuk orang buta. Huruf braille terdiri dari enam titik timbul yang tersusun dalam tiga baris dan dua kolom. Huruf braille dibaca dengan menggunakan sentuhan, oleh sebab itu sensifitas jari sangat penting. Kombinasi huruf braille perlu dihafalkan, sehingga sangat sulit untuk dipelajari. Penelitian ini membahas pengenalan karakter braille dengan menggunakan metode Convolutional Neural Network (CNN). CNN akan memproses 3 kelompok data, 60, 100, dan 150 data dengan masing-masing data menggunakan 5, 10, 25, dan 50 epoch. Nilai akurasi tertinggi pada proses traning sebesar 99.87% dengan nilai loss sebesar 0.232. Dalam proses pengenalan akurasi tertinggi sebesar 99.62% dengan kesalahan pengenalan 1 gambar dari 260 gambar. Kata Kunci: Braille, CNN, Karakter, Pengenalan.
ANALISA SENTIMEN UNTUK MENGIDENTIFIKASI KECENDERUNGAN RADIKALISME DENGAN NAÏVE BAYES Yulianto, Fajar; Junaedi, Hartarto; Tjandra, Suhatati; Pascarini, Amanda
KONVERGENSI Vol 17 No 2 (2021)
Publisher : Informatics, Universitas 17 Agustus 1945 Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30996/konv.v17i2.5470

Abstract

ABSTRACTRadicalism in Indonesia is still an issue that is often discussed considering that there are still many acts of radicalism in Indonesia. The relatively rapid spread of radicalism requires special handling to stop the spread. This study aims to identify radicalism by grouping it into 3 (three) groups or levels which are later expected to facilitate the search for solutions to stop the spread of radicalism. The analysis system will use sentiment analysis using the method of machine learning, namely Naive Bayes. The data used were collected through surveys to students and religious leaders. The Naive Bayes method will later serve to determine the survey results of each individual based on his group. The total data collected for this study amounted to 250 respondents who have filled out survey questions, the data will be divided into 2 types, there are 165 data used for the training phase and 85 data for testing. After processing the data, the results were obtained using classification report calculations and obtained an accuracy of 85% from 3 radical groups. Keywords: sentiment analysis; machine learning; naïve Bayes; radicalism ABSTRAKRadikalisme di Indonesia, hingga saat ini masih menjadi suatu isu yang diperbincangkan mengingat masih banyaknya aksi-aksi radikalisme di Indonesia. Penyebaran paham radikalisme yang relative cepat memerlukan adanya penanganan khusus untuk menghentikan penyebaran tersebut. Penelitian ini bertujuan untuk mengidentifikasi radikalisme dengan mengelompokannya menjadi 3 (tiga) kelompok atau tingkatan yang nantinya diharapkan dapat memudahkan pencarian solusi penghentian penyebaran paham radikalisme tersebut. Sistem analisis akan menggunakan analisis sentiment dengan menggunakan metode dari machine learning yaitu naive bayes. Data yang digunakan sendiri dikumpulkan melalui survey kepada santri dan pemuka agama. Metode naive bayes nantinya akan berfungsi untuk menentukan hasil survey tiap individu tersebut berdasarkan kelompoknya. Total data yang terkumpul untuk penelitian ini berjumlah 250 responden yang sudah mengisi pertanyaan survey, data tersebut nantinya akan dibagi 2 jenis, terdapat 165 data digunakan untuk tahap training dan 85 data untuk testing. Setelah melakukan proses olah data hasil yang didapat menggunakan perhitungan classification report dan didapat akurasi sebesar 85% dari 3 kelompok radikal. Kata Kunci: sentiment analysis; machine learning; naïve bayes; radikalisme
Co-Authors Andriansyah, Marindo Devi Dwi Purwanto Devi Dwi Purwanto Fajar Yulianto Ikhsan, Teguh Pribadi Pascarini, Amanda Tjandra, Suhatati