Claim Missing Document
Check
Articles

Found 3 Documents
Search
Journal : Journal of Software Engineering Ampera

Program Diet Berdasarkan Jenis Olahraga Berbasis Android Ketut Wijaya Kusuma; Fatoni Fatoni; Hadi Syaputra
Journal of Software Engineering Ampera Vol. 1 No. 1 (2020): Journal of Software Engineering Ampera
Publisher : APTIKOM SUMSEL

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51519/journalsea.v1i1.12

Abstract

Sports is one of the physical activities that are good for health and fitness. By exercising, we can minimize the risk of developing disease. By exercising too, we can lose weight, keep our body weight stable and ideal, and many other benefits of exercise. Today, sports are carried out not only to lose weight or maintain health, but also as a means of recreation to channel hobbies as well as a profession. The problem now is that diet programs are still done manually and are not chosen properly, making it difficult for sportsmen to be able to undergo a diet program effectively because it is not in accordance with the type of exercise they are struggling with. Then an application is needed that can guide them to accompany an Android-based diet program
Penerapan Algoritma Convolutional Neural Network Untuk Klasifikasi Motif Citra Batik Solo Tungki Ari Bowo; Hadi Syaputra; Muhamad Akbar
Journal of Software Engineering Ampera Vol. 1 No. 2 (2020): Journal of Software Engineering Ampera
Publisher : APTIKOM SUMSEL

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51519/journalsea.v1i2.47

Abstract

Batik adalah warisan kebudayaan Indonesia yang telah menjadi ciri khas masyarakat Indonesia. Batik memiliki banyak motif dan corak dengan ciri yang berbeda disetiap corak atau motifnya. Sebagai upaya melestarikan batik, penelitian mengenai klasifikasi batik digunakan untuk mengenali motif citra batik. Untuk itu penelitian ini dilakukan menggunakan metode pembelajaran dengan data citra batik diharapkan dapat memberikan hasil klasifikasi yang akurat dan efisien dengan tingkat akurasi tinggi. Convolutional Neural Network (CNN) merupakan gabungan dari jaringan syaraf tiruan dan metode deep learning. CNN terdiri 3 layer utama yaitu Convolutional Layer, Pooling Layer, Fully Connected Layer. Pada penelitian ini menggunakan arssitektur 3 Convolutional Neural Network dan 2 Fully Connected Layer pada pembuatan system terdapat beberapa tahapan utama yaitu pengumpulan data, perancangan system, training, dan testing. Penelitian ini menggunakan data citra batik solo sebanyak 2.256 gambar yang terdiri dari 7 kelas yaitu motif Parang, Semenrante, Sidomukti, Ceplok, Kawung, Truntum, dan Buketan. Hasil dari proses learning didapatkan akurasi sebesar 99.07% dengan loss sebesar 0,2%. Pada proses pengujian menggunakan 745 sampel batik solo didapatkan akurasi sebesar 95%. Sehingga dapat disimpulkan bahwa metode CNN dapat mengklasifikasi citra dengan baik
Klasifikasi Gejala Penyakit Coronavirus Disease 19 (COVID-19) Menggunakan Machine Learning Suci Anggraini; Muhamad Akbar; Alex Wijaya; Hadi Syaputra; Muhammad Sobri
Journal of Software Engineering Ampera Vol. 2 No. 1 (2021): Journal of Software Engineering Ampera
Publisher : APTIKOM SUMSEL

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51519/journalsea.v2i1.105

Abstract

Coronavirus Disease 19 (COVID-19) merupakan virus baru yang menyebabkan infeksi saluran pernapasan. Virus ini berasal dari hewan yang dapat menular pada manusia dengan percikan air liur. Menurut data epidemiologi rata-rata pasien terjangkit virus ini berusia 15-80 tahun. Virus ini memiliki masa inkubasi 2-14 hari yang mempunyai gejala awal yaitu deman tinggi, sesak nafas, batuk pilek. Indonesia memiliki 2 kasus pertama pada 2 maret 2020. Permasalahan yang diangkat dalam penelitian ini adalah bagaimana mengklasifikasi resiko terjangkit virus covid-19 dari gejala yang ditimbulkan. Tujuan penelitian ini untuk mengetahui tingkat resiko terjangkit virus covid-19 berdasarkan instrumen yang digunakan dari metode Knowledge Discovery in Database yang terdiri dari 5 tahapan yaitu selection, pre-processing, transformation, data mining, dan evaluation. Dataset yang digunakan peneliti diambil dari web resmi kaggle.com. Penelitian ini menggunakan 4 (empat) algoritma yaitu K-Nearest Neighbor (K-NN), Neural Network (NN), Random Forest (RF), dan Naive Bayes dengan bantuan tool rapidminer. Values dataset antara lain tingkat rendah 25,98%, tingkat sedang 54,33%, dan tingkat tinggi 19,69%. Nilai akurasi pada dataset dengan 127 data pasien terjangkit covid-19 menggunakan algoritma k-nearest neighbor memperoleh 57,89%, neural network memperoleh 73,68%, random forest memperoleh 68,42%, naive bayes memperoleh 65,38%. Pada penelitian ini algoritma klasifikasi Neural Network memberikan nilai akurasi yang tertinggi.