Article Per Year (5 Year)
p-Index From 2019 - 2024
3.872
P-Index
This Author published in this journals
All Journal Inform : Jurnal Ilmiah Bidang Teknologi Informasi dan Komunikasi JURNAL MEDIA INFORMATIKA BUDIDARMA Kinetik: Game Technology, Information System, Computer Network, Computing, Electronics, and Control JURNAL TEKNIK INFORMATIKA DAN SISTEM INFORMASI Multitek Indonesia : Jurnal Ilmiah Antivirus : Jurnal Ilmiah Teknik Informatika Journal of Information System,Graphics, Hospitality and Technology Applied Technology and Computing Science Journal Journal of Electronics, Electromedical Engineering, and Medical Informatics JTIM : Jurnal Teknologi Informasi dan Multimedia Jurnal Informatika dan Sistem Informasi Insyst : Journal of Intelligent System and Computation Joutica : Journal of Informatic Unisla Jurnal Inovasi Teknologi dan Edukasi Teknik
Hendrawan Armanto
Institut Sains Dan Teknologi Terpadu Surabaya
Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Chemistry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering Library & Information Science Social Sciences Other

Published : 29 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 12 Documents
Search
Journal : Insyst : Journal of Intelligent System and Computation

 1   2 
Library Algoritma Genetik dan Whale Optimization berbasis GPU Programming Bernard Niklas Satrijo; Hendrawan Armanto; Lukman Zaman PCSW; Pickerling Pickerling
Intelligent System and Computation Vol 4 No 1 (2022): INSYST: Journal of Intelligent System and Computation
Publisher : Institut Sains dan Teknologi Terpadu Surabaya (d/h Sekolah Tinggi Teknik Surabaya)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52985/insyst.v4i1.208

Abstract

Pencarian solusi terbaik pada suatu permasalahan menjadi suatu hal yang terus dikembangkan dari waktu ke waktu. Berbagai penelitian dilakukan dalam berbagai bidang untuk dapat menyelesaikan masalah-masalah tersebut. Salah satu cara yang dapat menjadi solusi adalah digunakannya algoritma evolusioner. Salah satu algoritma evolusioner yang terkenal adalah algoritma genetik (GA). Selain algoritma genetik, terdapat algoritma baru lain yang telah muncul dan dikembangkan, yaitu algoritma whale optimization (WOA). Meskipun begitu, penyelesaian algoritma evolusioner pada umumnya membutuhkan waktu yang lama. Hal tersebut dapat ditanggulangi dengan penggunaan GPU Programming pada algoritma evolusioner yang dibuat. Sifat dari library yang dibuat adalah general purpose library. Pada library ini, user hanya perlu membuat satu class turunan dari class dalam library, mengatur parameter, dan mengimplentasikan abstract method. Seluruh proses yang terjadi dalam library bersifat transparan, dan apabila selesai, user dapat mengambil nilai fitness terbaik, solusi terbaik, nilai fitness terbaik per generasi, dan nilai rata-rata fitness per generasi. Dengan dibuatnya library ini, diharapkan user dapat mengimplementasikan algoritma genetik dan whale optimization dalam menyelesaikan suatu permasalahan dengan mudah dan dalam waktu yang lebih cepat dibandingkan dengan library lainnya.
Pengenalan Ekspresi Wajah dengan CNN dan Wavelet Erwin Sentosa; Hendrawan Armanto; Pickerling Pickerling; Lukman Zaman
Intelligent System and Computation Vol 4 No 2 (2022): INSYST: Journal of Intelligent System and Computation
Publisher : Institut Sains dan Teknologi Terpadu Surabaya (d/h Sekolah Tinggi Teknik Surabaya)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52985/insyst.v4i2.209

Abstract

Dengan berkembangnya teknologi di jaman modern ini diharapkan komputer juga mampu mengenali ekspresi wajah manusia. Hal itu dapat terwujud dengan kemajuan machine learning. Machine learning telah menjadi bagian dari kehidupan sehari-hari bagi banyak orang di seluruh dunia. Penemuan dan implementasi machine learning memungkinkan komputer untuk belajar dan memprediksi pola yang mungkin terjadi dan dapat digunakan untuk membantu manusia melakukan kegiatan sehari-hari. Salah satunya yaitu Convolutional Neural Network. Pada penelitian ini akan digunakan wavelet transform untuk membantu meningkatkan akurasi dari convolutional neural network dan mempercepat peningkatan akurasi. Wavelet berguna untuk melakukan compressing pada gambar sehingga lebih mudah untuk diolah. Gambar yang dihasilkan oleh wavelet terbagi menjadi 4 frekuensi yang berbeda-beda. Setiap gambar yang dihasilkan oleh wavelet diuji cobakan kedalam convolutional neural network. Berdasarkan hasil uji coba yang dilakukan, akurasi terbaik didapatkan dari dataset KDEF dengan menggunakan gambar wavelet berfrekuensi Low-Low (LL) dengan akurasi yang didapatkan sebesar 79%. Sedangkan hasil uji coba menggunakan dataset buatan sendiri didapatkan akurasi terbaik dengan menggunakan wavelet berfrekuensi Low-Low (LL) dengan akurasi yang didapatkan sebesar 36,925%.
Co-Authors Albert Rianka Kristian Andik Jatmiko Anthony, Gregorian Aris Nasuha Bambang Widodo Bernard Niklas Satrijo C. Pickerling Daniel Daniel Dwi Putra, Ronal Edwin Sidharta Eka Rahayu Setyaningsih Endang Setyati Endang Setyati Endang Setyati Eric Dinata Erwin Sentosa Gunawan Harits Ar Rosyid Herman Budianto Herman Budianto Indra Maryati Jatmiko, Andik Joan Santoso Kenji Andrean Kevin Setiabudi Kevin Susanto Lukman Zaman Lukman Zaman PCSW Mochammad Machlul Alamin Muladi Muladi Reynaldo Stefanus Hartono Reynold Kevin Riandika Lumaris Rico Fiyan Hady Rico Robby Darmawan Ronal Dwi Putra Stefanus Kurniawan Bastari Sugianto Sugianto Syabith Umar Ahdan Udkhiati Mawaddah Willy Adrianus YOGA DWI WAHYU NUGRAHA Yosi Kristian Zulkarnaen