Article Per Year (5 Year)
p-Index From 2019 - 2024
1.785
P-Index
This Author published in this journals
All Journal Syntax Jurnal Informatika Jurnal Informatika Indonesian Journal of Artificial Intelligence and Data Mining Seminar Nasional Teknologi Informasi Komunikasi dan Industri Jurnal Informatika Universitas Pamulang Jurnal Nasional Komputasi dan Teknologi Informasi Zonasi: Jurnal Sistem Informasi JUKI : Jurnal Komputer dan Informatika
Suwanto Sanjaya
Universitas Islam Negeri Sultan Syarif Kasim Riau
Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Engineering Environmental Science Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Mathematics

Published : 13 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 13 Documents
Search

 1   2 
K-Nearest Neighbor for Classification of Tomato Maturity Level Based on Hue, Saturation, and Value Colors Suwanto Sanjaya; Morina Lisa Pura; Siska Kurnia Gusti; Febi Yanto; Fadhilah Syafria
Indonesian Journal of Artificial Intelligence and Data Mining Vol 2, No 2 (2019): September 2019
Publisher : Universitas Islam Negeri Sultan Syarif Kasim Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (635.888 KB) | DOI: 10.24014/ijaidm.v2i2.7975

Abstract

The selection of tomatoes can use several indicators. One of the indicators is the fruit color. In digital image processing, one of the color information that could be used in Hue, Saturation, and Value (HSV). In this research, HSV is proposed as a color model feature for information on the ripeness of tomatoes. The total data of tomato images used in this research were 400 images from four sides. The maturity level of tomatoes uses five levels, namely green, turning, pink, light red, and red. The process of divide data uses K-Fold Cross Validation with ten folds. The method used for classification is k-Nearest Neighbor (kNN). The scenario of the test performed is to combine the image size with the parameter value of the neighbor (k). The image sizes tested are 100x100 pixels, 300x300 pixels, 600x600 pixels and 1000x1000 pixels. The “k” values tested were 1, 3, 5, 7, 9, 11, and 13. The highest accuracy reached 92.5% in the image size 1000x1000 pixels with a parameter “k” is 3. The result of the experiment showed that the image size has a significant influence of accuracy, but the parameter value of neighbor (k) has an influence that is not too significant.
Local Binary Pattern and Learning Vector Quantization for Classification of Principal Line of Palm-Hand Suwanto Sanjaya; Ulfah Adzkia; Lestari Handayani; Febi Yanto
Indonesian Journal of Artificial Intelligence and Data Mining Vol 3, No 2 (2020): Spetember 2020
Publisher : Universitas Islam Negeri Sultan Syarif Kasim Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24014/ijaidm.v3i2.10236

Abstract

Biometrics such as DNA, face, fingerprints, and iris still had disadvantages. The principal line of palm-hand biometric was expected to cover the weakness of the other biometric. This research was used dataset amounted to 150 images of palms-hand of the left-hand side. The dataset sourced 15 people who captured 10 times. The cropping technique that has used is the Region of Interest (ROI). Local Binary Pattern (LBP) was used to feature extraction. The feature extraction consists of the five parameters statistical. They were mean, variance, skewness, kurtosis, and entropy. Learning Vector Quantization (LVQ) was used to train the weight to produce optimal weight. The Confusion matrix method was used to evaluate the accuracy of the classification. The experiment was used the learning rates 0.01; 0.05; 0.1; 0.5; and 0.7. Based on testing and the experimental results, the highest accuracy obtained was on the learning rate value 0.5 which achieve 80%. In future work, we can explore with added the second-order statistics feature for better result.
Optimasi Pada Radial Basis Function Menggunakan Tabu Search Untuk Menentukan Jenis Serangan Pada Jaringan Iwan Iskandar; Iis Afrianty; Elvia Budianita; suwanto sanjaya
Seminar Nasional Teknologi Informasi Komunikasi dan Industri 2018: SNTIKI 10
Publisher : UIN Sultan Syarif Kasim Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (515.372 KB)

Abstract

Serangan jaringan komputer semakin berkembang dan rentan dalam pembobolan sehingga merugikan pengguna jaringan. Keamanan jaringan merupakan hal yang sangat penting dalam perkembangan teknologi informasi dan dapat menimbulkan banyak masalah yang cukup serius terhadap keamanan suatu sistem jaringan komputer. Namun dengan banyaknya jenis serangan dapat dicegah secara dini. Pada penelitian ini dibuat sebuah aplikasi yang dapat membantu dalam mengklasifikasi jenis serangan pada jaringan komputer. Aplikasi ini menerapkan metode Radial Basis Function (RBF) yang telah dioptimasi menggunakan algoritma Tabu Search. Algoritma Tabu Search digunakan sebagai perbaikan bobot awal pada metode RBF. Data yang digunakan sebanyak 1000 data dari data KDD CUP 1999. Terdapat lima kelas jenis serangan yaitu normal, DoS, U2R, U2L dan probes. Pada pengujian data dibagi menjadi data latih 70%, 80%, 90% dan data uji 30%, 20%, 10%. Nilai spread yang digunakan bervariasi, diantaranya yaitu 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0, 1.1, 1.2 dan menggunakan epoch 1000. Hasil dari penelitian ini diperoleh target akurasi tertinggi mencapai 99% pada spread 1.2. Kesimpulan akhir penelitian ini telah berhasil menerapkan metode radial basis function yang telah dioptimasi menggunakan algoritma tabu search.
Pengaruh Hyperparameter Convolutional Neural Network Arsitektur ResNet-50 Pada Klasifikasi Citra Daging Sapi dan Daging Babi Sarah Lasniari; Jasril Jasril; Suwanto Sanjaya; Febi Yanto; Muhammad Affandes
Jurnal Nasional Komputasi dan Teknologi Informasi (JNKTI) Vol 5, No 3 (2022): Juni 2022
Publisher : Program Studi Teknik Informatika, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v5i3.4424

Abstract

Abstrak - Kasus kecurangan pedagang mencampur daging sapi dengan daging babi masih terjadi hingga saat ini. Membedakan daging sapi dan babi dapat dilakukan dengan mengamati secara langsung satu persatu, tetapi hal ini dapat dilakukan oleh para ahli, Tetapi secara kasat mata masih sulit membedakannya. Perilaku pedagang seperti ini sangat merugikan konsumen khususnya pemeluk agama Islam karena berkaitan dengan makanan yang halal atau haram. Pada penelitain ini menggunakan metode Deep Learning untuk klasifikasi citra dengan Convolutional Neural Network (CNN) arsitektur ResNet-50. Jumlah data sebanyak 457 citra yang terbagi menjadi 3 kelas, yaitu daging babi, daging oplosan dan daging sapi. Setiap kelas memiliki ukuran gambar yang sama yaitu 300 x 300 pixel. Pembagian data menggunakan split data dengan perbandingan 70% data uji : 30% data uji, 80% data latih : 20% data uji, dan 90% data latih : 10% data uji. Hasil dari pengujian model dengan Confusion Matrix menunjukkan performa klasifikasi tertinggi dengan 100% accuracy, 100% precision, dan 100% recall, pada data citra asli dengan penggunaan batch size 32, 0.001 learning rate, epoch 75 dan split data 90% : 10%.Kata kunci: Convolutional Neural Network, Daging Babi dan Sapi, Deep Learning, Klasifikasi Citra, ResNet  Abstract - Traders mixing beef and pork are still committing fraud today. Although professionals can discern between beef and pork by watching them one by one, it is still impossible to do so with the naked eye. This kind of behavior is very detrimental to consumers, especially Muslims because it is related to halal or haram food. This research uses Deep Learning method to classify images with Convolutional Neural Network (CNN) ResNet-50 architecture. The number of data is 457 images which are divided into 3 classes, namely pork, mixed meat and beef. Each class has the same image size, which is 300 x 300 pixels. data distribution using split data with a comparison of 70% training data: 30% test data, 80% training data: 20% test data, and 90% training data: 10% test data. The results of model testing using the Confusion Matrix show the highest classification performance with 100% accuracy, 100% precision, and 100% recall, on the original image data using batch size 32, 0.001 learning rate, epoch 75 and split data 90%: 10%..Kata kunci: Convolutional Neural Networ, Deep Learning, Image Classification, Pork and Beef, ResNet
Clustering Vaksinasi Penyakit Mulut dan Kuku Di Provinsi Riau Menggunakan Algoritma K-Medoids Riska Yuliana; Alwis Nazir; Reski Mai Candra; Suwanto Sanjaya; Fadhilah Syafria
JUKI : Jurnal Komputer dan Informatika Vol. 5 No. 1 (2023): JUKI : Jurnal Komputer dan Informatika, Edisi Mei 2023
Publisher : Yayasan Kita Menulis

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Foot and Mouth Disease (FMD) atau biasa pula disebut penyakit mulut dan kuku (PMK) merupakan penyakit infeksi akut yang menularkan ke hewan lain karena disebabkan oleh virus yang masuk dalam genus Apthovirus dan famili Picornaviridae. PMK perlu ditangani karena menyebabkan kerugian finansial terutama disebabkan oleh penurunan produksi hewan ternak seperti susu maupun daging, produktivitas tenaga kerja serta keterbatasan pangan. Salah satu penanganan dan pengendalian PMK pada hewan ternak sapi yaitu ,melakukan program vaksinasi. Penelitian ini menggunakan data dari Dinas Peternakan dan Kesehatan Provinsi Riau. Penelitian ini menggunakan teknik data mining dalam pengolahan datanya menggunakan metode k-medoids clustering. Proses K-Medoids merupakan proses agregasi yang membagi data menjadi beberapa kelompok, dan hasil dari proses clustering ini tidak bergantung pada urutan record yang dimasukkan. maka metode ini juga dapat mengatasi kelemahan dari k-means. Metode k-medoids dapat diterapkan pada data vaksinasi penyakit mulut dan kuku di Provinsi Riau, dan dapat diidentifikasi kelompok kekebalan hewan berdasarkan data tersebut. . Hasil cluster terbaik setelah dilakukan pengujian yaitu 2 cluster. Cluster terendah berada pada cluster 1 sebanyak 21894 ekor dan cluster 2 sebanyak 48042 ekor. Dimana dalam proses pengujian dilakukan menggunakan Davies Bouldien Index (DBI) mendapatkan nilai -0.482. Diharapkan penelitian ini dapat memberikan perhatian lebih untuk vaksinasi terhadap PMK karena kekebalan hewan yang masih rendah sehingga memudahkan terinfeksinya PMK.
Penerapan Metode K-Means Clustering untuk Pemetaan Pengelompokan Lahan Produksi Tandan Buah Segar Abdussalam Al Masykur; Siska Kurnia Gusti; Suwanto Sanjaya; Febi Yanto; Fadhilah Syafria
Jurnal Informatika Vol 10, No 1 (2023): April 2023
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/inf.v10i1.15621

Abstract

Di Perkebunan Sei Lukut, Desa Maredan Barat, Kecamatan Tualang, Kabupaten Siak, Provinsi Riau, PT. Surya Intisari Raya, sebuah perusahaan swasta, mengelola perkebunan kelapa sawit. Memiliki 4 bagian lahan kelapa sawit yang terdiri dari 216 blok dengan total sekitar 4.000 Ha. Blok kelapa sawit biasanya mencakup 20 hektar dan berisi 28.000 pohon kelapa sawit, dengan kapasitas produksi bulanan sebesar 57 ton. Pemetaan klaster produksi tandan buah segar berupaya membantu pelaku usaha memutuskan kebijakan apa yang akan diterapkan untuk meningkatkan akurasi dan produktivitas produksi minyak sawit. Metode K-Means merupakan komponen dari metode clustering, yang merupakan subset dari kelompok Unsupervised Learning dan digunakan untuk mempartisi data ke dalam berbagai kategori. Untuk mengelompokkan blok lahan berdasarkan delapan data variabel luas pokok, panjang panen, daun lepas, curah hujan, pupuk, tujuan, dan persentase keberhasilan, penelitian ini akan menerapkan Indeks Davies Bouldin dengan alat RapidMiner. Kesimpulan akhir dari penelitian ini adalah sebuah aplikasi yang dapat memetakan pengelompokan areal produksi tandan buah segar dengan menerapkan metode K-Means Clustering, dengan nilai Davies Bouldin Index terkecil sebesar 0,921 pada jumlah cluster 3 yang termasuk Cluster C1 (Produktivitas Sedang). Terdiri dari 96 blok tanah, Cluster C2 (Produktivitas Rendah) terdiri dari 41 blok tanah, dan Cluster C3 (Produktivitas Tinggi) terdiri dari 79 blok tanah.In Sei Lukut Estate, West Maredan Village, Tualang District, Siak District, Riau Province, PT. Surya Intisari Raya, a private business, administers oil palm plantations. It has 4 sections of oil palm land made up of 216 blocks totaling about 4,000 Ha. Blocks of oil palm typically cover 20 hectares and contain 28,000 palm trees, with a monthly output capacity of 57 tons. The mapping of the production clusters for fresh fruit bunches seeks to help the business decide what policies to implement to increase the accuracy and productivity of palm oil production. The K-Means method is a component of the clustering method, which is a subset of the Unsupervised Learning group and is used to partition data into various categories. In order to group land blocks based on the eight variable data areas of total principal, harvest length, loose leaf, rainfall, fertilizer, goal, and percentage of success, this study will apply the Davies Bouldin Index with RapidMiner tools. The final conclusion of this research is an application that can map the grouping of fresh fruit bunch production areas by applying the K-Means Clustering method, with the smallest Davies Bouldin Index value of 0.921 in the number of clusters 3 including Cluster C1 (Medium Productivity) consisting of 96 blocks land, Cluster C2 (Low Productivity) consists of 41 land blocks, and Cluster C3 (High Productivity) consists of 79 land blocks.
AUGMENTASI DATA PADA IMPLEMENTASI CONVOLUTIONAL NEURAL NETWORK ARSITEKTUR EFFICIENTNET-B3 UNTUK KLASIFIKASI PENYAKIT DAUN PADI Desy Putri Ayuni; Jasril; Muhammad Irsyad; Febi Yanto; Suwanto Sanjaya
ZONAsi: Jurnal Sistem Informasi Vol. 5 No. 2 (2023): Publication Periodic ZONAsi: Jurnal Sistem Informasi.
Publisher : Universitas Lancang Kuning

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31849/zn.v5i2.13874

Abstract

Padi adalah salah satu jenis biji-bijian dengan urutan ketiga sebagai bahan pokok makanan setelah gandum dan jagung. Jenis penyakit yang menyerang daun tanaman terdiri atas blast, brownspot, leaf smut. Pada penelitian ini metode Convolutional Neural Network dengan Arsitektur Efficientnet-B3 digunakan untuk mengklasifikasikan penyakit daun pada tanaman padi. Tujuan penelitian ini membandingkan tingkat akurasi menggunakan data tanpa augmentasi (asli) dan data yang telah di augmentasi. Augmentasi data yang digunakan brightness, rotation, dan vertical_flip. Selain itu dilakukan juga pengujian menggunakan optimizer yang berbeda yaitu optimizer RMSprop dan optimizer SGD (Stochastic Gradient Descent). Pengujian dilakukan dengan tiga model perbandingan data yaitu 90:10, 80;20 dan 70:30. Hasil pengujian memperlihatkan akurasi tertinggi menggunakan data asli pada rasio 70:30 yaitu sebesar 92.39% dengan optimizer RMSprop. Sedangkan untuk akurasi tertinggi menggunakan data augmentasi terdapat pada rasio 90:10 yaitu sebesar 98.91% dengan optimizer RMSprop.
PENERAPAN METODE K-MEANS UNTUK PENGELOMPOKAN DATA KAPAL BARANG (STUDI KASUS: KSOP PEKANBARU) Ariq At-Thariq Putra; Alwis Nazir; Febi Yanto; Suwanto Sanjaya; Fadhilah Syafria
SYNTAX Jurnal Informatika Vol 12 No 01 (2023): Mei 2023
Publisher : Universitas Singaperbangsa Karawang

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Transportation by sea is crucial for national development as it contributes to the growth of the economy and other ship transport sectors. With the increasing demand for cargo ships in the maritime transportation industry, data clustering is needed to review the growth of cargo ships in Riau. K-Means is a commonly used technique for clustering data that helps to classify data effectively. This algorithm is not influenced by data series and starts with the random determination of cluster centers during calculation. This cargo ship research aims to classify cargo ship data at the Pekanbaru KSOP, which allows the Pekanbaru KSOP to easily monitor the development of cargo ships.
Penerapan Fuzzy Backpropagation Neural Network dalam Klasifikasi Penyakit Stroke Karina Julita; Iis Afrianty; Suwanto Sanjaya; Fadhilah Syafria
Jurnal Informatika Universitas Pamulang Vol 8, No 2 (2023): JURNAL INFORMATIKA UNIVERSITAS PAMULANG
Publisher : Teknik Informatika Universitas Pamulang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32493/informatika.v8i2.31351

Abstract

Stroke adalah penyakit cerebrovaskuler yang ditandai dengan gejala neurologis tiba-tiba akibat cedera vaskular akut pada otak. Menurut WHO pada tahun 2019, stroke penyebab utama kematian dan kecacatan kedua di dunia, dengan prevalensi global 101,5 juta orang. Diagnosis medis penting dalam penanganan stroke, namun biaya yang tinggi sering menjadi kendala bagi masyarakat. Penelitian ini bertujuan untuk mengembangkan metode Fuzzy Backpropagation Neural Network dalam klasifikasi stroke dengan menggunakan data sekunder dari platform Kaggle yang berjumlah 4981 data. Analisis data melibatkan sepuluh variabel relevan dalam klasifikasi stroke diantaranya variabel seperti jenis kelamin, umur, hipertensi, riwayat penyakit jantung, indeks massa tubuh, nilai kadar gula dalam darah, status pernikahan, status merokok, tipe pekerjaan dan lingkungan tempat tinggal. Pada penelitian ini, pengujian yang dilakukan dibagi menjadi tiga skenario diantaranya, skenario 1 dengan α = 0,1, skenario 2 dengan α = 0,01 dan skenario 3 dengan α = 0,001 pada epoch 10, 1000 dan 100000. Hasil pengujian menunjukkan akurasi tertinggi dengan menggunakan pola jaringan 10-4-1 pada pembagian data latih dan data uji 70%:30% dengan α = 0.01 dan  epoch 100000 menghasilkan tingkat akurasi sebesar 86,52%, presisi 0,87, recall 0,87 dan f-1 score 0,87. Berdasarkan hasil pengujian tersebut, FBPNN dinilai mampu dalam mengklasifikasi stroke dengan kinerja yang baik.
Klasifikasi Citra Daging Sapi dan Babi Menggunakan Convolutional Neural Network (CNN) dengan Arsitektur EfficientNet-B2 dan Augmentasi Data Deny Ardianto; Jasril Jasril; Suwanto Sanjaya; Lestari Handayani; Fadhilah Syafria
Jurnal Informatika Universitas Pamulang Vol 8, No 2 (2023): JURNAL INFORMATIKA UNIVERSITAS PAMULANG
Publisher : Teknik Informatika Universitas Pamulang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32493/informatika.v8i2.30587

Abstract

Permintaan daging sapi Indonesia meningkat secara signifikan setiap tahun. Meningkatnya kebutuhan daging sapi ini sering dimanfaatkan oleh pedagang untuk mendapatkan untung lebih dengan cara mencampurkan daging sapi dan babi (oplosan). Membedakan daging sapi, babi, dan oplosan secara manual menggunakan penciuman dan penglihatan manusia sangatlah sulit. Untuk membantu membedakan daging tersebut dapat menggunakan teknologi yaitu pengolahan citra. Penelitian ini menggunakan Convolutional Neural Network (CNN) berarsitektur EfficientNet-B2 untuk pengolahan citra dan klasifikasi. Pada penelitian ini juga dilakukan proses augmentasi data citra untuk memperbanyak citra dengan tujuan meningkatkan akurasi. Jumlah citra asli daging sebanyak 900 telah mengalami peningkatan setelah dilakukan proses augmentasi, menjadi 9000 citra yang mencakup daging sapi, babi, dan oplosan. Dataset dibagi menjadi dua bagian, yaitu dataset pelatihan dan testing, dengan rasio perbandingan 80:20 dan 90:10. Dengan menggunakan dataset citra augmentasi dengan kombinasi optimizer Adamax, activation Swish, dan learning rate 0.1, penelitian ini menghasilkan akurasi klasifikasi tertinggi, yaitu 98,22% accuracy, 98,25% precision, 98,22% recall, 98,22% f1-score, dengan rasio perbandingan data 90:10.
Co-Authors Abdussalam Al Masykur Ahmad Paisal Alwis Nazir Ariq At-Thariq Putra Deny Ardianto Desy Putri Ayuni Elvia Budianita Fadhilah Syafria Febi Yanto Felian Nabila Iis Afrianty Iwan Iskandar Jasril Jasril Jasril Karina Julita Lestari Handayani Morina Lisa Pura Muhammad Affandes Muhammad Irsyad Puspa Melani Almahmuda Reski Mai Candra Riska Yuliana Sarah Lasniari Siska Kurnia Gusti Ulfah Adzkia