Articles
<![CDATA[Identifikasi Penyakit Diabetic Retinopathy menggunakan Learning Vector Quantization (LVQ) ]]>
<![CDATA[Rudy Chandra]]>;
<![CDATA[Erna Budhiarti Nababan]]>;
<![CDATA[Sawaluddin Sawaluddin]]>
<![CDATA[ InfoTekJar : Jurnal Nasional Informatika dan Teknologi Jaringan Vol 6, No 1 (2021): InfoTekJar September ]]>
Publisher : <![CDATA[Universitas Islam Sumatera Utara ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30743/infotekjar.v6i1.3913
<![CDATA[Diabetic retinopathy (retinopati diabetik) merupakan sejenis penyakit mata yang terjadi pada pengidap diabetes. Untuk mendeteksi jenis penyakit ini, dokter mata biasanya akan melakukan pemeriksaan dengan cara memeriksa mata dengan pupil lebar dan komprehensif. Adapun hambatan dalam mendeteksi retinopati diabetik adalah alat pemeriksaan yang belum masif dan belum memadai serta masih memakan waktu dalam mengidentifikasi tahap demi tahap pada retina manual. Berdasarkan masalah tersebut dibutuhkanlah suatu sistem untuk membantu dokter dalam mengidentifikasi retina yaitu dengan menerapkan pattern recognition menggunakan algoritma Learning Vector Quantization (LVQ). Sistem yang dijalankan dengan memasukkan citra tetina kemudian akan melaui proses preprocessing citra dan ekstraksi fitur statistik untuk mendapatkan hasil yang sesuai untuk dilakukan identifikasi menggunakan LVQ. Data retina yang digunakan terbagi menjadi 3 yaitu data training, data validation dan data testing. Pada data validation diuji dan mendapatkan hyperparameter untuk membentuk model jaringan terbaik yaitu pada epoch 50 dan learning rate 0,001. Kemudian dilakukan pelatihan hingga menghasilkan bobot akhir dengan algoritma pelatihan LVQ. Bobot akhir tersebut akan digunakan pada proses pengujian dengan data uji dan menghasilkan accuracy 82% sensitivity 80% dan precision 83,33%]]>
<![CDATA[Pengamanan Citra Menggunakan Kombinasi Algoritma Kriptografi Hill Cipher dan Teknik Transposisi Segitiga ]]>
<![CDATA[Windi Saputri Simamora]]>;
<![CDATA[Syahril Efendi]]>;
<![CDATA[Erna Budhiarti Nababan]]>
<![CDATA[ InfoTekJar : Jurnal Nasional Informatika dan Teknologi Jaringan Vol 6, No 2 (2022): InfoTekJar Maret ]]>
Publisher : <![CDATA[Universitas Islam Sumatera Utara ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30743/infotekjar.v6i2.4713
<![CDATA[Cara untuk mengamankan citra dapat dilakukan dengan kriptografi. Penelitian pada algoritma kriptografi sudah cukup banyak berkembang. Beberapa penelitian menyebutkan bahwa menggabungkan dua algoritma kriptografi dapat lebih meningkatkan keamanan dari citra dibandingkan dengan hanya satu algoritma. Penelitian ini melakukan enkripsi menggunakan kombinasi dua algoritma yaitu teknik transposisi segitiga dan Hill Cipher. Proses penggabungan dua algoritma dilakukan dengan terlebih dahulu mengenkripsi menggunakan teknik transposisi segitiga dan kemudian dilanjutkan dengan Hill Cipher. Begitu juga dengan proses dekripsi yang dilakukan secara kebalikannya. Pada penelitian ini menghasilkan performa yang lebih baik dibandingkan dengan menggunakan satu metode yang dapat dilihat pada nilai rata-rata MSE yang besar yaitu 10878,992 dan rata-rata PSNR yang kecil yaitu 0,781. Hal tersebut menandakan dengan menggabungkan dua algoritma dapat membuat pesan menjadi lebih aman. Metode dalam penelitian ini juga berhasil mengembalikan citra dangan baik tanpa adanya penambahan maupun pengurangan yang dapat dilihat dari hasil MSE dan PSNR yaitu 0 dan ∞.]]>
<![CDATA[ANALISIS PENGGUNAAN PARALLEL PROCESSING MULTITHREADING PADA RESILIENT BACKPROPAGATION ]]>
<![CDATA[Kelvin Onggrono]]>;
<![CDATA[Tulus Tulus]]>;
<![CDATA[Erna Budhiarti Nababan]]>
<![CDATA[ InfoTekJar : Jurnal Nasional Informatika dan Teknologi Jaringan Vol 2, No 1 (2017): InfoTekJar September ]]>
Publisher : <![CDATA[Universitas Islam Sumatera Utara ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30743/infotekjar.v2i1.146
<![CDATA[Proses pembelajaran neural network merupakan hal yang penting, bertujuan untuk mengenali lingkungan. Proses pembelajaran neural network membutuhkan waktu untuk dapat mengenali lingkungan. Terutama pada salah satu algoritma neural network yaitu resilient backpropagation. Proses untuk mempercepat pembelajaran resilient backpropagation pada penelitian ini adalah menggunakan teknik parallel processing. Teknik parallel processing yang digunakan adalah multithreading. Teknik parallel ini diterapkan pada bagian hidden layer yaitu membagi jumlah neuron pada hidden layer menjadi beberapa subproses yang dikerjakan secara bersamaan, pembagian yang dilakukan berdasarkan pada jumlah thread. Hasil yang didapatkan dalam penerapan parallel processing menggunakan teknik multithreading ke dalam algoritma resilient backpropagation membantu mempercepat waktu proses pembelajaran resilient backpropagation dengan thread yang digunakan sebanyak 3 buah thread.]]>
<![CDATA[Pengamanan File Teks Menggunakan Algoritma RSA – LUC dan Algoritma Zig-Zag dalam Hybrid Crypto Sistem ]]>
<![CDATA[Rahmi Suliani Lubis]]>;
<![CDATA[Tulus Tulus]]>;
<![CDATA[Erna Budhiarti Nababan]]>
<![CDATA[ InfoTekJar : Jurnal Nasional Informatika dan Teknologi Jaringan Vol 6, No 2 (2022): InfoTekJar Maret ]]>
Publisher : <![CDATA[Universitas Islam Sumatera Utara ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30743/infotekjar.v6i2.4717
<![CDATA[Kriptografi adalah ilmu yang berdasarkan pada teknik matematika untuk berurusan dengan keamanan informasi seperti kerahasiaan, keutuhan data dan otentifikasi entitas. Hybrid crypto metode untuk mengunci plainteks dengan algoritma simetris dan menggunakan algoritma asimetris untuk mengunci algoritma simetris. Tujuan dari penelitian ini adalah kriptografi masih memiliki kelemahan oleh karena itu peneliti menggabungkan zig-zag dan RSA dengan kunci LUC dalam mengenkripsi pesan. Dalam penelitian digunakan pembangkit kunci pada algoritma LUC. hybrid kriptosistem merupaka metode untuk mengunci algortima plainteks dengan algoritma simetris dan asimetris digunakan untuk mengamankan algoritma simetris. Algoritma digunakan untuk mengenkripsi plainteks sedangkan algoritma RSA-LUC untuk mengenkripsi kunci zig-zag. Hasil dari penelitian ini adalah Semakin panjang jumlah karakter maka semakin lama proses yang dibutuhkan untuk proses enkripsi pada file teks. Dan semakin besar ukuran file, maka semakin besar ukuran ciphertext yang dihasilkan.]]>
<![CDATA[ANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION ]]>
<![CDATA[Eka Irawan]]>;
<![CDATA[M. Zarlis]]>;
<![CDATA[Erna Budhiarti Nababan]]>
<![CDATA[ InfoTekJar : Jurnal Nasional Informatika dan Teknologi Jaringan Vol 1, No 2 (2017): InfoTekJar Maret ]]>
Publisher : <![CDATA[Universitas Islam Sumatera Utara ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30743/infotekjar.v1i2.67
<![CDATA[Algoritma backpropagation merupakan multi layer perceptron yang banyak digunakan untuk menyelesaikan persoalan yang luas, namun algoritma backpropagation juga mempunyai keterbatasan yaitu laju konvergensi yang cukup lambat. Pada penelitian ini penulis menambahkan parameter learning rate secara adaptif pada setiap iterasi dan koefisien momentum untuk menghitung proses perubahan bobot. Dari hasil simulasi komputer maka diperoleh perbandingan antara algoritma backpropagation standar dengan backpropagation dengan penambahan momentum. Untuk algoritma backpropagation standar kecepatan konvergensi 727 epoch dengan nilai MSE 0,01, sedangkan algoritma backpropagation standar mencapai 4000 epoch dengan nilai MSE 0,001. . Hal ini menunjukkan bahwa algoritma backpropagation adaptive learning lebih cepat mencapai konvergensi daripada algoritma backpropagation standar.]]>
<![CDATA[Teknik Watermarking Adaptif Menggunakan Micro Genetic Algorithm ]]>
<![CDATA[Hardisal Nurdin]]>;
<![CDATA[Muhammad Zarlis]]>;
<![CDATA[Erna Budhiarti Nababan]]>
<![CDATA[ Jurnal Inotera Vol. 1 No. 1 (2016): July-December 2016 ]]>
Publisher : <![CDATA[LPPM Politeknik Aceh Selatan ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (267.164 KB)
|
DOI: 10.31572/inotera.Vol1.Iss1.2016.ID9
<![CDATA[Citra digital sangat rentan terhadap perlakuan pengolahan kembali, seperti pemampatan, penyaringan, pengaburan, dan sebagainya. Pada citra yang mengandung watermark, pengolahan kembali tentunya dapat merusak eksistensi watermark di dalamnya. Kekukuhan watermark dalam citra asli dapat ditingkatkan melalui pemilihan teknik-teknik penyisipan yang tepat. Salah satunya dengan menggunakan teknik transformasi citra seperti discrete wavelete transform atau DWT. Namun penentuan skala penyisipan (gain) bagi watermark menjadi sangat krusial, karena dengan nilai gain yang besar akan membuat kualitas visual citra dapat berkurang. Sebaliknya, nilai gain yang terlalu kecil membuat watermark akan sukar untuk dideteksi. Penggunaan teknik cerdas seperti micro genetic algorthm dapat memberika solusi dalam menentukan nilai penskalaan ini. Sehingga kualitas visual citra dapat dijaga dan watermark di dalamnya dapat dipertahankan.]]>
<![CDATA[ANALISIS PENGGUNAAN ALGORITMA KOHONEN PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PENGENALAN POLA PENYAKIT PARU ]]>
<![CDATA[Rosmelda Ginting]]>;
<![CDATA[Tulus Tulus]]>;
<![CDATA[Erna Budhiarti Nababan]]>
<![CDATA[ Jurnal Teknovasi : Jurnal Teknik dan Inovasi Vol 1, No 2 (2014): Teknovasi Oktober 2014 ]]>
Publisher : <![CDATA[LPPM Politeknik LP3I Medan ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.55445/teknovasi.v1i2.35
<![CDATA[Algoritma Kohonen pada Jaringan Syaraf Tiruan Backpropagation dalam pengenalan pola penyakit paru dalam mempercepat proses pembelajaran (training) yang signifikan dan klasifikasi yang akurat dalam mengenali pola suatu penyakit. Algoritma Backpropagation merupakan salah satu algoritma pembelajaran supervised learning, yaitu pembelajaran yang membutuhkan pengawasan dalam proses pembelajarannya. Pada supervised learning terdapat pasangan data input dan output yang dipakai untuk melatih Jaringan Syaraf Tiruan hingga diperoleh bobot penimbang (weight) yang diinginkan. Dalam penelitian ini, dalam pengenalan pola penyakit paru yaitu: Pneumonia dan TBC Paru-paru. Penulis menggunakan 2 data input yang sama dan data yang satu dilatih menggunakan algoritma backpropagation dimana pembobotannya secara random dan data yang kedua dilatih menggunakan algoritma backpropagation tapi pembobotannya menggunakan algoritma Kohonen. Dari hasil penelitian yang penulis lakukan, dengan pembobotan menggunakan kohonen dan dilatih dengan algoritma backpropagation ternyata dapat mempercepat proses pembelajaran (training) dalam mengenali suatu pola penyakit paru.]]>
<![CDATA[ANALISIS FUNGSI AKTIVASI SIGMOID BINER DAN SIGMOID BIPOLAR DALAM ALGORITMA BACKPROPAGATION PADA PREDIKSI KEMAMPUAN SISWA ]]>
<![CDATA[Julpan Julpan]]>;
<![CDATA[Erna Budhiarti Nababan]]>;
<![CDATA[Muhammad Zarlis]]>
<![CDATA[ Jurnal Teknovasi : Jurnal Teknik dan Inovasi Vol 2, No 1 (2015): Teknovasi April 2015 ]]>
Publisher : <![CDATA[LPPM Politeknik LP3I Medan ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.55445/teknovasi.v2i1.45
<![CDATA[Metode backpropagation merupakan metode yang sangat baik dalam menangani masalah pengenalan pola-pola kompleks. Di dalam jaringan backpropagation, setiap unit yang berada di lapisan input terhubung dengan setiap unit yang ada di lapisan tersembunyi. Hal serupa berlaku pula pada lapisan tersembunyi. Setiap unit yang ada pada lapisan tersembunyi terhubung dengan setiap unit yang ada di lapisan output. Fungsi aktivasi yang digunakan di dalam metode backpropagation adalah fungsi sigmoid biner (binary sigmoid function), sigmoid bipolar (bipolar sigmoid function). Karakteristik yang harus dimiliki fungsi aktivasi tersebut adalah kontinyu dan tidak menurun secara monoton. Dari hasil penelitian maka didapatkan bahwa penggunaan fungsi aktivasi sigmoid biner memiliki tingkat rata-rata akurasi yang lebih baik dari sigmoid bipolar. Akan kecepatan perhitungannya lebih lambat dibandingkan dengan sigmoid bipolar. Fungsi aktivasi sigmoid bipolar dipilih berdasarkan asumsi heuristik bahwa nilai rentang [0, 1] yang dihasilkan oleh fungsi sigmoid biner (unipolar) kurang bagus dibandingkan dengan rentang [-1, 1] yang dihasilkan fungsi yang sigmoid bipolar. Hasil ini disebabkan karena nilai ekstrim 0 yang dihasilkan fungsi sigmoid biner kurang memberikan pengaruh pada penghitungan nilai pada neuron, dibandingkan dengan nilai ekstrim -1 yang dihasilkan oleh fungsi sigmoid bipolar.]]>
<![CDATA[PERBANDINGAN PENCARIAN DATA MENGGUNAKAN QUERY HASH JOIN DAN QUERY NESTED JOIN ]]>
<![CDATA[Junus Sinuraya]]>;
<![CDATA[Muhammad Zarlis]]>;
<![CDATA[Erna Budhiarti Nababan]]>
<![CDATA[ Jurnal Teknovasi : Jurnal Teknik dan Inovasi Vol 1, No 2 (2014): Teknovasi Oktober 2014 ]]>
Publisher : <![CDATA[LPPM Politeknik LP3I Medan ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.55445/teknovasi.v1i2.38
<![CDATA[Pengaksesan data atau pencarian data dengan menggunakan Query atau Join pada aplikasi yang terhubung dengan sebuah database perlu memperhatikan ketepatgunaan implementasi dari data itu sendiri serta waktu prosesnya. Ada banyak cara yang dapat dilakukan oleh database manajemen sistem dalam memproses dan menghasilkan jawaban sebuah query. Semua cara pada akhirnya akan menghasilkan jawaban (output) yang sama tetapi pasti mempunyai harga yang berbeda-beda, seperti kecepatan waktu untuk merespon data. Beberapa query yang sering digunakan untuk pemrosesan data yaitu Query Hash Join dan Query Nested Join, kedua query memiliki algoritma yang berbeda tapi menghasilkan output yang sama. Dengan menggunakan aplikasi yang dirancang menggunakan Microsoft Visual Studi 2010 dan Microsoft SQL Server 2008 berbasis jaringan untuk melakukan pengujian kedua algoritma atau query dengan parameter running time atau kecepatan waktu merespon data. Pengujian dilakukan dengan jumlah tabel yang dihubungkan dan jumlah baris/record. Hasil dari penelitian adalah kecepatan waktu query dalam merespon data untuk jumlah data yang kecil query hash join lebih baik dibandingkan dengan jumlah data yang besar query nested join.]]>
<![CDATA[The Flowshop Scheduling Makespan by the ACO-GA Algorithm: The Flowshop Scheduling Makespan by the ACO-GA Algorithm ]]>
<![CDATA[Jonas Franky R Panggabean]]>;
<![CDATA[Opim Salim Sitompul]]>;
<![CDATA[Erna Budhiarti Nababan]]>
<![CDATA[ Jurnal Mantik Vol. 3 No. 4 (2020): February: Manajemen, Teknologi Informatika dan Komunikasi (Mantik) ]]>
Publisher : <![CDATA[Institute of Computer Science (IOCS) ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (431.808 KB)
<![CDATA[Flow shop scheduling could be a scheduling model where all jobs that are processed flow within the same direction / path. the matter is usually faced if n jobs are processed on m machines, where what must be done first and what allocates jobs on the machine in order that a scheduled production process are obtained. To validate this algorithm a computational test was done employing a dataset of 60 examples from the Taillard Benchmark. HS algorithm with a comparison of two constructive heuristics from the literature, namely the NEH heuristic and stochastic greedy heuristic (SG). The average results obtained for dataset sizes are 20 x 5 to 50 x 10, that the ACO-GA algorithm has smaller makespan compared to the opposite two algorithms, except for large dataset sizes the ACO-GA algorithm has larger makespan compared to the 2 algorithms above with difference of 1.4 units of your time]]>
