Claim Missing Document
Check
Articles

Found 4 Documents
Search
Journal : MDP Student Conference

Pernerapan Algortima Diffie-Hellman pada Steganografi Least Significant Bit Ignatius Rivaldo Lie; Derry Alamsyah
MDP Student Conference Vol 2 No 1 (2023): The 2nd MDP Student Conference 2023
Publisher : Universitas Multi Data Palembang

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1707.387 KB) | DOI: 10.35957/mdp-sc.v2i1.4107

Abstract

Perkembangan teknologi informasi berkembang begitu pesat seiring berjalannya waktu. Saat ini, informasi sering dipertukarkan melalui Internet dan karena itu rentan terhadap pencurian informasi. Banyak jenis informasi yang menggunakan pengamanan khusus seperti pin, kata sandi, dan data diri. Sehingga rentan terhadap penyadapan data melalui ruang bertukar informasi publik. Dalam penelitian ini dilakukan penerapan algoritma Diffie-hellman untuk steganografi least significant bits. Steganografi citra adalah proses penyembunyian pesan rahasia dalam citra digital dan Kriptografi adalah studi tentang metode komunikasi yang aman antara dua pihak. Pada penelitian ini algoritma yang digunakan yaitu Diffie-hellman, Advanced Encryption Standard sebagai media penerapan Diffie-hellman dan steganografi dengan teknik least significant bits. Pengujian dilakukan dengan menggunakan gambar high contrast dan low contrast untuk melihat Peak Signal to Noise Ratio (PSNR) dan Means Square Error (MSE) sebelum dan sesudah proses steganografi. Hasil pengujian didapatkan bahwa nilai rata-rata PSNR gambar high contrast sebesar 96,539692 dan rata-rata MSE gambar high contrast sebesar 0,0000159. Pengujian gambar low contrast didapatkan nilai rata-rata PSNR sebesar 96,7335291 dan rata-rata nilai MSE sebesar 0,0000173.
Klasifikasi Media Pembuangan Sampah Menggunakan Metode Resnet101-V2 Valentino Ruben Ho; Siska Devella; Derry Alamsyah
MDP Student Conference Vol 2 No 1 (2023): The 2nd MDP Student Conference 2023
Publisher : Universitas Multi Data Palembang

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (410.633 KB) | DOI: 10.35957/mdp-sc.v2i1.4338

Abstract

Sampah adalah benda/zat yang tidak digunakan lagi dan ditinggalkan oleh manusia. Plastik merupakan salah satu faktor yang membuat sampah sulit terurai. Penggunaan plastik dalam kehidupan manusia sudah menjadi hal yang lumrah dan rutin digunakan dalam aktivitas manusia. Media pembuangan limbah juga berkontribusi terhadap pencemaran lingkungan. Oleh karena itu, dalam penelitian ini peneliti meneliti media pengolahan limbah dengan menggunakan metode deep learning residual network (ResNet). ResNet adalah jenis arsitektur convolutional neural network (CNN) yang menggunakan model pra-terlatih. ResNet menghemat waktu karena tidak perlu melatih data dari awal. Data yang digunakan sebanyak 15.000 citra yang terbagi menjadi kantong sampah, kantong kertas, dan kantong plastik. Setelah pengujian, akurasi 98,65% dicapai dengan membandingkan 80% data pelatihan dan 20% pengujian. Dapat disimpulkan bahwa metode ResNet sangat baik dalam mengidentifikasi media pembuangan sampah.
Klasifikasi Penyakit Cacar Monyet Menggunakan Metode Convolutional Neural Network Tommy Oktavianus Saputra; Derry Alamsyah
MDP Student Conference Vol 2 No 1 (2023): The 2nd MDP Student Conference 2023
Publisher : Universitas Multi Data Palembang

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (969.319 KB) | DOI: 10.35957/mdp-sc.v2i1.4400

Abstract

Cacar merupakan suatu kondisi pada kulit yang menyebabkan jerawat berisi cairan di seluruh tubuh dan wajah. Cacar terdiri dari beberapa jenis, salah satunya yaitu cacar monyet. Gejala pada penderita cacar monyet meliputi demam, ruam dan lesi kulit. Sampai saat ini masih dilakukan studi lebih lanjut untuk memahami sumber infeksi dan pola penularan dari cacar monyet. Dataset yang digunakan terdiri dari dua yaitu, dataset pertama berjumlah 3192 terdiri dari 2554 data latih dan 638 data validasi. Dataset kedua berjumlah 770 sebagai data uji. Maka, penelitian ini dilakukan untuk mengklasifikasi cacar monyet menggunakan Convolutional Neural Network arsitektur ResNet-50 dengan fungsi optimasi Adam. Hasil pengujian yang dilakukan menunjukkan akurasi validasi terbaik sebesar 94,82% dan hasil uji terbaik dengan tingkat akurasi sebesar 76,10%.
Perbandingan Akurasi Klasifikasi Kadar Daging Sapi Pada Bakso Dengan SVM Dan KNN Muhammad Bemby Putra Mansyah; Derry Alamsyah; hafiz Irsyad
MDP Student Conference Vol 2 No 1 (2023): The 2nd MDP Student Conference 2023
Publisher : Universitas Multi Data Palembang

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (494.169 KB) | DOI: 10.35957/mdp-sc.v2i1.4412

Abstract

Bakso adalah olahan yang mengandung protein hewani, banyak olahan bakso yang dibuat mulai dari daging sapi, ayam bahkan ikan. Namun yang seringkali dijumpai adalah olahan bakso dengan daging sapi. Bakso biasanya disajikan dengan kuah dan ditambah pelengkap lain seperti sayur sawi dan mie. Setiap olahan bakso yang dibuat orang yang berbeda memiliki tekstur kekenyalan berbeda, sebagai orang awam biasanya mengetahui melalui teksturnya seperti kekenyalannya dan serat daging yang ada pada bakso tetapi dapat juga diketahui melalui kecerdasan buatan. Penelitian dilakukan untuk mengetahui kadar daging sapi pada bakso dengan empat jenis kadar perbandingan yakni kadar pertama 1.5 daging 1 tepung, kadar kedua 1 daging 1 tepung, kadar ketiga 1 daging 2 tepung, dan kadar keempat 2 daging 1 tepung. Metode klasifikasi yang digunakan adalah KNN dengan 3 tetangga dan SVM dengan ekstraksi fitur GLCM, didapatkan hasil overall akurasi untuk KNN 3 tetangga sebesar 77.50% sedangkan untuk SVM sebesar 55%.