Articles
<![CDATA[ALGORITMA LEARNING VECTOR QUANTIZATION DAN FUZZY K-NN UNTUK PREDIKSI SAHAM BERDASARKAN PESAING ]]>
<![CDATA[Fitriani, Risma Rahmalia]]>;
<![CDATA[Ernastuti, Ernastuti]]>;
<![CDATA[Swedia, Ericks Rachmat]]>
<![CDATA[ Jurnal Ilmiah Teknologi dan Rekayasa Vol 24, No 1 (2019) ]]>
Publisher : <![CDATA[Universitas Gunadarma ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (266.478 KB)
|
DOI: 10.35760/tr.2019.v24i1.1929
<![CDATA[Prediksi saham adalah hal yang sangat berpengaruh bagi seorang investor. Investor akan mampu menemukan saham yang tepat dan waktu yang tepat untuk membeli atau menjual dengan melakukan prediksi saham. Prediksi yang akurat dapat membantu investor untuk mendapatkan keuntungan yang besar. Keuntungan yang besar sebanding dengan resiko besar yang terkait dengan hal tersebut dan ada kesempatan yang sama dalam kehilangan uang. Keuntungan yang besar serta resiko kehilangan yang besar, menyebabkan para investor dituntut untuk bisa melakukan berbagai analisa untuk mengukur nilai saham. Pada penelitian ini dilakukan prediksi fluktuasi harga saham berdasarkan fluktuasi harga saham perusahaan pesaing dengan menggunakan algoritma Learning Vector Quantization (LVQ) dan Fuzzy K-Nearest Neighbours. Data saham yang diprediksi adalah saham perusahaan Apple, berdasarkan fluktuasi harga saham perusahaan IBM, Cisco, Fujitsu, Hewlett-Package, dan Ericsson dengan waktu dari tanggal 4 Januari 2000 sampai dengan tanggal 31 Agustus 2015. Pengujian dilakukan dari tanggal 1 September sampai 30 September 2015. Data yang diperoleh dari situs resmi http://finance.yahoo.com yang memuat data harga saham dari waktu ke waktu . Hasil prediksi fluktuasi harga saham perusahaan Apple terhadap empat saham perusahaan pesaing lainnya memiliki persentase prediksi benar dengan nilai terendah yaitu 47.62% untuk algoritma Learning Vector Quantization (LVQ) dan nilai tertinggi yaitu 61.90% untuk algoritma Fuzzy KNN.]]>
<![CDATA[APLIKASI PENGOLAHAN CITRA UNTUK MENENTUKAN TINGKAT KEMATANGAN BUAH PISANG DENGAN MENGGUNAKAN RUANG WARNA HUE ]]>
<![CDATA[Bakhtar, Mutiara Risvita]]>;
<![CDATA[Swedia, Ericks Rachmat]]>
<![CDATA[ Jurnal Ilmiah Teknologi dan Rekayasa Vol 22, No 1 (2017) ]]>
Publisher : <![CDATA[Universitas Gunadarma ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Mendeteksi tingkat kematangan pisang merupakan hal yang biasa dilakukan oleh manusia. Manusia dapat dengan mudah dan cepat mengetahui perbedaan tingkat kematangan pisang berdasarkan keseharian mereka dan juga karena telah terdapat memori ingatan tentang bagaimana cara menentukan buah pisang yang matang dan mentah. Akan tetapi hal itu tidah bisa dijadiakan acuan akan kematangannya. Karena presepsi setiap manusia berbeda untuk menentukan mana buah pisang yang matang dan mentah. Hue adalah ukuran panjang gelombang dominan dalam campuran gelombang cahaya. Hue dapat digunakan untuk mendapatkan warna dasar yang telah tercampur oleh gelombang cahaya pada piksels suatu gambar digital. Untuk itu aplikasi Kematangan Pisang diciptakan agar dapat menentukan tingkat kematangan pisang. Pengambilan citra dilakukan dengan bantuan kamera ponsel dan menggunakan algoritma pengolahan citra ruang warna Hue untuk menghasilkan output persentase kematangan pisang. Kata Kunci :citra Hue, piksel, RGB, tingkat kematangan pisang]]>
<![CDATA[Aplikasi Pendeteksi Rambu Lalu-Lintas Menggunakan Operator Sobel dan Metode Hamming ]]>
<![CDATA[Ericks Rachmat Swedia]]>;
<![CDATA[M. Ridwan Dwi Septian]]>;
<![CDATA[Margi Cahyanti]]>
<![CDATA[ Seminar Nasional Aplikasi Teknologi Informasi (SNATI) 2017 ]]>
Publisher : <![CDATA[Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Penelitian ini membuat aplikasi untuk mendeteksi rambu lalu-lintas berdasarkan bentuk dengan menggunakan operator sobel dan mencari kemiripan citra menggunakan metode hamming distance. Pengguna dapat memasukkan citra yang akan dicocokkan dengan citra yang terdapat dalam database. Citra yang dipilih oleh pengguna akan ditransformasi menjadi gray dan dilakukan proses deteksi tepi sobel. Citra ini kemudian dicocokkan dengan citra yang terdapat dalam database dengan metode hamming distance, nilai hamming yang paling kecil merupakan citra yang paling mirip. Untuk database digunakan 205 citra berukuran 100x100 piksel yang dapat diunduh pada halaman https://id.wikipedia.org/wiki /Rambu_lalu_lintas. Citra-citra ini dijadikan basis data setelah melalui proses grayscale dan deteksi tepi. Proses uji coba dilakukan dengan mengambil 10 citra rambu yang dipilih secara acak dari pencarian google sebagai proses input untuk dicari kemiripan dengan citra yang terdapat dalam database.  Berdasarkan hasil uji coba, aplikasi ini dapat digunakan untuk mendeteksi rambu lalu-lintas.]]>
<![CDATA[PENGELOMPOKKAN CITRA KENDARAAN (MOTOR DAN MOBIL) BERDASARKAN BENTUK MENGGUNAKAN ALGORITMA K-MEANS ]]>
<![CDATA[Margi Cahyanti]]>;
<![CDATA[M Ridwan Dwi Septian]]>;
<![CDATA[Ericks Rachmat Swedia]]>;
<![CDATA[Ravi A Salim]]>
<![CDATA[ Sebatik Vol 22 No 2 (2018): DESEMBER 2018 ]]>
Publisher : <![CDATA[STMIK Widya Cipta Dharma ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (1148.692 KB)
<![CDATA[Penelitian ini mengimplementasikan algoritma K-Means untuk mengelompokkan data citra digital kendaraan mobil dan motor. Proses pengelompokkan terdiri dari tahapan citra input yang ditransformasi ke grayscale, hasil dari citra grayscale tersebut diambil nilai garis tepi menggunakan operator Prewitt. Hasil nilai citra Prewitt disimpan ke dalam basis data. Tahapan selanjutnya untuk mengelompokkan data citra tersebut menggunakan algoritma K-Means. Citra yang dikelompokkan adalah kendaraan motor dan mobil dan pengelompokkan dibagi menjadi dua jenis citra. Tahapan awal adalah menentukan centroid yang diambil dari dua data nilai citra yang terdapat dalam basis data secara acak. Tahapan akhir adalah menghitung jarak antar nilai menggunakan jarak Euclidean untuk mencari perpindahan kelompok. Jika tidak ada perpindahan data maka kelompok dianggap stabil dan proses pengelompokkan selesai. Uji-coba aplikasi ini menggunakan 12 data citra (enam data citra mobil dan enam data citra motor) dengan latar belakang berwarna putih. Citra ini diambil berukuran 150 x 100 piksel. Dengan adanya aplikasi ini dapat mempermudah pengguna dalam mengelompokkan data citra kendaraan.]]>
<![CDATA[APLIKASI PEREKRUTAN KARYAWAN MENGGUNAKAN METODE TOPSIS BERBASISKAN WEB PADA PT. SMESCO INDONESIA ]]>
<![CDATA[Muhammad Andri Imawan]]>;
<![CDATA[Margi Cahyanti]]>;
<![CDATA[Moch Wisuda Sardjono]]>;
<![CDATA[Ericks Rachmat Swedia]]>
<![CDATA[ Sebatik Vol 23 No 2 (2019): Desember 2019 ]]>
Publisher : <![CDATA[STMIK Widya Cipta Dharma ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (381.958 KB)
<![CDATA[SMESCO Indonesia merupakan sebuah perusahaan yang bergerak dalam bidang usaha retail. Perusahaan ini membutuhkan sistem pengambilan keputusan dalam penerimaan calon karyawan kontrak setiap tahun di bidang IT Support karena selama ini mengalai kesulitan dalam memproses perhitungan penerimaan calon karyawan. Sebelumnya proses penilaian calon karyawan pada SMESCO Indonesia dilakukan dengan cara semi komputerisasi dengan kriteria nilai tertinggi yang terpilih, belum menggunakan metode perangkingan bobot pada setiap kriteria penilaian, dan proses perhitungan masih dilakukan menggunakan microsoft excel, sehingga proses administrasi berkas tidak terpusat, dikerjakan oleh pengguna yang berbeda di komputernya masing-masing yang dapat mengakibatkan data hilang dan menjadi sulit ditemukan karena tersebar di beberapa komputer. Penelitian ini bertujuan untuk mengimplementasikan program aplikasi Decision Support Systems (DSS) berbasis web yang dapat membantu Human Resources Departement (HRD) SMESCO Indonesia dalam proses penilaian terhadap calon karyawan dengan cepat dan akurat. Terdapat beberapa metode yang dapat digunakan untuk pengambilan keputusan dalam penentuan perekrutan karyawan, salah satunya adalah menggunakan metode TOPSIS (Techinique for Order Preference by Similarity to Ideal Solution). Metode ini digunakan dalam perhitungan perekrutan karyawan karena metode ini memiliki hasil penilaian yang objektif, konsepnya yang mudah dipahami dan memiliki waktu komputasi yang efisien. Aplikasi Decision Support Systems (DSS) dengan metode TOPSIS yang diimplementasikan ini berisi data karyawan, kriteria data penilaian, kriteria data alternatif dan kriteria pembobotan data.]]>
<![CDATA[KLASIFIKASI PENYAKIT TANAMAN APEL DARI CITRA DAUN DENGAN CONVOLUTIONAL NEURAL NETWORK ]]>
<![CDATA[Andi Asrafil Ardan Paliwang]]>;
<![CDATA[M Ridwan Dwi Septian]]>;
<![CDATA[Margi Cahyanti]]>;
<![CDATA[Ericks Rachmat Swedia]]>
<![CDATA[ Sebatik Vol 24 No 2 (2020): Desember 2020 ]]>
Publisher : <![CDATA[STMIK Widya Cipta Dharma ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Tanaman Apel merupakan buah tahunan yang berasal dari daerah Asia Barat dengan iklim sub tropis. Di Indonesia tanaman Apel ditanam sejak tahun 1934 hingga saat ini. Tanaman Apel dapat tumbuh dan berbuah baik di daerah dataran tinggi. Para petani biasanya melakukan pencegahan penyakit atau hama dengan melakukan penyemprotan setiap 1 – 2 minggu sekali dengan dosis ringan. Pencegahan ini agar penyakit/hama dapat segera ditanggulangi dan baik jika dilakukan pada pagi atau sore hari. Terkadang petani juga membutuhkan seorang pakar dalam menentukan jenis hama/penyakit pada tanaman Apel agar dapet memberikan solusi terbaik. Oleh karena itu diperlukan adanya pendekatan digital agar dapat mengenali beragam jenis hama/penyakit tanaman Apel dengan cepat dan mudah. Teknologi Deep learning, merupakan salah satu bidang ilmu baru dalam Machine Learning dan berkembang dengan depat. Deep learning memiliki kemampuan yang baik dalam Computer Vision, salah satunya yaitu image classification atau klasifikasi objek pada citra. Metode yang dapat digunakan dalam melakukan klasifikasi citra ini yaitu Convolutional Neural Network (CNN). Berdasarkan hasil uji coba, aplikasi berhasil diimplementasikan dengan baik menggunakan framework dart berbasis android dengan hasil final test accuracy yang diperoleh yaitu didapat keakuratan akurasi sebesar 97,1%.]]>
<![CDATA[PEMANFAATAN INTERNET OF THINGS DALAM RANCANG BANGUN SISTEM INFORMASI PENGAWASAN BUS PADA TERMINAL BUS BERBASIS ARDUINO UNO DAN NODE MCU ]]>
<![CDATA[Farhan Adiandoro]]>;
<![CDATA[Ericks Rachmat Swedia]]>;
<![CDATA[Maulana Mujahidin]]>;
<![CDATA[Margi Cahyanti]]>
<![CDATA[ Sebatik Vol 24 No 2 (2020): Desember 2020 ]]>
Publisher : <![CDATA[STMIK Widya Cipta Dharma ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Keberadaan bus di dalam terminal bus sendiri terkadang membuat penumpang kesulitan mencari informasi yang pasti. Seperti contohnya pada saat penumpang masih di perjalanan menuju terminal bus, penumpang tidak mengetahui apakah bus yang ingin dinaiki sudah datang atau belum. Atau pada saat penumpang menunggu di terminal bus terkadang penumpang tidak tau apakah bus yang penumpang ingin naiki sudah datang atau belum. Dengan semakin berkembangnya teknologi dan meningkatnya penumpang bus, maka diperlukan suatu sistem informasi untuk menunjukkan keberadaan bus yang ada di suatu terminal bus. Alat ini menggunakan mikrokontrolermikrokontroler Arduino Uno sebagai komponen pengendali dan NodeMCU dan memakai beberapa komponen yang digunakan adalah RFID dan motor servo. Penelitian ini melakukan penampilan informasi ketersediaan bus dan data bus seperti rute tujuan, waktu dan keterangan pada website secara realtime, dan mengukur respons waktu untuk mengubah database pada website menggunakan ISP CBN Google Station dan provider 3 4G. Hasil rata-rata respons waktu yang diperoleh pada penelitian ini 2,0167 detik untuk CBN Google Station dan 2,083 detik untuk provider 3 4G. Penelitian ini telah berhasil memantau halte melalui sistem monitoring bus pada website secara real-time.]]>
<![CDATA[PERANCANGAN APLIKASI MOBILE UNTUK KLASIFIKASI SAYURAN MENGGUNAKAN DEEP LEARNING CONVOLUTIONAL NEURAL NETWORK ]]>
<![CDATA[Muhamad Jaelani Akbar]]>;
<![CDATA[Mochamad Wisuda Sardjono]]>;
<![CDATA[Margi Cahyanti]]>;
<![CDATA[Ericks Rachmat Swedia]]>
<![CDATA[ Sebatik Vol 24 No 2 (2020): Desember 2020 ]]>
Publisher : <![CDATA[STMIK Widya Cipta Dharma ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Sayuran merupakan sebutan bagi bahan pangan asal tumbuhan yang biasanya mengandung kadar air tinggi dan dikonsumsi dalam keadaan segar atau setelah diolah secara minimal. Keanekaragaman sayur yang terdapat di dunia menyebabkan keragaman pula dalam pengklasifikasian sayur. Oleh karena itu diperlukan adanya pendekatan digital agar dapat mengenali jenis sayuran dengan cepat dan mudah. Dalam penelitian ini jumlah jenis sayuran yang digunakan sebanyak 7 jenis diantara: brokoli, jagung, kacang panjang, pare, terung ungu, tomat dan kubis. Dataset yang digunakan berjumlah 941 gambar sayur dari 7 jenis sayur, ditambah 131 gambar sayur dari jenis yang tidak terdapat pada dataset, selain itu digunakan 291 gambar selain sayuran. Untuk melakukan klasifikasi jenis sayuran digunakan algoritme Convolutional Neural Network (CNN), yang merupakan salah satu bidang ilmu baru dalam Machine Learning dan berkembang dengan pesat. CNN merupakan salah satu algoritme yang terdapat pada metode Deep Learning dengan memiliki kemampuan yang baik dalam Computer Vision, salah satunya yaitu image classification atau klasifikasi objek citra. Uji coba dilakukan pada lima perangkat selular berbasiskan sistem operasi Android. Python digunakan sebagai bahasa pemrograman dalam merancang aplikasi mobile ini dengan menggunakan modul Tensor flow untuk melakukan training dan testing data. Metode yang dapat digunakan dalam melakukan klasifikasi citra ini yaitu Convolutional Neural Network (CNN). Hasil final test accuracy yang diperoleh yaitu didapat keakuratan mengenali jenis sayuran sebesar 98.1% dengan salah satu hasil pengujian yaitu klasifikasi sayur jagung dengan akurasi sebesar 99.98049%.]]>
<![CDATA[PENGKLASIFIKASIAN GENRE MUSIK INDONESIA MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK ]]>
<![CDATA[Carl Ray Wairata]]>;
<![CDATA[Ericks Rachmat Swedia]]>;
<![CDATA[Margi Cahyanti]]>
<![CDATA[ Sebatik Vol 25 No 1 (2021): Juni 2021 ]]>
Publisher : <![CDATA[STMIK Widya Cipta Dharma ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (656.348 KB)
|
DOI: 10.46984/sebatik.v25i1.1286
<![CDATA[Pada zaman sekarang sudah terdapat banyak sekali teknologi Artificial Intelligence. Artificial Intelligence sendiri memiliki beberapa sub bab, salah satunya adalah Machine Learning dan Deep Learning merupakan salah sub bab dari Machine Learning itu sendiri. Convolutional Neural network (CNN) adalah salah satu jenis neural network yang biasa digunakan pada data gambar. Pada penelitian ini akan digunakan untuk mengklasifikasikan genre musik dengan cara mengonversi data pada lagu menjadi sebuah gambar yang kita sebut spektogram. Pada penelitian akan mengimplementasikan CNN dalam mengategorikan 3 genre musik di Indonesia yakni; dangdut, Jazz dan Pop. Pada penelitian ini terdapat 100 lagu untuk masing-masing genre sebagai data setnya. Tujuan dari penelitian ini sendiri adalah mengoptimalkan tingkat akurasi dalam pengategorian genre musik menggunakan model CNN. Berdasarkan penelitian yang sudah dilakukan didapatkan bahwa penggunaan 35 epoch memiliki tingkat akurasi yang optimal yakni; tingkat akurasi tes sebesar 81,33% dan tingkat akurasi validasi sebesar 100%. Implementasi ini diharapkan dapat menentukan kategori dalam musik.]]>
<![CDATA[APLIKASI FACE MASK DETECTION MENGGUNAKAN NEURAL NETWORK MOBILENETV2 BERBASIS ANDROID ]]>
<![CDATA[Azizulhaq Dharmaputra]]>;
<![CDATA[Margi Cahyanti]]>;
<![CDATA[M Ridwan Dwi Septian]]>;
<![CDATA[Ericks Rachmat Swedia]]>
<![CDATA[ Sebatik Vol 25 No 2 (2021): Desember 2021 ]]>
Publisher : <![CDATA[STMIK Widya Cipta Dharma ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (397.664 KB)
|
DOI: 10.46984/sebatik.v25i2.1503
<![CDATA[Adanya pandemi Covid-19 memberikan dampak yang luar biasa kepada hampir seluruh masyarakat di dunia, tidak terkecuali di Indonesia di mana Kementerian Kesehatan serta pemerintah yang terkait menerbitkan protokol kesehatan guna meminimalisasikan paparan yang diakibatkan oleh virus Covid-19. Salah satu protokol kesehatan tersebut yaitu menganjurkan masyarakat untuk selalu menggunakan masker saat beraktivitas baik itu di dalam maupun di luar ruangan. Dalam konteks ini, semua masyarakat dapat memainkan perannya masing-masing dengan berkontribusi untuk memerangi virus ini. Hal ini merupakan kesempatan yang bagus untuk para peneliti dalam bidang teknologi informasi untuk memanfaatkan kemajuan teknologi dalam membantu memerangi penyebaran virus corona, seperti pembuatan aplikasi untuk mendeteksi penggunaan masker. Penelitian ini membuat sebuah aplikasi untuk mendeteksi apakah objek yang terdapat pada preview image menggunakan masker atau tidak menggunakan masker. Pengumpulan data training dilakukan dengan pengambilan data dari situs kaggle berjumlah 1000 data citra yang terdiri dari 500 data citra menggunakan masker dan 500 data citra tidak menggunakan masker. Hasil yang diperoleh berdasarkan uji coba yang dilakukan terhadap 60 orang yang tidak terdapat dalam data training. Arsitektur MobileNetV2 digunakan dalam penelitian ini dan diimplementasikan dalam bahasa pemrograman Kotlin yang dapat digunakan oleh semua smartphone berbasis android. Akurasi pendeteksian penggunaan masker dari 30 data uji coba yang didapatkan adalah sebesar 90%.]]>
