Garuda - Garba Rujukan Digital

Article Per Year (5 Year)

p-Index From 2019 - 2024

1.686

P-Index

This Author published in this journals

All Journal Seminar Nasional Aplikasi Teknologi Informasi (SNATI) Jurnal Ilmiah Teknologi dan Rekayasa Sebatik

Ericks Rachmat Swedia

Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Gunadarma

Author-ID : 739964

Automotive Engineering Computer Science & IT Electrical & Electronics Engineering Industrial & Manufacturing Engineering Materials Science & Nanotechnology

Published : 12 Documents Claim Missing Document

Claim Missing Document

Articles

Title

PENGELOMPOKKAN CITRA KENDARAAN (MOTOR DAN MOBIL) BERDASARKAN BENTUK MENGGUNAKAN ALGORITMA K-MEANS Margi Cahyanti; M Ridwan Dwi Septian; Ericks Rachmat Swedia; Ravi A Salim
Sebatik Vol 22 No 2 (2018): DESEMBER 2018
Publisher : STMIK Widya Cipta Dharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1148.692 KB)

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.

APLIKASI PEREKRUTAN KARYAWAN MENGGUNAKAN METODE TOPSIS BERBASISKAN WEB PADA PT. SMESCO INDONESIA Muhammad Andri Imawan; Margi Cahyanti; Moch Wisuda Sardjono; Ericks Rachmat Swedia
Sebatik Vol 23 No 2 (2019): Desember 2019
Publisher : STMIK Widya Cipta Dharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (381.958 KB)

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.

KLASIFIKASI PENYAKIT TANAMAN APEL DARI CITRA DAUN DENGAN CONVOLUTIONAL NEURAL NETWORK Andi Asrafil Ardan Paliwang; M Ridwan Dwi Septian; Margi Cahyanti; Ericks Rachmat Swedia
Sebatik Vol 24 No 2 (2020): Desember 2020
Publisher : STMIK Widya Cipta Dharma

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

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%.

PEMANFAATAN INTERNET OF THINGS DALAM RANCANG BANGUN SISTEM INFORMASI PENGAWASAN BUS PADA TERMINAL BUS BERBASIS ARDUINO UNO DAN NODE MCU Farhan Adiandoro; Ericks Rachmat Swedia; Maulana Mujahidin; Margi Cahyanti
Sebatik Vol 24 No 2 (2020): Desember 2020
Publisher : STMIK Widya Cipta Dharma

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

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.

PERANCANGAN APLIKASI MOBILE UNTUK KLASIFIKASI SAYURAN MENGGUNAKAN DEEP LEARNING CONVOLUTIONAL NEURAL NETWORK Muhamad Jaelani Akbar; Mochamad Wisuda Sardjono; Margi Cahyanti; Ericks Rachmat Swedia
Sebatik Vol 24 No 2 (2020): Desember 2020
Publisher : STMIK Widya Cipta Dharma

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

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%.

PENGKLASIFIKASIAN GENRE MUSIK INDONESIA MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK Carl Ray Wairata; Ericks Rachmat Swedia; Margi Cahyanti
Sebatik Vol 25 No 1 (2021): Juni 2021
Publisher : STMIK Widya Cipta Dharma

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.

APLIKASI FACE MASK DETECTION MENGGUNAKAN NEURAL NETWORK MOBILENETV2 BERBASIS ANDROID Azizulhaq Dharmaputra; Margi Cahyanti; M Ridwan Dwi Septian; Ericks Rachmat Swedia
Sebatik Vol 25 No 2 (2021): Desember 2021
Publisher : STMIK Widya Cipta Dharma

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%.

IMPLEMENTASI COLOR DETECTION MENGGUNAKAN ALGORITMA MIDPOINT BERBASIS SISTEM OPERASI ANDROID Dimas Lutfhi Amrullah; Ericks Rachmat Swedia; Margi Cahyanti; M Ridwan Dwi Septian
Sebatik Vol 26 No 1 (2022): Juni 2022
Publisher : STMIK Widya Cipta Dharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46984/sebatik.v26i1.1631

Pengolahan citra selalu berhubungan erat dengan warna, namun ada beberapa metode pada yang mempunyai banyak kekurangan seperti metode Hue Saturation Value (HSV) yang hanya dapat mengenali 6 warna saja dan beberapa model pengenalan citra lainnya seperti Hue Saturation Lightness (HSL), Hue Saturation Intensity (HSI), Hue Chroma Lightness (HCL), dan masih banyak metode pengolahan citra lainnya yang penggunaannya tidak secara real time. Tujuan penelitian ini adalah merancang sebuah aplikasi pengolahan citra untuk mendeteksi warna berdasarkan kode heksa, kode Red, Green, Blue (RGB), dan pencatatan waktu pendeteksian yang dilakukan, mengimplementasikan Algoritma Midpoint ke dalam aplikasi, dan melakukan proses pengenalan citra tersebut secara real time. Algoritma Midpoint merupakan algoritma untuk mendapatkan titik tengah dari layar pada saat mengambil gambar objek menggunakan kamera smartphone. Titik tengah diperoleh dengan mendapatkan parameter yaitu koordinat ½ tinggi untuk sumbu y, dan ½ lebar untuk sumbu x sehingga dapat diperoleh titik pusat dari tengah layar. Dalam penelitian ini peneliti menggunakan bahasa pemrograman Java dengan JavaScript Object Nation (JSON) sebagai alat penyimpanan data dari warna yang digunakan untuk melakukan proses pengenalan warna Red, Green, Blue (RGB). Penelitian ini juga menambahkan metode Waterfall yaitu perencanaan, analisis, perancangan, implementasi, dan pengujian. Pada saat pengujian, peneliti menggunakan 15 data citra untuk diproses dan diharapkan adanya aplikasi ini dapat mempermudah pengguna dalam mengenali berbagai macam citra pada area di sekitar.

IMPLEMENTASI SENTIMENT ANALYSIS PADA OPINI MASYARAKAT INDONESIA DI TWITTER TERHADAP VIRUS COVID-19 VARIAN OMICRON DENGAN ALGORITMA NAÏVE BAYES, DECISION TREE, DAN SUPPORT VECTOR MACHINE Azriyan Arham; Ericks Rachmat Swedia; Margi Cahyanti; M Ridwan Dwi Septian
Sebatik Vol 26 No 2 (2022): Desember 2022
Publisher : STMIK Widya Cipta Dharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46984/sebatik.v26i2.1961

Covid-19 merupakan suatu penyakit pneumonia yang menjadi penyebab pandemi tahun 2020. Selama berlangsungnya pandemi, Covid-19 terus mengalami mutasi genetik yang menghasilkan varian-varian baru dengan fenotip, pola transmisi, dan virulensi yang beragam. WHO sendiri mengelompokkan varian Covid-19 menjadi 3 varian, yaitu Variant of Interest (VoI), Variants under Monitoring (VUM), dan Variants of Concern (VoC) (Susilo et al., 2022). Omicron merupakan muatsi Covid-19 yang termasuk ke dalam dan diperkirakan memiliki daya transmisi lebih cepat daripada varian Delta sehingga diindikasi lebih cepat menyebar (Susilo dkk., 2022). Untuk itu dilakukan penelitian tentang analisis sentimen pengguna Twitter di Indonesia terhadap Covid-19 varian Omicron. Penelitian menerapkan tiga algoritma klasifikasi, di antaranya adalah algoritma Naïve Bayes, algoritma Support Vector Machine, dan algoritma Decision Tree. Penelitian dilakukan dengan menggunakan Python sebagai bahasa pemrograman dan Google Colaboratory sebagai tools. Penelitian ini menggunakan data Tweet sebanyak 3,931 data yang diambil dari tanggal 28 April 2022 hingga 4 Juni 2022. Tahapan pada penelitian ini terdiri dari penarikan data, data preprocessing, pelabelan sentimen, klasifikasi, pengujian model, visualisasi data, serta implementasi algoritma ke dalam platform website. Analisis yang dilakukan, algoritma akurasi tertinggi adalah algoritma Support Vector Machine dengan nilai akurasi sebesar 81,68%, kemudian algoritma Naïve Bayes menghasilkan nilai akurasi sebesar 74,25%, dan algoritma Decision Tree menghasilkan nilai akurasi sebesar 72,77%. Pada ketiga algoritma menggunakan data uji sebanyak 202 data. Sementara itu berdasarkan analisis yang dilakukan, didapatkan sentimen netral dengan sentimen tertinggi sebesar 63,7%, lalu sentimen negatif sebesar 21,1%, dan sentimen positif sebesar 15,2%.

Co-Authors Andi Asrafil Ardan Paliwang Azizulhaq Dharmaputra Azriyan Arham Bakhtar, Mutiara Risvita Cahyanti, Margi Carl Ray Wairata Dimas Lutfhi Amrullah Ernastuti Ernastuti Farhan Adiandoro Fitriani, Risma Rahmalia M Ridwan Dwi Septian Margi Cahyanti Margi Cahyanti Moch Wisuda Sardjono Mochamad Wisuda Sardjono Muhamad Jaelani Akbar Muhammad Andri Imawan Mujahidin, Maulana Ravi A Salim

Title Search

Found 9 Documents Search Journal : Sebatik

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 9 Documents
Search
Journal : Sebatik