cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
-
Contact Email
-
Phone
-
Journal Mail Official
-
Editorial Address
-
Location
Kota semarang,
Jawa tengah
INDONESIA
TRANSISTOR Elektro dan Informatika
Published by Universitas Islam Sultan Agung
ISSN : 1411366X     EISSN : -     DOI : -
Core Subject : Science, Engineering,
Computer Science & IT Electrical & Electronics Engineering
TRANSISTOR EI (Jurnal Elektro dan Informatika) adalah publikasi ilmiah yang menerbitkan artikel bidang teknik elektro yang mencakup ketenagaan, elektronika, instrumentasi, telekomunikasi, kendali; serta bidang teknik informatika yang mencakup sistem informasi, software engineering, computer network, robotika, kecerdasan buatan, dan data mining. Jurnal ini adalah kelanjutan dari Jurnal Transistor yang terakreditasi DIKTI tahun 2004 s.d. 2007 (SK No. 39/Dikti/Kep/2004). Jurnal ini berubah nama menjadi Jurnal TRANSISTOR Teknik Elektro dan Teknik Informatika (TRANSISTOR-TETI) untuk menegaskan fokus bidang ilmu dari artikel yang diterbitkan yaitu bidang teknik elektro dan teknik informatika. Kedua bidang tersebut sangat dekat dan banyak beririsan dan saling bersinergi sehingga dijadikan tema dalam jurnal ini.
Arjuna Subject : -
Articles 94 Documents
 6   7   8   9   10 
Deteksi Kanker Kulit Melanoma Berbasis Android Menggunakan Convolutional Neural Network Arsitektur MobileNET v2 Muhammad Faris Fahru Rozi; Sri Mulyono; G Ghufron
TRANSISTOR Elektro dan Informatika Vol 5, No 2 (2023)
Publisher : Universitas Islam Sultan Agung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30659/ei.5.2.89-94

Abstract

Melanoma adalah jenis kanker kulit yang paling ganas dan berpotensi menyebabkan kematian jika tidak segera terdeteksi dan ditangani sejak dini. Oleh karena itu, pengembangan sistem untuk mendeteksi kanker kulit melanoma sangat penting dalam upaya deteksi dini penyakit tersebut. Pengembangan sistem deteksi penyakit kanker kulit melanoma menggunakan arsitektur MobileNetV2 Convolutional Neural Network yang direpresentasikan pada sistem berbasis android. Arsitektur MobileNetV2 dipilih karena kemampuannya untuk mencapai akurasi tinggi dalam klasifikasi citra dengan ukuran model yang relatif kecil. Untuk mendapatkan performa model terbaik, dilakukan beberapa percobaan konfigurasi yang berbeda. Beberapa konfigurasi yang dieksplorasi meliputi penggunaan optimizer SGD, Adadelta, dan RMSprop, serta variasi jumlah epoch dalam setiap konfigurasi. Berdasarkan evaluasi model menggunakan confusion matrix, Performa model terbaik didapat pada konfigurasi 3 dengan jumlah epoch 20 dan menggunakan optimizer SGD dengan nilai accuracy sebesar 0.9309, precision sebesar 0.9805, recall sebesar 0.8792, dan f1-score sebesar 0.9270. Pengujian aplikasi menggunakan metode black box dengan menggunakan data pengujian dari dataset mendapatkan akurasi tertinggi mencapai 100% baik melanoma maupun non-melanoma. Keyword: Kanker Kulit Melanoma, MobileNetV2, Convolutional Neural Network, Confusion Matrix, Black Box Testing.
Identifikasi Kematangan Buah Jeruk Medan Menggunakan K-Nearest Neighbor berbasis Metrik RGB Allief Suryatama Jaya Putra; Imam Much Ibnu Subroto; Bagus Satrio Waluyo Poetro
TRANSISTOR Elektro dan Informatika Vol 5, No 3 (2023)
Publisher : Universitas Islam Sultan Agung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30659/ei.5.3.155-160

Abstract

Kemajuan pesat inovasi di bidang pengolahan citra semakin membuat aplikasi dan eksplorasi strategi penanganan gambar dibuat. Pengolahan citra mempunyai peranan penting di berbagai bidang. Aplikasi pengolahan citra berkaitan dengan pemrosesan citra berkaitan dengan transformasi warna. Dalam hal ini, metode transformasi ruang warna RGB sebagai bagian dari pengolahan citra membantu dalam mendeteksi warna dalam citra dan mengolahnya. Ruang warna merupakan model matematis yang menjelaskan mengenai warna yang direpresentasikan ke dalam model angka. Dalam penelitian ini, berdasarkan dari hasil pengujian menggunakan citra buah Jeruk Medan untuk mendeteksi jenis kematangannya dengan melakukan transformasi ruang warna RGB lalu mencari nilai rata-rata dari setiap warna dasar yaitu merah, hijau, dan biru kemudian memberikan metode KNN algoritma yang sering digunakan dalam pembelajaran mesin. Algoritma ini digunakan untuk memprediksi kelas suatu objek berdasarkan data pembelajaran yang ada. Algoritma ini bekerja dengan cara mencari objek yang paling mirip dengan objek yang ingin diprediksi kelasnya, lalu menggunakan kelas dari objek-objek tersebut untuk memprediksi kelas dari objek yang ingin diprediksi yang dilakukan dengan menggunakan data sampel sebanyak 180 data buah yang terdiri dari 60 citra buah Jeruk Medan disetiap jenis kematangannya, 60 sampel uji buah Jeruk Medan matang, 20 sampel buah Jeruk Medan setengah matang dan 60 sampel buah Jeruk Medan mentah. Pada penelitian ini mendapatkan nilai hasil dari klasifikasi dari k = 9 juga memiliki presentasi yang tinggi yaitu 87%
Klasifikasi Bidang Ilmu Pada Publikasi Terindeks GARUDA Kemdikbud Menggunakan Metode K-Nearest Neighbor (KNN) Farikhatus Saadah; Imam Much Ibnu Subroto; Andi Riansyah
TRANSISTOR Elektro dan Informatika Vol 5, No 2 (2023)
Publisher : Universitas Islam Sultan Agung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30659/ei.5.2.95-101

Abstract

GARUDA merupakan salah satu portal yang memuat referensi ilmiah nasional Indonesia dan memberikan akses terhadap karya ilmiah yang dihasilkan oleh akademisi dan peneliti Indonesia. Klasifikasi merupakan proses penemuan model (fungsi) yang menggambarkan dan membedakan kelas data. Sebelumnya belum ada penelitian yang menggunakan 5 bidang ilmu utama yaitu arts & Humanities, Engineering & Technology, Life Scienses & Madicine, Natural Scienses, Social Sciences & Management, untuk mengklasifikasikan judul artikel pada aplikasi terindeks Garuda. Dalam penelitian ini akan mengklasifikasikan judul artikel yang ada pada aplikasi terindeks Garuda kedalam 5 bidang ilmu yang akan menggunakan metode algortima K-Nearest Neighbor (K-NN), dan akan dilakukan dengan cara mengumpulkan data pada aplikasi terindeks Garuda, lalu dilakukan tahap prepocessing agar data memiliki kualitas yang baik. Setelah itu mencari data dengan jarak terdekat dengan tetangga terdekat pada data latih dengan data yang akan diuji, lalu evaluasi yang akan digunakan adalah accuracy, precision, recall, dan F-score. Hasil yang diharapkan dari penelitian ini adalah metode algorima K-Nearest Neighbor (K-NN) dapat menghasilkan tingkat akurasi yang tinggi dalam mengklasifikasikan judul artikel pada aplikasi terindeks Garuda, kedalam 5 bidang ilmu utama yaitu arts & Humanities, Engineering & Technology, Life Scienses & Madicine, Natural Scienses, Social Sciences & Management secara cepat dan otomatis. Hasil dari penelitian ini mendapatkan nilai akurasi tertinggi 0,499 atau 49,9% dengan menggunakan parameter nilai K = 285.
Deteksi Similarity Tugas Akhir Mahasiswa Menggunakan Cosine Similarity Yustian Dikma Eka Putra; Imam Much Ibnu Subroto; Sam Farisa Chaerul Haviana
TRANSISTOR Elektro dan Informatika Vol 5, No 3 (2023)
Publisher : Universitas Islam Sultan Agung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30659/ei.5.3.122-130

Abstract

Tugas akhir (TA) atau tesis merupakan sebuah mahakarya tertulis berupa rangkaian tulisan ilmiah yang mempresentasikan hasil dari sebuah penelitian guna membahas suatu masalah di dalam suatu bidang keilmuan tertentu dengan menggunakan kaidah-kaidah penulisan yang berlaku di suatu bidang ilmu pengetahuan tertentu. Sementara dalam pembuatan tugas akhir sendiri sering ditemui tindak plagiarisme, tindakan ini sendiri bertujuan untuk mencuri hasil pikiran orang lain. Metode cosine similiarity  digunakan untuk menghitung similiarity atau kemiripan dokumen dari tugas akhir dengan tujuan untuk menghitung seberapa besar tingkat similiarity-nya sehingga nantinya dapat digunakan sebagai salah satu cara mengidentifikasi apakah dokumen tersebut plagiat atau tidak. Pada perhitungan metode cosine jika semakin mendekati angka 1 maka dokumen tersebut bisa dianggap plagiat dan sebaliknya jika mendekati angka 0 maka similiarity atau kesamaan dokumen tersebut rendah.

Page 10 of 10 | Total Record : 94

 6   7   8   9   10 

Filter by Year

2016 2023


Reset
Filter By Issues
All Issue Vol 5, No 3 (2023) Vol 5, No 2 (2023) Vol 5, No 1 (2023) Vol 4, No 3 (2022) Vol 4, No 2 (2022) Vol 4, No 1 (2022) Vol 3, No 3: 2018 Vol 3, No 2: 2018 Vol 3, No 1: 2018 Vol 2, No 2: 2017 Vol 2, No 1: 2017 Vol 1, No 1: 2016 More Issue