Article Per Year (5 Year)
p-Index From 2021 - 2026
4.71
P-Index
This Author published in this journals
All Journal International Journal of Electrical and Computer Engineering Jurnal Ilmu Komputer dan Informasi JURNAL TEKNOLOGI LINGKUNGAN Techno.Com: Jurnal Teknologi Informasi Jurnal Simetris Journal of Telematics and Informatics Jurnal Terapan Abdimas Jurnal Informatika IJCIT (Indonesian Journal on Computer and Information Technology) Jurnal Informatika Universitas Pamulang ABDIMAS SILIWANGI Petir TEKNOLOGIA Jurnal Migasian Akamigas Balongan Indramayu TERANG : Jurnal Pengabdian Pada Masyarakat Menerangi Negeri Jurnal Abdi Insani Jurnal AKAL: Abdimas dan Kearifan Lokal Jurnal Migasian
Susanty, Meredita
Universitas Pertamina
Agriculture, Biological Sciences & Forestry Arts Humanities Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Chemistry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Health Professions Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Mathematics Mechanical Engineering Public Health Social Sciences Transportation Other

Published : 58 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search
Journal : Petir

 1 
Prediksi Tekanan Pori Berdasarkan Data Logging Sumur Menggunakan Deep Neural Network Meredita Susanty
PETIR Vol 14 No 1 (2021): PETIR (Jurnal Pengkajian Dan Penerapan Teknik Informatika)
Publisher : Sekolah Tinggi Teknik - PLN

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33322/petir.v14i1.964

Abstract

Tekanan pori formasi merupakan data penting yang digunakan dalam mendesain parameter dalam operasi pengeboran. Kesalahan dalam menentukan tekanan pori formasi dapat menimbulkan permasalahan dalam pengeboran yang dapat menyebabkan bertambahnya biaya pengeboran hingga kehilangan nyawa pekerja. Tekanan pori bisa didapatkan melalui pengukuran langsung maupun menggunakan metode empiris. Pengukuran langsung tidak dilakukan di setiap kedalaman karena biayanya yang tinggi. Metode empiris memiliki keterbatasan dalam menentukan tekanan pori formasi dikarenakan metode ini memerlukan adanya keakuratan dalam analisis Normal Compaction Trendline dan batasan untuk digunakan pada formasi tertentu. Penelitian ini menggali potensi jaringan saraf tiruan untuk memprediksi tekanan pori berdasarkan data logging sumur. Dengan arsitektur jaringan saraf tiruan yang menggunakan tiga hidden layer, model dibangun dengan lima fungsi aktivasi dan metriks evaluasi Mean Absolute Error. Semua mampu memprediksi tekanan pori dengan baik yang ditunjukkan dengan nilai loss dibawah 0.5. Diantara kelima fungsi aktivasi, Exponential Linear Unit menghasilkan loss paling baik sebesar 0.07 dibanding model dengan fungsi aktivasi lainnya.
Perbandingan Pre-trained Word Embedding dan Embedding Layer untuk Named-Entity Recognition Bahasa Indonesia Meredita Susanty; Sahrul Sukardi
PETIR Vol 14 No 2 (2021): PETIR (Jurnal Pengkajian Dan Penerapan Teknik Informatika)
Publisher : Sekolah Tinggi Teknik - PLN

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33322/petir.v14i2.1164

Abstract

Named-Entity Recognition (NER) is used to extract information from text by identifying entities such as the name of the person, organization, location, time, and other entities. Recently, machine learning approaches, particularly deep-learning, are widely used to recognize patterns of entities in sentences. Embedding, a process to convert text data into a number or vector of numbers, translates high dimensional vectors into relatively low-dimensional space. Embeddings make it easier to do machine learning on large inputs like sparse vectors representing words. The embedding process can be performed using the supervised learning method, which requires a large number of labeled data sets or an unsupervised learning approach. This study compares the two embedding methods; trainable embedding layer (supervised learning) and pre-trained word embedding (unsupervised learning). The trainable embedding layer uses the embedding layer provided by the Keras library while pre-trained word embedding uses word2vec, GloVe, and fastText to build NER using the BiLSTM architecture. The results show that GloVe had better performance than other embedding techniques with a micro average f1 score of 76.48.
Model Penerjemah Bahasa Isyarat Indonesia (BISINDO) Menggunakan Pendekatan Transfer Learning Meredita Susanty; Riestiya Zain Fadillah; Ade Irawan
PETIR Vol 15 No 1 (2022): PETIR (Jurnal Pengkajian Dan Penerapan Teknik Informatika)
Publisher : Sekolah Tinggi Teknik - PLN

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33322/petir.v15i1.1289

Abstract

Sistem Bahasa Isyarat Indonesia (SIBI) yang berasal dari bahasa isyarat Amerika (American Sign Language) dan lebih banyak dipakai pada situasi formal tidak terlalu familiar bagi insan tuli atau difabel rungu di Indonesia karena mereka umumnya menggunakan Bahasa Isyarat Indonesia (Bisindo). Sejak 1975 perwakilan Tuli melalui organisasi kemasyarakatan Gerakan untuk Kesejahteraan Tunarungu Indonesia (Gerkatin) telah meminta pemerintah untuk mengakui Bisindo sebagai bahasa pengantar resmi di Sekolah Luar Biasa namun upaya ini hingga kini belum berhasil. Untuk membantu meningkatkan aksesibilitas Tuli dengan menambah jumlah penerjemah serta memperluas pemahaman Bisindo di masyarakat luas, penelitian ini berupaya membangun mesin penerjemah bahasa isyarat menggunakan teknik machine learning dengan algoritma Convolutional Neural Network (CNN). Karena bukan merupakan bahasa isyarat format, ketersediaan dataset Bisindo di Internet terbatas. Metode transfer learning, yaitu dengan memanfaatkan model yang dilatih dengan dataset ASL kemudian disesuaikan untuk melakukan pekerjaan yang sama pada menggunakan dataset Bisindo digunakan dalam penelitian ini untuk mengatasi masalah keterbatasan dataset. Karena perbedaan karakteristik bahasa isyarat dan gestur dari masing-masing bahasa isyarat, pemindahan knowledge khususnya learning parameter dari Model ASL tidak dapat meningkatkan performa Model Bisindo dalam memprediksi seluruh huruf pada alfabet Bisindo sehingga model hasil transfer learning hanya mampu memprediksi huruf-huruf Bisindo yang memiliki kemiripan dengan ASL.
Co-Authors Ade Irawan Ade Irawan Ade Irawan Adhytia Ihza Mahendra Adikara Perkasa B.Tjaru Aditya Dewata Putra Afriansyah Afriansyah Afriansyah Afriansyah Agung Muhammad Rizki Agung Wahyu Setiawan Ahmad Fauzan Rahman Ahmad Fauzan Rahman Akbar Barrinaya Akbar Nurcahyo Akhmal Rizkyanto Ari Pramuja Ari Pramuja Ariana Yunita Arie Ardiansyah Siswanto Aries Dwi Prasetiyo Ashari, Arya Aulia Rahma Annisa B.W, Hapsoro Birgitta Sekar Winda Bramantyo, Rakesh Cipta Aditya Rahman Cleoputra Goldi Abdichianto Darmawan, Muhammad Redho Dheny Dwi Prakoso Dheo Artha Dicky Rangga Buwono Dicky Rangga Buwono Dimitri Mahayana Dwiki Ambarwanto Putra Ebelaristra, Prinsislamsheeny Brilliantdianty Erwin Setiawan Erwin Setiawan Erwin Setiawan Erwin Setiawan, Erwin Fadillah, Riestiya Zain Fajar Faizin Fajar Faizin Farah Mardiana Farhan Akbar Febrian Mario Fermana, Randi Fernando Iskandar Fitri Karimah Florin Karmina Manalu Galang Amanda Dwi Pamungkas Hafiz, Abdullah Ahmad Hapsoro B.W Harya Dwi Nugraha Herminarto Nugroho Herminarto Nugroho Iffah Zahira Ikri Madrinovella Iktri Madrinovella Intan Oktafiani Ira Puspasari Karimah, Fitri Laras Ijmania Kusuma Ludovika Jannoke Madrinovella, Ikri Mahendra, Adhytia Ihza Marrosandy Bagus Saputra Megandi Megandi Megandi, Megandi Megandi, Megandi Mochamad Daffa Sangaji Muh Muhsan Maulana Muh Nur Yasin Muh. Nur Yasin Muhamad Koyimatu Muhamad Koyimatu Muhammad Alviazra Muhammad Ariq Rafly Muhammad Deta Aditya Muhammad Dzaky Normansyah Muhammad Fauzi Arda Saputra Muhammad Herdian Syah Muhammad Qubaisy Andiyantama Muhammad Rais Ridho Muhammad Redho Darmawan Muhammad Rizky Widyayulianto Muhammad Tuni Subayu Muharik Muharik Muhasabah, Alzahid Nilam Fitriah Nugroho, Herminarto Nurul Afifah Oktaviani, Intan P. B. Ebelaristra Pangestu, Muhamad Benando Prinsislamsheeny Brilliantdianty Ebelaristra Prinsislamsheeny Brilliantdianty Ebelaristra Putra, Adam Marsono Putra, Adam Marsono Rahman, Ahmad Fauzan Rahmat Septian Wijanarko Rahmat Septian Wijanarko RAKA SUDIRA WARDANA Randi Fermana Refal Pradama Dahlan Revyra Phoebe Fransiska Ricky Suwandy Riestiya Zain Fadillah Rizka Hutami RUKMAN HERTADI Sabila Hadinnisa Sahrul Sukardi Sahrul, Sahrul SAHRUL, SAHRUL Satria Dewo Shelvy Intan Soraya Silvia Takarina Soraya, Shelvy Intan Soraya, Shelvy Intan Tasmi Tasmi Tati Latifah Erawati Rajab Teguh Aryo Nugroho Tirta Rona Mayangsari Tiurmauli Rahel Ernita Vicky Sultan Ahmad Wahyu Kunto Wibowo Wardana, Raka Sudira Waskito Pranowo Weny Astuti Weny Astuti Weny Astuti Wijanarko, Rahmat Septian Yasa, Nugi Gahara Yasa, Nugi Gahara Zakaria, Hasballah