Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Jurnal Ilmu Komputer dan Teknik Informatika
Febi Nursalisah
UIN Sultan Syarif Kasim Riau
Computer Science & IT Engineering

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Evaluasi Efisiensi Pemanfaatan Struktur Data dalam Bahasa Pemrograman Python untuk Operasi Pencarian dan Penyimpanan Eka Pandu Cynthia; Inggih Permana; Febi Nursalisah; Aprijon
Jurnal Ilmu Komputer dan Teknik Informatika Vol. 1 No. 1 (2025): Januari 2025
Publisher : CV. Raskha Media Group

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.64803/juikti.v1i1.41

Abstract

Penelitian ini bertujuan untuk mengevaluasi efisiensi berbagai struktur data yang tersedia dalam bahasa pemrograman Python, khususnya dalam konteks operasi pencarian (searching) dan penyimpanan (storing). Struktur data seperti list, tuple, set, dan dictionary memiliki karakteristik dan kompleksitas waktu yang berbeda, sehingga pemilihan yang tepat sangat berpengaruh terhadap performa program, terutama pada skenario dengan data berukuran besar. Metodologi penelitian ini menggunakan pendekatan kuantitatif melalui serangkaian pengujian eksperimental terhadap masing-masing struktur data. Pengujian dilakukan dengan mengukur waktu eksekusi dan penggunaan memori dalam operasi pencarian dan penyimpanan terhadap sejumlah data dengan variasi ukuran dari kecil hingga sangat besar. Hasil pengujian menunjukkan bahwa dictionary memiliki performa terbaik dalam hal kecepatan pencarian dan penyimpanan karena memanfaatkan teknik hashing, sementara set juga menunjukkan efisiensi yang tinggi dalam pencarian tetapi lebih terbatas dalam hal penyimpanan data kompleks. Sebaliknya, list dan tuple menunjukkan efisiensi yang lebih rendah dalam pencarian karena memerlukan pencarian linear, meskipun penggunaan memori tuple lebih hemat dibanding list. Kesimpulan dari penelitian ini menekankan pentingnya pemahaman terhadap karakteristik struktur data dalam Python untuk mengoptimalkan efisiensi program, khususnya dalam sistem atau aplikasi yang mengandalkan pemrosesan data dalam jumlah besar. Implikasi dari studi ini dapat digunakan sebagai acuan bagi pengembang perangkat lunak dalam memilih struktur data yang paling sesuai berdasarkan kebutuhan spesifik dari aplikasi yang dikembangkan.
Pengaruh Parameter Learning Rate terhadap Konvergensi Model Neural Network dalam Proses Pelatihan Maulidania Mediawati Chinthia; Eka Pandu Cynthia; Muhammad Eka; Febi Nursalisah
Jurnal Ilmu Komputer dan Teknik Informatika Vol. 1 No. 1 (2025): Januari 2025
Publisher : CV. Raskha Media Group

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.64803/juikti.v1i1.45

Abstract

Dalam pengembangan model neural network, proses pelatihan memegang peranan kunci dalam menentukan kualitas generalisasi dan performa akhir model. Salah satu parameter paling krusial dalam proses pelatihan adalah learning rate, yang mengatur seberapa besar langkah pembaruan bobot dilakukan terhadap gradien fungsi kerugian. Penentuan nilai learning rate yang tepat sangat mempengaruhi kecepatan konvergensi serta stabilitas pembelajaran. Penelitian ini bertujuan untuk menganalisis secara teoritis dan eksperimental pengaruh variasi parameter learning rate terhadap konvergensi model neural network. Studi dilakukan dengan menggunakan dataset standar MNIST dan CIFAR-10 pada model multilayer perceptron (MLP) dan convolutional neural network (CNN). Parameter learning rate divariasikan dalam beberapa skenario, mulai dari sangat kecil (1e-5) hingga besar (1e-1), dan dievaluasi berdasarkan laju konvergensi, kestabilan loss, serta akurasi validasi. Hasil penelitian menunjukkan bahwa learning rate yang terlalu kecil menyebabkan proses pelatihan lambat dan berisiko terjebak dalam local minima, sementara learning rate yang terlalu besar menyebabkan fluktuasi signifikan bahkan divergensi. Ditemukan bahwa terdapat kisaran nilai learning rate optimal yang bersifat kontekstual terhadap arsitektur model dan karakteristik data. Selain itu, implementasi teknik penyesuaian dinamis seperti learning rate decay atau adaptive learning rate methods (misalnya Adam, RMSprop) secara signifikan membantu mempercepat konvergensi dan meningkatkan kestabilan pelatihan. Temuan ini menegaskan pentingnya pemilihan dan penyetelan learning rate yang tepat untuk menghindari permasalahan underfitting maupun overfitting, sekaligus memaksimalkan efisiensi pelatihan model neural network secara keseluruhan.
Co-Authors Aprijon Eka Pandu Cynthia Inggih Permana Maulidania Mediawati Chinthia Muhammad Eka