Article Per Year (5 Year)
p-Index From 2021 - 2026
2.555
P-Index
This Author published in this journals
All Journal J-SAKTI (Jurnal Sains Komputer dan Informatika) Jurnal Review Pendidikan dan Pengajaran (JRPP) Community Development Journal: Jurnal Pengabdian Masyarakat Journal of Applied Data Sciences J-SAKTI (Jurnal Sains Komputer dan Informatika) Jurnal Ilmu Komputer dan Informatika Scientechno: Journal of Science and Technology Jurnal Ilmu Komputer dan Teknik Informatika
Rahmawati, Lailia
Unknown Affiliation
Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Energy Engineering Health Professions Languange, Linguistic, Communication & Media Library & Information Science Public Health Social Sciences Other

Published : 11 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 11 Documents
Search

 1   2 
Pembandingan Arsitektur Transformer dan CNN untuk Pengolahan Data Non-Visual Rahmawati, Lailia; Atmojo, Wahyu Tisno; Cynthia, Eka Pandu; Cynthia, Maulidania Mediawati; Cynthia, Dessy Nia
Jurnal Ilmu Komputer dan Teknik Informatika Vol. 2 No. 1 (2026): Januari 2026
Publisher : CV. Raskha Media Group

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.64803/juikti.v2i1.80

Abstract

Perkembangan pesat kecerdasan buatan dan pembelajaran mendalam telah mendorong eksplorasi berbagai arsitektur jaringan saraf untuk pengolahan data non-visual, seperti data numerik, sekuensial, dan tekstual. Dua arsitektur yang paling banyak digunakan dan berkembang adalah Convolutional Neural Network (CNN) dan Transformer. Meskipun CNN telah lama digunakan secara luas karena efisiensinya dalam mengekstraksi fitur lokal, arsitektur Transformer dengan mekanisme self-attention menawarkan kemampuan unggul dalam menangkap hubungan global dan dependensi kompleks antar elemen data. Penelitian ini bertujuan untuk membandingkan kinerja dan efisiensi arsitektur CNN dan Transformer dalam pengolahan data non-visual melalui pendekatan eksperimental kuantitatif. Dataset non-visual digunakan dan melalui tahapan pra-pemrosesan sebelum dilakukan pelatihan dan pengujian model. Evaluasi performa dilakukan menggunakan metrik akurasi, precision, recall, dan F1-score, serta analisis efisiensi komputasi berdasarkan waktu pelatihan dan kompleksitas model. Hasil penelitian menunjukkan bahwa Transformer secara konsisten mencapai performa yang lebih tinggi dibandingkan CNN pada seluruh metrik evaluasi, khususnya dalam menangani pola kompleks dan hubungan jangka panjang pada data non-visual. Namun, CNN menunjukkan keunggulan dalam efisiensi komputasi dan kestabilan pelatihan dengan kebutuhan sumber daya yang lebih rendah. Temuan ini mengindikasikan bahwa tidak terdapat satu arsitektur yang sepenuhnya unggul dalam semua aspek, melainkan pemilihan model harus disesuaikan dengan karakteristik data dan kebutuhan aplikasi. Selain itu, penelitian ini menyoroti potensi pendekatan hibrida yang mengombinasikan CNN dan Transformer untuk meningkatkan performa dan generalisasi model. Penelitian ini diharapkan dapat menjadi referensi empiris bagi pengembangan sistem cerdas berbasis pembelajaran mendalam dalam pengolahan data non-visual.
Co-Authors Ambulani, Nur Atmojo, Wahyu Tisno Cynthia, Dessy Nia Cynthia, Maulidania Mediawati Efendi, Iqbhal Rizky Eka Pandu Cynthia Erviana, Irma Fachruzzaki, Fachruzzaki Febrian , Wenny Desty Febrian, Wenny Desty Gugus Azhari, Mohammad Gugus Azhari, Muhammad I Putu Dody Suarnatha Izzatul Umami Khairunnisa Khairunnisa Kusant, Jani Lengam, Rino Pamungkas, Kris Maulana Rauza Sukma Rita Reviandari Widyatiningtyas, Reviandari Rifki Arrosid, Muhammad Sri Mardiyati Suharni Suharni Sutriawan Winarti, W Yusuf Pratama, Yoga