Article Per Year (5 Year)
p-Index From 2021 - 2026
1.633
P-Index
This Author published in this journals
All Journal REKAYASA JurTI (JURNAL TEKNOLOGI INFORMASI) Journal of Electrical Engineering and Computer (JEECOM) TRILOGI: Jurnal Ilmu Teknologi, Kesehatan, dan Humaniora COREAI: Jurnal Kecerdasan Buatan, Komputasi dan Teknologi Informasi
Maulidiansyah, Maulidiansyah
Unknown Affiliation
Agriculture, Biological Sciences & Forestry Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Energy Engineering Mechanical Engineering Physics Public Health Transportation Other

Published : 8 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : Journal of Electrical Engineering and Computer (JEECOM)

 1 
Implementasi AI Chatbot Sebagai Support Assistant Website Universitas Nurul Jadid Menggunakan Algoritma Long Short-Term Memory (LSTM) Rianto, M. Erfan; Maulidiansyah, Maulidiansyah; Tholib, Abu
Journal of Electrical Engineering and Computer (JEECOM) Vol 6, No 1 (2024)
Publisher : Universitas Nurul Jadid

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33650/jeecom.v6i1.8556

Abstract

Perkembangan teknologi semakin pesat, menciptakan perubahan besar dalam berbagai aspek kehidupan termasuk pada sektor pendidikan. Universitas Nurul Jadid merupakan lembaga pendidikan yang perlu mengadaptasi teknologi terkini untuk efisiensi dan pelayanan untuk menjawab peningkatan volome pertanyaan dan informasi yang dibutuhkan masyarakat/orangtua sebelum mendaftarkan putra-putrinya kuliah di Universitas Nurul Jadid. Chatbot merupakan bagian dari Natural Languange Processing (NLP) berbasis Artificial Intelegent (AI) yang berfungsi melakukan percakapan dengan pengguna melalui teks atau ucapan yang memberikan layanan cepat dan akurat sepanjang waktu. Long Short-Term Memory (LSTM) yaitu algoritma deep learning untuk memprediksi serta klasifikasi data teks. Data penelitian terdiri dari tag, pattern dan response yang diperoleh secara manual dari referensi website Universitas Nurul Jadid kemudian di preprocessing guna membuat model. Bagian utama pada model chatbot ini yaitu lapisan embedding yang memberikan nilai vektor untuk setiap kata dalam data teks yang telah dimasukkan. Hasil training model menghasilkan akurasi sebesar 99.32% dan loss sebesar 12.57% Ini menadakan model sudah bagus dan tidak terjadi overfitting atau underfitting sehingga model layak untuk dilakukan pengujian dan deployment. Hasil ini mendukung penggunaan chatbot LSTM sebagai asisten virtual untuk membantu masyarakat/calon mahasiswa/mahasiswa mengakses informasi.
Klasifikasi Jenis Jagung Berdasarkan Bentuk Biji Menggunakan Metode You Only Look Once (YOLO) Maulidiansyah, Maulidiansyah; Abdillah, Isnaini
Journal of Electrical Engineering and Computer (JEECOM) Vol 5, No 2 (2023)
Publisher : Universitas Nurul Jadid

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33650/jeecom.v5i2.6802

Abstract

Jagung merupakan salah satu jenis tumbuhan monokotil atau tumbuhan berbiji satu yang memiliki jenis bermacam-macam. Jenis jagung bisa diketahui dari bentuk bijinya. Mengklasifikasikan jenis jagung bisa dikatakan cukup sulit karena bentuk biji jagung sangatlah beragam. Tapi di zaman yang sudah maju ini klasifikasi jenis jagung bisa menggunakan Pengolahan Citra Digital. Dalam citra digital klasifikasi bentuk sebuah objek bisa menggunakan beragam metode. Tujuan dari penelitian ini menerapkan algoritma You Only Look Once (YOLO) untuk mengklasifikasi jenis jagung berdasarkan bentuk bijinya dan untuk mengetahui hasil pengujian melalui kamera secara real time. Metode yang digunakan adalah metode penelitian kuantitatif, penelitian yang pada dasarnya menggunakan pendekatan deduktif-induktif. Penelitian kuantitatif berangkat dari paradigma teoritik menuju data dan berakhir pada penerimaan atau penolakan terhadap teori yang digunakan. Adapun rancangan tahapan dalam melakukan penelitian; requirement, pre-processing, training dataset, validation dataset, testing dataset, pengujian dengan kamera secara real time. dalam penelitian ini menggunakan 300 data training, 35 data validation, dan 15 data testing. Hasil dari testing memperoleh tingkat akurasi sebesar 98% dan hasil dari pengujian dengan kamera secara real time ada 44 objek terdeteksi benar dari total 46 objek, kemudian ada 2 objek yang terdeteksi tidak sesuai
Co-Authors Abdillah, Isnaini Abu Tholib astutik, widya Febriyanti, Nur Laili Gunawan, Sahrul Khairin Naili Fadilah, Wilda Nurul Istiqomah Rianto, M. Erfan Shiddiq, Muhammad Khoironi Yaqin, Moh. Ainol Zainal Arifin