Article Per Year (5 Year)
p-Index From 2020 - 2025
0.61
P-Index
This Author published in this journals
All Journal Teknika Digital Transformation Technology (Digitech)
Raymond Chandra Putra
Program Studi Teknik Informatika, Universitas Katolik Parahyangan, Bandung, Jawa Barat
Computer Science & IT Electrical & Electronics Engineering Engineering Library & Information Science

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

Found 2 Documents
Search

 1 
Pembangunan Perangkat Pendeteksi Jenis Gerakan Raket Bulu Tangkis Dengan Algoritma KNN dan SVM Raymond Chandra Putra
Teknika Vol 9 No 2 (2020): November 2020
Publisher : Center for Research and Community Service, Institut Informatika Indonesia (IKADO) Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34148/teknika.v9i2.291

Abstract

Internet of Things (IoT) dapat diaplikasikan untuk banyak bidang, salah satunya pada latihan olahraga bulu tangkis. Pada olahraga bulu tangkis, terutama bagi pemain pemula mengalami kesulitan untuk mengetahui apakah gerakan yang dilakukan sudah benar atau belum. Pada penelitian ini, dibangun sebuah embedded system yang dipasang pada raket yang berfungsi mengambil data gerakan pukulan. Data pukulan ini dikirim ke sebuah perangkat lunak yang dapat mendeteksi jenis gerakan raket bulu tangkis. Embedded system terdiri dari Arduino dan sensor accelerometer dan gyroscope. Data pukulan disimpan ke dalam basis data melalui web service. Perangkat lunak dibangun dengan memanfaatkan prinsip pembelajaran mesin terarah yaitu klasifikasi. Algoritma klasifikasi yang digunakan adalah algoritma k-Nearest Neighbor dan membandingkan hasilnya dengan algoritma lain yaitu Support Vector Machine. Pengujian dilakukan dengan mengumpulkan data latih yang digunakan oleh algoritma klasifikasi untuk memprediksi gerakan. Kinerja dari kedua algoritma klasifikasi diukur dan dibandingkan. Dari hasil pengujian, maka disimpulkan bahwa algoritma Support Vector Machine menghasilkan kinerja yang lebih baik dari k-Nearest Neighbor dalam mendeteksi gerakan raket. Selain itu kinerja algoritma Support Vector Machine yang lebih baik tersebut dihasilkan dengan data latih yang lebih sedikit dibandingkan k-Nearest Neighbor.
Multilayer Perceptrons Dalam Memprediksi Kemenangan Pertandingan Sepak Bola UEFA EURO 2016 Alfaza Ranggana; Raymond Chandra Putra; Wahyudin
Digital Transformation Technology Vol. 3 No. 2 (2023): Artikel Periode September 2023
Publisher : Information Technology and Science(ITScience)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/digitech.v3i2.3123

Abstract

Sepak bola merupakan olahraga yang paling populer di dunia, tentunya, para penggemar menginginkan tim idola mereka untuk menang, namun seringkali prediksi mereka tidak didasari oleh data yang akurat. Maka dari itu, penelitian ini berguna dalam memprediksi kemenangan sepak bola terutama pada UEFA EURO 2016 dengan menggunakan data yang akurat, dan prediksi dilakukan menggunakan salah satu metode dalam Machine Learning, yaitu Jaringan saraf Tiruan. Pada Jaringan Saraf Tiruan, model yang digunakan adalah Multilayer Perceptrons (MLP) dengan pembelajaran menggunakan backpropagation, library Tensorflow.Keras digunakan dalam pembuatan model MLP. Data statistik tim pada pertandingan UEFA EURO 2016 dikumpulkan terlebih dahulu melalui situs resmi UEFA dan dilakukan eksplorasi terhadap data tersebut. Prediksi dapat dilakukan dengan Membuat model pertama kali dan dilakukan evaluasi menggunakan K-Fold Cross Validation dan menghasilkan akurasi sebesar 50-60%, setelah dilakukan optimasi terhadap learning rate, jumlah epoch, dan cara mengatasi overfitting, model baru berhasil dibuat. Model baru yang dibuat menghasilkan akurasi sebesar 90-95% setelah di evaluasi menggunakan K-Fold Cross Validation. Setelah mendapatkan model, prediksi dapat dilakukan menggunakan model tersebut dan setelah hasilnya keluar, akurasi prediksi didapat 75%. Model yang digunakan sehingga tercipta akurasi sebesar 75% itu dengan menggunakan model MLP 8-7-3, dimana terdapat delapan unit pada input layer, tujuh unit pada hidden layer, dan tiga unit pada output layer
Co-Authors Alfaza Ranggana Wahyudin