Garuda - Garba Rujukan Digital

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

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

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

Multilayer Perceptrons Dalam Memprediksi Kemenangan Pertandingan Sepak Bola UEFA EURO 2016 Ranggana, Alfaza; 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

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

Usage of Unsupported Technologies in Websites Worldwide Pascal Alfadian Nugroho; Raymond Chandra Putra; Rajasa Cikal Maulana; Vinson Tandra
Jurnal Ilmiah Teknik Elektro Komputer dan Informatika Vol. 10 No. 2 (2024): June
Publisher : Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26555/jiteki.v10i2.28692

Websites using unsupported 3rd party technologies (libraries, frameworks, plugins, etc) are generally not recommended, especially due to security issues that are left unfixed. However, upgrading to supported technologies is also challenging, hence not all web maintainers upgrade their technology dependencies. Measuring the existence of unsupported technologies in the wild may contribute to the sense of urgency in keeping technologies updated. Our research proposed a method to measure the existence of unsupported technologies in international websites, using HTTP Archive as the data source. The contribution from our research is the method as well as the snapshot result from January 2023 data. The method is composed of four steps, namely: identify the list of websites, identify technologies used, group by technology names and retrieve currently supported versions, and compare versions between usage and supported versions. From the January 2023 data, we found several interesting results. One is that the higher the website rank is, the higher the number of supported technologies used. Another finding was that worldwide websites also generally use more supported versions of technologies, compared to Indonesian websites. Further research may be performed for longitudinal analysis of technology support evolution.

Title

Found 4 Documents
Search

Abstract

Abstract

Abstract

Abstract

Title Search

Found 4 Documents Search

Abstract

Abstract

Abstract

Abstract

Title

Found 4 Documents
Search