Article Per Year (5 Year)
p-Index From 2021 - 2026
0.751
P-Index
This Author published in this journals
All Journal Jurnal Edukasi dan Penelitian Informatika (JEPIN) Sinkron : Jurnal dan Penelitian Teknik Informatika Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Journal of Technopreneurship and Information System (JTIS) Jurnal Teknologi Informasi Cyberku Advances in Computer System Innovation Journal (ACSI Journal)
Azminuddin I. S. Azis
Unknown Affiliation
Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Engineering Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Library & Information Science

Published : 9 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : Advances in Computer System Innovation Journal (ACSI Journal)

 1 
PENERAPAN GREY WOLF OPTIMIZER DALAM PELATIHAN MULTI LAYER PERCEPTRON UNTUK MENANGANI MASALAH KLASIFIKASI DAN REGRESI Azis, Azminuddin I. S.; Santoso, , Budy; Jeffry, Jeffry
Advances in Computer System Innovation Journal Vol. 2 No. 3: Desember 2024, ACSI Journal
Publisher : Unit Publikasi Ilmiah Perkumpulan Intelektual Madani Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51577/acsijournal.v2i3.653

Abstract

Algoritma Grey Wolf Optimizer (GWO) merupakan salah satu metode metaheuristik terkini yang telah terbukti mampu menunjukkan kinerja yang handal dalam memecahkan berbagai masalah optimasi, terutama dalam mengoptimalkan parameter pada algoritma-algoritma Machine Learning. Salah satu algoritma Machine Learning yang populer adalah Multi Layer Perceptron (MLP), merupakan salah satu varian dari Artificial Neural Network (ANN) yang memiliki parameter weight dan bias yang sensitif terhadap kinerja modelnya. Oleh karenanya, GWO diterapkan untuk mengoptimalkan inisialisasi awal weight dan bias dalam pelatihan MLP untuk meningkatkan kinerja modelnya. Hasil eksperimen ini menunjukan bahwa optimalisasi GWO mampu meningkatkan kinerja MLP, baik pada klasifikasi Iris yang akurasinya meningkat sebesar 33.33% dan pada regresi Silica dengan RMSE yang menurun sebesar 0.1488.
Model Convolutional Neural Network yang Efektif dan Efisien untuk Segmentasi Semantik Awan Cumulonimbus Azminuddin I. S. Azis; jeffry, jeffry; Firman Aziz; Andi Taufiqurrahman Akbar
Advances in Computer System Innovation Journal Vol. 3 No. 1: April 2025, ACSI Journal
Publisher : Unit Publikasi Ilmiah Perkumpulan Intelektual Madani Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51577/acsijournal.v3i1.807

Abstract

Awan Cumulonimbus (CB) merupakan jenis awan yang dapat mengakibatkan petir, badai, tornado, hujan lebat, turbulensi penerbangan, dan cuaca ekstrim lainnya. Oleh karenanya, prediksi/deteksi keberadaan awan CB yang akurat dan real time akan mendukung kelancaran dan keselamatan banyak aktivitas manusia. Citra infrared (IR) pada satelit Himawari-8 di Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) memiliki informasi mengenai pertumbuhan awan CB. Berbagai studi terkait telah membuktikan bahwa metode yang paling populer dan handal dalam bidang computer vision pada objek awan adalah Convolutional Neural Network (CNN). Untuk menemukan/memperoleh model CNN yang paling efektif dan efisien dalam menangani segmentasi semantik awan CB pada citra IR Himawari-8, maka berbagai pendekatan untuk CNN diuji coba, diantaranya arsitektur jaringan untuk CNN, optimalisasi pelatihan CNN berbasis Gradient Discent Optimizer (GDO), Weighted Class (WC) untuk mereduksi masalah imbalanced class, dan Data Augmentation (DA) untuk memperkaya keragaman data dan mencegah overfitting. Hasil studi menunjukkan bahwa model CNN yang paling efektif adalah dengan arsitektur jaringan U-NET, GDO menggunakan Adaptive Moment Estimation (Adam), dan WC dengan 99,56% global akurasi pengujian, 97,12% rata-rata akurasi pengujian, 94,42% rata-rata IoU, 94,48% akurasi prediksi pada class CB, 99,60% akurasi validasi, 99,61% akurasi pelatihan, 0,1071 loss validasi, dan 0.1072 loss pelatihan. Sedangkan model CNN yang paling efisien adalah dengan arsitektur jaringan Dilated, GDO menggunakan Root Mean Square Propagation (RMSProp), dan WC dengan 24 detik waktu proses/pemodelan, lebih cepat 20 detik namun dengan efektivitas yang tidak jauh berbeda daripada model CNN yang paling efektif.
Co-Authors Andi Bode Andi Taufiqurrahman Akbar Apriyanto Alhamad Budy Santoso Firman Aziz Fitriah Heribertus Himawan Irma Surya Kumala Idris Jeffry Jeffry Kandakon, Elisabeth Tri Juliana Muhajir Yunus Santoso, , Budy Serwin Sunarto Taliki Vincent Suhartono Yasin Aril Mustofa