Garuda - Garba Rujukan Digital

Kohonen Network Modeling for Asteroid Name Recognition Eza Budi Perkasa; Benny Wijaya; Jerry Jamhari
SISFOTENIKA Vol 10, No 2 (2020): SISFOTENIKA
Publisher : STMIK PONTIANAK

A small number of asteroids have already had their own permanent names. However, tracking the names of asteroids that have been used before is an impractical work because there are thousands of names that must be traced one by one. This research intends to minimize the search burden of many asteroid name data using the Kohonen network. By using the Kohonen network, it is sufficient to do training on the sample data provided which is far less than the actual data. The result of this training is then used to obtain the number of asteroid names that are successfully identified by the Kohonen network. The result can also be used to propose a new asteroid name so that thestatus of acceptance of the proposed name can be determined. Based on the results of the training on the sample data, the training result is getting better as the learning rate increases. However, when tested with real data, the overall result that is not satisfactory is obtained because the level of recognition is only 49.78%. From the test result, it is also found that there is no linear relationship between the level of learning rate and the number of names that were successfully identified. Further research that can be done are the inclusion of non-asteroid training data, changing Kohonen network parameters, or using other recognition methods.

Analisis Efisiensi Algoritma Alpha Beta Pruning dan MTD(f) pada Connect4 Lukas Tommy; Eza Budi Perkasa
Jurnal Sisfokom (Sistem Informasi dan Komputer) Vol 5, No 2 (2016): September
Publisher : ISB Atma Luhur

Komputer membutuhkan kecerdasan buatan/artificial intelligence agar dapat bermain selayaknya manusia pada Connect Four/Connect4. Terdapat beberapa algoritma yang dapat diterapkan pada Connect4, namun tidak diketahui mana yang cocok. Algoritma yang cocok berarti optimal dalam memilih langkah sekaligus waktu eksekusinya tidak lambat pada kedalaman pencarian/depth yang cukup dalam. Pada penelitian ini, akan dilakukan analisis dan perbandingan antara alpha beta (AB) Pruning dan MTD(f) pada prototipe Connect4, dalam hal keoptimalan (persentase kemenangan) dan kecepatan (waktu eksekusi dan jumlah simpul daun). Pengujian dilakukan dengan menjalankan mode komputer melawan komputer dengan kondisi berbeda. Persentase yang diraih MTD(f) berdasarkan pengujian adalah menang 41,67%, kalah 41,67% dan seri 16,66%. Pada pengujian dengan depth 8, waktu eksekusi MTD(f) 35,19% lebih cepat dan mengevaluasi simpul daun 66,2% lebih sedikit dibandingkan AB Pruning. Hasil dari penelitian ini adalah MTD(f) sama optimalnya dengan AB Pruning pada prototipe Connect4, namun MTD(f) secara rata-rata lebih cepat dan mengevaluasi simpul daun lebih sedikit dibandingkan AB Pruning. Waktu eksekusi MTD(f) tidak lambat dan jauh lebih cepat dibandingkan AB Pruning pada depth yang cukup dalam.

Komparasi Naive Bayess dengan Support Vector Machine dalam Analisis Sentimen Aplikasi MyPertamina Rendy Rian Chrisna Putra; Eza Budi Perkasa; Tri Sugihartono; Ahmad Pakih Alkayess; Irsad Dwi Sandro; Royhan Indallah
SATIN - Sains dan Teknologi Informasi Vol 9 No 2 (2023): SATIN - Sains dan Teknologi Informasi
Publisher : STMIK Amik Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33372/stn.v9i2.1042

PT Pertamina telah melakukan sosialisasi di berbagai media terkait pembelian BBM Subsidi yakni Pertalite dan Solar melalui situs MyPertamina. namun, masyarakat Indonesia masih memberian respons negatif terhadap kebijakan tersebut. Masyarakat banyak memberikan pendapat mereka masing-masing melalui media sosial, khususnya pada media sosial Twitter. Tujuan dari penelitian ini adalah membandingkan tingkat Akurasi klasifikasi dari metode Support Vector Machine dengan Naïve Bayes Classifier terhadap Sentimen Ulasan Twitter terkait kebijakan penggunaan aplikasi MyPertamina yang dibagi ke dalam tiga kelas yaitu, Negatif, Positif dan Netral. Dataset yang digunakan dalam penelitian ini menggunakan hasil crawling dari ulasan Twitter. Tool yang digunakan dalam penelitian in menggunakan Google Colab dengan menggunakan Bahasa pemrograman Phyton. Dataset yang digunakan sebanyak 1066 data berlabel positif, negatif, dan netral. Dengan pembagian data latih sebanyak 80% dan data uji sebanyak 20%. Penelitian ini menghasilkan bahwa metode klasifikasi Support Vector Machine (SVM) lebih unggul di bandingkan metode klasifikasi Naïve Bayes Classifier (NBC). Metode SVM menghasilkan accuracy sebesar 99.5% sedangkan Metode NBC menghasilkan accuracy sebesar 97.6%.

Sistem Informasi Pemesanan Catering Berbasis Web Mengggunakan Model FAST Syafrul Irawadi; Muhamad Ramadhan; Eza Budi Perkasa
Sistematis Vol. 1 No. 2 (2025): April 2025
Publisher : CV.RIZANIA MEDIA PRATAMA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69533/mdq67w80

CV. Almashyra Berkah Barokah Pangkalpinang merupakan salah satu penyedia jasa di bidang makanan dan minuman secara professional, bisnis catering yang dijalankan sebelumnya masih menggunakan sistem konvensional, kegiatan seperti pemesanan dan pemilihan menu serta paket masih menggunakan tatap muka atau via telepon dan whatsapp, manajemen juga masih menggunakan buku dan kertas untuk mencatat detail pesanan, daftar paket serta menu, laporan dan pendataan lainnya. Dengan adanya website sebagai sebuah platform untuk menyampaikan informasi, membuat pelanggan serta pemilik menjadi lebih mudah dan efisien dalam menjalankan bisnisnya. Pelanggan bisa membuat pesanan secara online dan pemilik dapat mengelola data yang telah terkomputerisasi dengan mudah. Dalam merancang sistem ini peneliti menggunakan salah satu model pengembangan sistem yaitu Framework for the Application of Systems Thinking (FAST) serta alat bantu pengembangan sistem Unified Modelling Language (UML). Dengan dibuatnya sistem informasi berbasis website ini, proses bisnis yang dijalankan perusahaan menjadi lebih tertata dengan baik, meningkatkan akurasi, efisiensi, kenyamanan, terdata dengan rapi dan mengurangi biaya beban operasional.

Komparasi Naive Bayess dengan Support Vector Machine dalam Analisis Sentimen Aplikasi MyPertamina Rendy Rian Chrisna Putra; Eza Budi Perkasa; Tri Sugihartono; Ahmad Pakih Alkayess; Irsad Dwi Sandro; Royhan Indallah
SATIN - Sains dan Teknologi Informasi Vol 9 No 2 (2023): SATIN - Sains dan Teknologi Informasi
Publisher : STMIK Amik Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33372/stn.v9i2.1042

PT Pertamina telah melakukan sosialisasi di berbagai media terkait pembelian BBM Subsidi yakni Pertalite dan Solar melalui situs MyPertamina. namun, masyarakat Indonesia masih memberian respons negatif terhadap kebijakan tersebut. Masyarakat banyak memberikan pendapat mereka masing-masing melalui media sosial, khususnya pada media sosial Twitter. Tujuan dari penelitian ini adalah membandingkan tingkat Akurasi klasifikasi dari metode Support Vector Machine dengan Naïve Bayes Classifier terhadap Sentimen Ulasan Twitter terkait kebijakan penggunaan aplikasi MyPertamina yang dibagi ke dalam tiga kelas yaitu, Negatif, Positif dan Netral. Dataset yang digunakan dalam penelitian ini menggunakan hasil crawling dari ulasan Twitter. Tool yang digunakan dalam penelitian in menggunakan Google Colab dengan menggunakan Bahasa pemrograman Phyton. Dataset yang digunakan sebanyak 1066 data berlabel positif, negatif, dan netral. Dengan pembagian data latih sebanyak 80% dan data uji sebanyak 20%. Penelitian ini menghasilkan bahwa metode klasifikasi Support Vector Machine (SVM) lebih unggul di bandingkan metode klasifikasi Naïve Bayes Classifier (NBC). Metode SVM menghasilkan accuracy sebesar 99.5% sedangkan Metode NBC menghasilkan accuracy sebesar 97.6%.

Title

Found 5 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 5 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 5 Documents
Search