Article Per Year (5 Year)
p-Index From 2020 - 2025
0.61
P-Index
This Author published in this journals
All Journal Seminar Nasional Aplikasi Teknologi Informasi (SNATI) Jurnal Otomasi Kontrol dan Instrumentasi Journal of Robotics and Control (JRC) Insyst : Journal of Intelligent System and Computation International Journal of Robotics and Control Systems
Arya Tandy Hermawan
Institut Sains Dan Teknologi Terpadu Surabaya
Aerospace Engineering Chemical Engineering, Chemistry & Bioengineering Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Mechanical Engineering

Published : 6 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 6 Documents
Search

 1 
Decision Support System Tool untuk Penyelesaian Permasalahan Linear Berbasis Simplex dan Revised Simplex Arya Tandy Hermawan; Gunawan Gunawan; Yudhi Christian Mahono
Seminar Nasional Aplikasi Teknologi Informasi (SNATI) 2009
Publisher : Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pada permasalahan optimasi sumber daya, baik itu minimalisasi biaya ataupun maksimalisasi keuntungan,yang bersifat linear, dapat dibuat sebuah tool yang berguna untuk membantu menyelesaikan permasalahantersebut sehingga didapat hasil kombinasi sumber daya yang optimal. Sistem ini dirancang untuk dapatmenangani berbagai bidang permasalahan linier karena sifatnya yang terbuka. DSS tool ini akan menggunakanmetode penyelesaian simplex atau revised simplex dalam membantu penyelesaian permasalahannya. Namunsebelum menerapkan permasalahan linear yang dihadapi pada tool yang telah dibuat, terlebih dahulu perluuntuk melakukan pembentukan model matematika dari permasalahan tersebut. Dengan memanfaatkan DSS toolini, maka semua permasalahan linear akan dapat diselesaikan dengan tepat dan cepat.Kata Kunci: dss tool, linear programming, simplex, revised simplex, optimasi
Pencarian Rute Line Follower Mobile Robot Pada Maze Dengan Metode Q Learning Samsul Arifin; Arya Tandy Hermawan; Yosi Kristian
Jurnal Otomasi Kontrol dan Instrumentasi Vol 8 No 1 (2016): Jurnal Otomasi Kontrol dan Instrumentasi
Publisher : Pusat Teknologi Instrumentasi dan Otomasi (PTIO) - Institut Teknologi Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.5614/joki.2016.8.1.5

Abstract

Dalampenelitianinirobotlinefollowerakandigunakan sebagaiagen.Robotagenbertugasmencarirutedalam suatuenvironmentberupamaze,tanpaadabimbingan langsungdarimanusia.Robotdiberikan  algoritmaQ Learningyangmerupakansalahsatumetodedalam domainReinforcementLearning.Tujuandaripenelitian iniadalahrobotharusbisamenemukanrutedariinitial state menujugoalstate.AlgoritmaQLearningberperan untukmenyimpanstate-statejalurmazeyangtelah dilaluidalammatrikQ.Setiapkalirobotmencapai salahsatudaristatepertigaan,belokkiri,belokkanan ataulurusmakarobotakanmemilihaksiyang mungkin.Haliniakandilakukanberulangsampainilai pasanganstateaksipadamatriksQmencapai  nilai yangoptimal.Darihasilujicobadidapatkandatasebanyak34state yangtelahdipelajariolehrobot.Prosestrainingtelah mampumeningkatkanpengetahuanrobotsehingga bisamenemukanrutedariinisialstatemenujukegoal state.Dari30kalipercobaantingkatkeberhasilan robotuntukmenemukanstateadalah23kali.Ini berartibahwatingkaterrorantara24%.Kata Kunci: Robot Line Follower, Reinforcement Learning, Maze, Q Learning
A Multi Representation Deep Learning Approach for Epileptic Seizure Detection Hermawan, Arya Tandy; Zaeni, Ilham Ari Elbaith; Wibawa, Aji Prasetya; Gunawan, Gunawan; Hendrawan, William Hartanto; Kristian, Yosi
Journal of Robotics and Control (JRC) Vol 5, No 1 (2024)
Publisher : Universitas Muhammadiyah Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.18196/jrc.v5i1.20870

Abstract

Epileptic seizures, unpredictable in nature and potentially dangerous during activities like driving, pose significant risks to individual and public safety. Traditional diagnostic methods, which involve labour-intensive manual feature extraction from Electroencephalography (EEG) data, are being supplanted by automated deep learning frameworks. This paper introduces an automated epileptic seizure detection framework utilizing deep learning to bypass manual feature extraction. Our framework incorporates detailed pre-processing techniques: normalization via L2 normalization, filtering with an 80 Hz and 0,5 Hz Butterworth low-pass and high-pass filter, and a 50 Hz IIR Notch filter, channel selection based on standard deviation calculations and Mutual Information algorithm, and frequency domain transformation using FFT or STFT with Hann windows and 50% hop. We evaluated on two datasets: the first comprising 4 canines and 8 patients with 2.299 ictal, 23.445 interictal, and 32.915 test data, 400-5000Hz sampling rate across 16-72 channels; the second dataset, intended for testing, 733 icatal, 4.314 interictal, and 1908 test data, each 10 minutes long, recorded at 400Hz across 16 channels. Three deep learning architectures were assessed: CNN, LSTM, and a hybrid CNN-LSTM model-stems from their demonstrated efficacy in handling the complex nature of EEG data. Each model offers unique strengths, with the CNN excelling in spatial feature extraction, LSTM in temporal dynamics, and the hybrid model combining these advantages.  The CNN model, comprising 31 layers, yielded highest accuracy, achieving 91% on the first dataset (precision 92%, recall 91%, F1-score 91%) and 82% on the second dataset using a 30-second threshold. This threshold was chosen for its clinical relevance. The research advances epileptic seizure detection using deep learning, indicating a promising direction for future medical technology. Future work will focus on expanding dataset diversity and refining methodologies to build upon these foundational results.
EEG-Based Lie Detection Using Autoencoder Deep Learning with Muse II Brain Sensing Hermawan, Arya Tandy; Zaeni, Ilham Ari Elbaith; Wibawa, Aji Prasetya; Gunawan, Gunawan; Hartono, Nickolas; Kristian, Yosi
International Journal of Robotics and Control Systems Vol 4, No 3 (2024)
Publisher : Association for Scientific Computing Electronics and Engineering (ASCEE)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31763/ijrcs.v4i3.1497

Abstract

Detecting deception has significant implications in fields like law enforcement and security. This research aims to develop an effective lie detection system using Electroencephalography (EEG), which measures the brain's electrical activity to capture neural patterns associated with deceptive behavior. Using the Muse II headband, we obtained EEG data across 5 channels from 34 participants aged 16-25, comprising 32 males and 2 females, with backgrounds as high school students, undergraduates, and employees. EEG data collection took place in a suitable environment, characterized by a comfortable and interference-free setting optimized for interviews. The research contribution is the creation of a lie detection dataset and the development of an autoencoder model for feature extraction and a deep neural network for classification. Data preparation involved several pre-processing steps: converting microvolts to volts, filtering with a band-pass filter (3-30Hz), STFT transformation with a 256 data window and 128 overlap, data normalization using z-score, and generating spectrograms from power density spectra below 60Hz. Feature extraction was performed using an autoencoder, followed by classification with a deep neural network. Methods included testing three autoencoder models with varying latent space sizes and two types of classifiers: three new deep neural network models, including LSTM, and six models using pre-trained ResNet50 and EfficientNetV2-S, some with attention layers. Data was split into 75% for training, 10% for validation, and 15% for testing. Results showed that the best model, using autoencoder with latent space size of 64x10x51 and classifier using the pre-trained EfficientNetV2-S, achieved 97% accuracy on the training set, 72% on the validation set, and 71% on the testing set. Testing data resulted in an F1-score of 0.73, accuracy of 0.71, precision of 0.68, and recall of 0.78. The novelty of this research includes the use of a cost-effective EEG reader with minimal electrodes, exploration of single and 3-dimensional autoencoders, and both non-pretrained classifiers (LSTM, 2D convolution, and fully connected layers) and pretrained models incorporating attention layers.
Identifikasi Biji-Bijian Berdasarkan Ekstraksi Fitur Warna, Bentuk dan Tekstur Menggunakan Random Forest Alwi, Luthfi; Hermawan, Arya Tandy; Kristian, Yosi
Intelligent System and Computation Vol 1 No 2 (2019): INSYST:Journal of Intelligent System and Computation
Publisher : Institut Sains dan Teknologi Terpadu Surabaya (d/h Sekolah Tinggi Teknik Surabaya)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52985/insyst.v1i2.93

Abstract

Abstrak - Proses identifikasi atau pengenalan biji-bijian merupakan aspek penting dalam dunia industri pengolahan pangan. Sebuah industri pangan berskala besar, proses pencampuran beberapa macam biji-bijian dalam pengolahan sebuah produk pangan sangat memperhatikan ketepatan dalam memilih bahan agar tidak terjadi kesalahan dalam proses produksi karena berpengaruh pada hasil akhir dari sebuah produksi. Agar tidak terjadi kesalahan yang fatal, diperlukan sebuah proses identifikasi dari bahan yang digunakan. Dengan sebuah sensor (intelligent camera) yang digunakan dari hasil sebuah proses identifikasi maka sebuah proses produksi produk pangan dapat berjalan dengan baik dan tidak terjadi kesalahan dalam pencampuran bahan. Proses pengidentifikasian terhadap beberapa varian biji-bijian dapat dilakukan dengan cara mengekstraksi fitur dari citra (image) dengan menganalisa melalui parameter warna, bentuk dan tekstur serta melakukan proses pengklasifikasian untuk mengukur tingkat keakuratan. Penelitian ini melakukan identifikasi terhadap varian biji-bijian (padi, jagung, kacang tanah dan kedelai) dengan melakukan ekstraksi fitur warna menggunakan RGB dan HSV, ekstraksi fitur bentuk menggunakan Morphological Threshold dan ekstraksi fitur tekstur menggunakan Grey Level Co-occurrence Matrix (GLCM) dan Local Binary Pattern (LBP). Untuk proses pengklasifikasian, peneliti menggunakan metode Random Forest Classifier (RF) untuk mendapatkan tingkat akurasi yang tinggi dengan batasan-batasan yang mempengaruhi keakuratan dalam proses pengklasifikasian untuk dikembangkan dalam proses selanjutnya. Peneliti menggunakan tools MATLAB R2015b untuk proses identifikasi mulai dari proses ekstraksi fitur sampai proses klasifikasnya. Berdasarkan hasil pengujian yang dilakukan didapatkan tingkat akurasi sebesar 99.8 %. Dapat disimpulkan bahwa pengambilan dataset berupa gambar atau image biji-bijian yang diteliti dapat dijadikan patokan untuk pengidentifikasian dan dapat dikembangkan dalam proses selanjutnya.
Deteksi Validitas Berita pada Media Sosial Twitter dengan Algoritma Naive Bayes Setiawan, Esther Irawati; Johanes, Sugiharto; Hermawan, Arya Tandy; Yamasari, Yuni
Intelligent System and Computation Vol 3 No 2 (2021): INSYST: Journal of Intelligent System and Computation
Publisher : Institut Sains dan Teknologi Terpadu Surabaya (d/h Sekolah Tinggi Teknik Surabaya)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52985/insyst.v3i2.164

Abstract

Banyaknya berita-berita online sering menarik minat masyarakat untuk membacanya, tetapi kadang dengan terlalu banyaknya berita tersebut membuat orang susah mendapatkan informasi yang terpercaya. Berita palsu merupakan kumpulan kata atau kalimat yang mengandung informasi yang tidak benar yang berupaya untuk membohongi atau mengarahkan pembaca atau pendengarnya agar mendukung atau percaya dengan isi beritanya. Penyebar berita palsu umumnya mengetahui bahwa berita yang disebarkan tidak benar. Tujuan penelitian ini adalah mendeteksi berita palsu yang tersebar pada media sosial. Dalam mengklasifikasi berita palsu, deteksi validitas berita digunakan algoritma naïve bayes sebagai kategorisasi teks berbasis pembelajaran mesin. Penelitian ini juga membangun website yang menyediakan fitur web service, pencarian berita yang ada di Twitter, dan klasifikasi berita secara manual. User interface merupakan website berbasis PHP dimana pengguna dapat melakukan interaksi secara langsung sepeti komentar, login, atau melihat artikel-artikel yang sudah diklasifikasi. Sedangkan back-end dari website ini adalah program klasifikasi teks berbasis Python. Dari percobaan yang telah dilakukan ternyata algoritma Naïve Bayes dapat digunakan untuk mengklasifikasi berita palsu. Berdasarkan eksperimen, penggunaan metode naive bayes untuk deteksi validitas berita dengan data uji media social Twitter dapat mencapai nilai akurasi dengan persentase terbaik yaitu 92% pada data ujicoba sebesar 309 artikel.
Co-Authors Aji Prasetya Wibawa Alwi, Luthfi Damayanti, Elok Esther Irawati Setiawan Gunawan Gunawan Gunawan Gunawan Hartono, Nickolas Hendrawan, William Hartanto Johanes, Sugiharto Yosi Kristian Yudhi Christian Mahono YUNI YAMASARI Zaeni, Ilham Ari Elbaith