Article Per Year (5 Year)
p-Index From 2020 - 2025
1.376
P-Index
This Author published in this journals
All Journal Seminar Nasional Aplikasi Teknologi Informasi (SNATI) Rekursif: Jurnal Informatika Jurnal Pseudocode Forum Geografi Dinamika : Jurnal Ilmiah Ilmu Administrasi Negara JSAI (Journal Scientific and Applied Informatics)
Boko Susilo
Universitas Bengkulu
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Electrical & Electronics Engineering Social Sciences

Published : 13 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : Jurnal Pseudocode

 1 
Dampak Reduksi Sampel Menggunakan Principal Component Analysis (PCA) Pada Pelatihan Jaringan Saraf Tiruan Terawasi (Studi Kasus Pengenalan Angka Tulisan Tangan) Diyah Puspitaningrum; Dyan Kemala Sari; Boko Susilo
Jurnal Pseudocode Vol 1, No 2 (2014)
Publisher : Universitas Bengkulu

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (4432.672 KB) | DOI: 10.33369/pseudocode.1.2.83-89

Abstract

Makalah ini membahas tentang bagaimana sebuah komputer mengenali sebuah pola citra digital berupa pengenalan angka tulisan tangan yang menggunakan metode Principal Component Analysis (PCA) pada pelatihan jaringan saraf tiruan terawasi model Backpropagation. Dalam penelitian ini terdapat dua pelatihan untuk mengetahui dampak reduksi sampel menggunakan PCA atau tanpa menggunakan PCA. Pada penelitian ini terdapat 1060 sampel citra angka tulisan tangan yang berformat *.jpg, sebanyak 660 sampel citra sebagai citra latih (training) dan sebanyak 400 sampel citra sebagai citra uji (testing). Sampel tesebut diambil dari angka tulisan tangan 106 responden yang berbeda. Hasil analisis menunjukan bahwa sistem memiliki tingkat pengenalan bergantung pada dimensi dan jumlah zona. Pada pelatihan pertama, jika dimensi yang digunakan adalah 40 piksel x 30 piksel maka tingkat pengenalan sebesar 86.75% dengan waktu rata-rata 0.4946 detik. Jika dimensi yang digunakan adalah 50 piksel x 40 piksel maka pengenalan sebesar 82.75% dengan waktu rata-rata untuk memproses setiap masukan adalah selama 1.063 detik. Untuk pelatihan kedua, dengan jumlah zona 5 : 5 tingkat pengenalan adalah sebesar 86% dengan waktu rata-rata adalah 0.6582 detik. Jika jumlah zona yang digunakan adalah 5 : 6 maka tingkat pengenalan sebesar 86.25% dengan waktu rata-rata selama 0.7068 detik. Kesimpulannya metode Principal Component Analysis (PCA) dapat dijadikan sebagai alternatif untuk tingkat kecepatan dan keakuratan dari pelatihan jaringan saraf tiruan.Kata Kunci: Principal Component Analysis (PCA), Backpropagation, Neural Network, Pengenalan Angka Tulisan Tangan.
Keefektifan Metode MFEP, MAUT, dan VIKOR Dalam Aplikasi Sistem Pendukung Keputusan Mahasiswa Berprestasi (Studi Kasus: Poltekkes Kemenkes Bengkulu) Desi Andreswari; Boko Susilo; Novia Bella Vista
Jurnal Pseudocode Vol 10 No 1 (2023): Volume 10 Nomor 1 Februari 2023
Publisher : UNIB Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33369/pseudocode.10.1.1-11

Abstract

Sebuah perguruan tinggi tentu memiliki banyak permasalahan yang perlu diselesaikan dengan sebuah tindakan pengambilan keputusan. Salah satunya yaitu proses pemilihan mahasiswa berprestasi. Oleh karena itu, dibutuhkan sebuah sistem pendukung keputusan dalam pemilihan mahasiswa berprestasi. Tujuan penelitian ini adalah (i) merancang dan membangun sistem pendukung keputusan pemilihan mahasiswa berprestasi yang mampu memberikan rekomendasi yang akurat. (ii) mengetahui tingkat keefektifan dari  metode MFEP, MAUT, dan VIKOR dalam melakukan pemilihan mahasiswa berprestasi. Metode yang digunakan dalam penelitian ini, adalah metode MFEP, MAUT, dan VIKOR. Hasil penelitian menunjukkan keefektifan metode MFEP = 60%, MAUT = 80%, dan VIKOR = 100%. Dari ketiga metode tersebut, metode VIKOR adalah yang paling efektif digunakan dalam menentukan mahasiswa berprestasi.Kata Kunci : Sistem Pendukung Keputusan, Mahasiswa Berprestasi, Metode MFEP, Metode MAUT, Metode VIKOR.
Co-Authors Aan Erlansari Ade Agustian Saputra Aryani Komaruddin Debby Seftyarizki Desi Andreswari Diyah Puspitaningrum Dyan Kemala Sari Endina Putri Purwandari Fenty Oktavia Franky Hernoza Hendri van Hoten Miftakhul Irfani Akbar Mochammad Yusa Novia Bella Vista Olivia Safitri Putri Rahayu Rafles Abdi Putra Rusdi Efendi Setiawan, Yudi Siti Maulinda Uswatun Nurjanah Yulian Fauzi Zulfia Memi Mayasari