Articles
<![CDATA[KOREAN LETTER HANDWRITING RECOGNITION USING CONVOLUTIONAL NEURAL NETWORK METHOD VGG-16 ARSITEKTUR ARCHITECTURE ]]>
<![CDATA[Ery Hartati]]>;
<![CDATA[Derry Alamsyah]]>;
<![CDATA[Nataliatara Nataliatara]]>
<![CDATA[ International Journal of Artificial Intelligence and Robotic Technology Vol 1, No 3 (2021): IJAIRTec (International Journal of Artificial Intelligence and Robotic Technolog ]]>
Publisher : <![CDATA[SRA Publishing ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.56327/ijairtec.v1i3.33
<![CDATA[Handwritten is a unique characteristic because each people has different handwriting. Handwritten can be an object to recognition of someone. In research on handwritten Korean alphabet recognition using the Convolutional Neural Network method with VGG-16 architecture. Data is scanned from 24 Korean handwritten alphabets with 14 kinds of consonants and 10 kinds of vocals on paper with black ink. Data there are two scenarios namely research using original data without binarization and data with binarization which for both scenarios are previously data has been resized. This research uses k-fold cross-validation with a value for k=5 and a confusion matrix. The result showed that both of scenarios are can be recognized with 99,52% accuracy, 95,56% precision, 94,11% recall for first scenario and 99,42% accuracy, 95,94% precision, 93,11% recall for second scenario.]]>
<![CDATA[Pernerapan Algortima Diffie-Hellman pada Steganografi Least Significant Bit ]]>
<![CDATA[Ignatius Rivaldo Lie]]>;
<![CDATA[Derry Alamsyah]]>
<![CDATA[ MDP Student Conference Vol 2 No 1 (2023): The 2nd MDP Student Conference 2023 ]]>
Publisher : <![CDATA[Universitas Multi Data Palembang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (1707.387 KB)
|
DOI: 10.35957/mdp-sc.v2i1.4107
<![CDATA[Perkembangan teknologi informasi berkembang begitu pesat seiring berjalannya waktu. Saat ini, informasi sering dipertukarkan melalui Internet dan karena itu rentan terhadap pencurian informasi. Banyak jenis informasi yang menggunakan pengamanan khusus seperti pin, kata sandi, dan data diri. Sehingga rentan terhadap penyadapan data melalui ruang bertukar informasi publik. Dalam penelitian ini dilakukan penerapan algoritma Diffie-hellman untuk steganografi least significant bits. Steganografi citra adalah proses penyembunyian pesan rahasia dalam citra digital dan Kriptografi adalah studi tentang metode komunikasi yang aman antara dua pihak. Pada penelitian ini algoritma yang digunakan yaitu Diffie-hellman, Advanced Encryption Standard sebagai media penerapan Diffie-hellman dan steganografi dengan teknik least significant bits. Pengujian dilakukan dengan menggunakan gambar high contrast dan low contrast untuk melihat Peak Signal to Noise Ratio (PSNR) dan Means Square Error (MSE) sebelum dan sesudah proses steganografi. Hasil pengujian didapatkan bahwa nilai rata-rata PSNR gambar high contrast sebesar 96,539692 dan rata-rata MSE gambar high contrast sebesar 0,0000159. Pengujian gambar low contrast didapatkan nilai rata-rata PSNR sebesar 96,7335291 dan rata-rata nilai MSE sebesar 0,0000173.]]>
<![CDATA[Klasifikasi Media Pembuangan Sampah Menggunakan Metode Resnet101-V2 ]]>
<![CDATA[Valentino Ruben Ho]]>;
<![CDATA[Siska Devella]]>;
<![CDATA[Derry Alamsyah]]>
<![CDATA[ MDP Student Conference Vol 2 No 1 (2023): The 2nd MDP Student Conference 2023 ]]>
Publisher : <![CDATA[Universitas Multi Data Palembang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (410.633 KB)
|
DOI: 10.35957/mdp-sc.v2i1.4338
<![CDATA[Sampah adalah benda/zat yang tidak digunakan lagi dan ditinggalkan oleh manusia. Plastik merupakan salah satu faktor yang membuat sampah sulit terurai. Penggunaan plastik dalam kehidupan manusia sudah menjadi hal yang lumrah dan rutin digunakan dalam aktivitas manusia. Media pembuangan limbah juga berkontribusi terhadap pencemaran lingkungan. Oleh karena itu, dalam penelitian ini peneliti meneliti media pengolahan limbah dengan menggunakan metode deep learning residual network (ResNet). ResNet adalah jenis arsitektur convolutional neural network (CNN) yang menggunakan model pra-terlatih. ResNet menghemat waktu karena tidak perlu melatih data dari awal. Data yang digunakan sebanyak 15.000 citra yang terbagi menjadi kantong sampah, kantong kertas, dan kantong plastik. Setelah pengujian, akurasi 98,65% dicapai dengan membandingkan 80% data pelatihan dan 20% pengujian. Dapat disimpulkan bahwa metode ResNet sangat baik dalam mengidentifikasi media pembuangan sampah.]]>
<![CDATA[Klasifikasi Penyakit Cacar Monyet Menggunakan Metode Convolutional Neural Network ]]>
<![CDATA[Tommy Oktavianus Saputra]]>;
<![CDATA[Derry Alamsyah]]>
<![CDATA[ MDP Student Conference Vol 2 No 1 (2023): The 2nd MDP Student Conference 2023 ]]>
Publisher : <![CDATA[Universitas Multi Data Palembang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (969.319 KB)
|
DOI: 10.35957/mdp-sc.v2i1.4400
<![CDATA[Cacar merupakan suatu kondisi pada kulit yang menyebabkan jerawat berisi cairan di seluruh tubuh dan wajah. Cacar terdiri dari beberapa jenis, salah satunya yaitu cacar monyet. Gejala pada penderita cacar monyet meliputi demam, ruam dan lesi kulit. Sampai saat ini masih dilakukan studi lebih lanjut untuk memahami sumber infeksi dan pola penularan dari cacar monyet. Dataset yang digunakan terdiri dari dua yaitu, dataset pertama berjumlah 3192 terdiri dari 2554 data latih dan 638 data validasi. Dataset kedua berjumlah 770 sebagai data uji. Maka, penelitian ini dilakukan untuk mengklasifikasi cacar monyet menggunakan Convolutional Neural Network arsitektur ResNet-50 dengan fungsi optimasi Adam. Hasil pengujian yang dilakukan menunjukkan akurasi validasi terbaik sebesar 94,82% dan hasil uji terbaik dengan tingkat akurasi sebesar 76,10%.]]>
<![CDATA[Perbandingan Akurasi Klasifikasi Kadar Daging Sapi Pada Bakso Dengan SVM Dan KNN ]]>
<![CDATA[Muhammad Bemby Putra Mansyah]]>;
<![CDATA[Derry Alamsyah]]>;
<![CDATA[hafiz Irsyad]]>
<![CDATA[ MDP Student Conference Vol 2 No 1 (2023): The 2nd MDP Student Conference 2023 ]]>
Publisher : <![CDATA[Universitas Multi Data Palembang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (494.169 KB)
|
DOI: 10.35957/mdp-sc.v2i1.4412
<![CDATA[Bakso adalah olahan yang mengandung protein hewani, banyak olahan bakso yang dibuat mulai dari daging sapi, ayam bahkan ikan. Namun yang seringkali dijumpai adalah olahan bakso dengan daging sapi. Bakso biasanya disajikan dengan kuah dan ditambah pelengkap lain seperti sayur sawi dan mie. Setiap olahan bakso yang dibuat orang yang berbeda memiliki tekstur kekenyalan berbeda, sebagai orang awam biasanya mengetahui melalui teksturnya seperti kekenyalannya dan serat daging yang ada pada bakso tetapi dapat juga diketahui melalui kecerdasan buatan. Penelitian dilakukan untuk mengetahui kadar daging sapi pada bakso dengan empat jenis kadar perbandingan yakni kadar pertama 1.5 daging 1 tepung, kadar kedua 1 daging 1 tepung, kadar ketiga 1 daging 2 tepung, dan kadar keempat 2 daging 1 tepung. Metode klasifikasi yang digunakan adalah KNN dengan 3 tetangga dan SVM dengan ekstraksi fitur GLCM, didapatkan hasil overall akurasi untuk KNN 3 tetangga sebesar 77.50% sedangkan untuk SVM sebesar 55%.]]>
<![CDATA[Pelatihan aplikasi screen recorder dan video conference guna meningkatkan proses belajar mengajar ]]>
<![CDATA[Triana Elizabeth]]>;
<![CDATA[Dicky Pratama]]>;
<![CDATA[Derry Alamsyah]]>;
<![CDATA[Yoannita Yoannita]]>;
<![CDATA[Inayatullah Inayatullah]]>;
<![CDATA[Tinaliah Tinaliah]]>
<![CDATA[ ABSYARA: Jurnal Pengabdian Pada Masayarakat Vol 2 No 1 (2021): ABSYARA: Jurnal Pengabdian Pada Masyarakat ]]>
Publisher : <![CDATA[Universitas Hamzanwadi ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29408/ab.v2i1.3495
<![CDATA[At the beginning of 2020, Indonesia faced the Covid-19 virus pandemic. As a result, changes occurred in all sectors, including the education sector. The change in the learning model from offline to online makes it difficult for Indonesian because they are not accustomed to using digital technology in the learning process. Therefore, this service activity aims to train 10 Dewi Sartika Palembang Kindergarten teachers using video conferencing applications (Google Meet) and screen recorders (AZ Screen Recorder) to support a more optimal learning process. This activity is carried out by implementing health protocols. Based on the results of the evaluation of the training activities, it was obtained that all teachers were able to use the Google Meet and AZ Screen Recorder applications and were able to make learning videos and use them in the learning process. However, many students cannot participate in the online learning process because of poor internet signals. This problem can be overcome by sending a video recording of the learning process.]]>
<![CDATA[Pelatihan Dasar Pemrograman Bahasa C Pada SMK Negeri 4 Palembang ]]>
<![CDATA[Elizabeth, Triana]]>;
<![CDATA[Tinaliah, Tinaliah]]>;
<![CDATA[Alamsyah, Derry]]>;
<![CDATA[Pratama, Dicky]]>
<![CDATA[ FORDICATE Vol 3 No 1 (2023): November 2023 ]]>
Publisher : <![CDATA[Universitas Multi Data Palembang, Fakultas Ilmu Komputer dan Rekayasa ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.35957/fordicate.v3i1.6458
<![CDATA[Pada tanggal 26 April 2018 Tim Dosen Universitas Multi Data Palembang berbagi pengetahuan melalui pengadaan pelatihan singkat untuk memperkenalkan dasar-dasar bahasa pemrograman C kepada para siswa SMK Negeri 4 Palembang sehingga dapat menambah pengetahuan para siswa berkaitan dengan bahasa pemrograman C di luar mata pelajaran dasar pemrograman yang telah mereka terima di kelas. Peserta pada kegiatan pelatihan ini adalah 31 siswa kelas X jurusan TKJ SMK Negeri 4 Palembang. Manfaat kegiatan pelatihan ini bagi peserta adalah para peserta dapat membuat project C baru menggunakan aplikasi dev C, menampilkan teks pada layar console, para peserta dapat mendeklarasikan variabel dan memberikan tipe data yang cocok untuk variabel tersebut serta dapat membuat program input output teks, bilangan bulat dan bilangan berkoma dan membuat program dengan operasi aritmatika.]]>
<![CDATA[PENGENALAN EKSPRESI WAJAH MENGGUNAKAN METODE SVM DENGAN TRANSFORMASI FOURIER DAN PCA ]]>
<![CDATA[Ricky Julianto]]>;
<![CDATA[Derry Alamsyah]]>
<![CDATA[ Klik - Jurnal Ilmu Komputer Vol. 2 No. 1 (2021): Klik - Jurnal Ilmu Komputer ]]>
Publisher : <![CDATA[Fakultas Ilmu Komputer Universitas Sumatera Selatan ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (618.815 KB)
|
DOI: 10.56869/klik.v2i1.282
<![CDATA[Ekspresi wajah digunakan seseorang sebagai cara untuk berkomunikasi secara non-verbal dalam mengungkapkan perasaan yang sedang dialaminya. Ekspresi secara universal dikategorikan menjadi enam ekspresi dasar yaitu senang, sedih, marah, jijik, takut, terkejut, dan satu ekspresi netral. Dalam penelitian ini dilakukan pengenalan ekspresi menggunakan metode SVM dengan ekstraksi ciri transformasi fourier dan direduksi menggunakan PCA. Tahapan penelitian dimulai dengan mengambil dataset fer2013, dilanjutkan dengan pengkonversian data piksel menjadi gambar, selanjutnya gambar diekstraksi menggunakan transformasi fourier lalu direduksi menggunakan PCA, setelah itu diklasifikasi menggunakan SVM dimana hasil pengujian menggunakan data original mendapatkan model terbaik pada kernel polinomial derajat 2 dengan = 10 yang memberikan hasil akurasi sebesar 38% untuk citra gambar bagus dan 32.666% untuk citra gambar dengan noise salt and pepper, sementara itu hasil pengujian menggunakan data dengan peningkatan kontras mendapatkan model terbaik pada kernel polinomial derajat 2 dengan = 1 yang memberikan hasil akurasi sebesar 36.666% untuk citra gambar bagus dan 33.333% untuk citra gambar dengan noise salt and pepper menggunakan data testing.]]>
<![CDATA[KOREAN LETTER HANDWRITING RECOGNITION USING CONVOLUTIONAL NEURAL NETWORK METHOD VGG-16 ARSITEKTUR ARCHITECTURE ]]>
<![CDATA[Ery Hartati]]>;
<![CDATA[Derry Alamsyah]]>
<![CDATA[ International Journal of Artificial Intelligence and Robotic Technology (IJAIRTec) Vol. 1 No. 3 (2021): International Journal of Artificial Intelligence and Robotic Technology (IJAIRT ]]>
Publisher : <![CDATA[International Journal of Artificial Intelligence and Robotic Technology (IJAIRTec) ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Handwritten is a unique characteristic because each people has different handwriting. Handwritten can be an object to recognition of someone. In research on handwritten Korean alphabet recognition using the Convolutional Neural Network method with VGG-16 architecture. Data is scanned from 24 Korean handwritten alphabets with 14 kinds of consonants and 10 kinds of vocals on paper with black ink. Data there are two scenarios namely research using original data without binarization and data with binarization which for both scenarios are previously data has been resized. This research uses k-fold cross-validation with a value for k=5 and a confusion matrix. The result showed that both of scenarios are can be recognized with 99,52% accuracy, 95,56% precision, 94,11% recall for first scenario and 99,42% accuracy, 95,94% precision, 93,11% recall for second scenario.]]>
<![CDATA[ESTIMASI KEDALAMAN PADA CITRA DENGAN CONDITIONAL RANDOM FIELD (CRF) DAN STRUCTURED SUPPORT VECTOR MACHINE (SSVM) MENGGUNAKAN FITUR FFT ]]>
<![CDATA[Derry Alamsyah]]>;
<![CDATA[Muhammad Rachmadi]]>
<![CDATA[ Jurnal TAM (Technology Acceptance Model) Vol 9, No 1 (2018): Jurnal TAM (Technology Acceptance Model) ]]>
Publisher : <![CDATA[LPPM STMIK Pringsewu ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.56327/jurnaltam.v9i1.585
<![CDATA[Citra Kedalaman merupakan citra yang dapat digunakan untuk segmentasi objek, 3D Model dan visi pada robot. Penentuan nilai kedalaman dari sebuah citra warna memiliki tantangan tersendiri dan bidang aktif penelitian. Citra kedalaman dapat diestimasi dengan menggunakan model stokastik CRF. Selanjutnya model CRF digunakan sebagai model untuk pembobotan pada Model SSVM. Penggunaan CRF-SSVM untuk estimasi citra kedalaman didukung ekstraksi fitur domain frekuensi yaitu FFT. Hasil yang ditunjukan dengan menggunakan pendekatan ini sebesar 69.04%]]>
