Claim Missing Document
Check
Articles

Found 4 Documents
Search
Journal : Journal Dynamic SainT

PREDIKSI KUNJUNGAN WISATAWAN TORAJA UTARA MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION Michael, Aryo; Garonga, Melki
Journal Dynamic Saint Vol. 5 No. 1 (2020): Jilid 5 Volume 1
Publisher : Publikasi dan UKI Press UKI Toraja.

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

Abstract

Paper ini berisi tentang penerapan algoritma jaringan saraf tiruan backpropagation untuk memprediksi kunjungan wisatawan di Toraja Utara berdasarkan data kunjungan wisatawan sebelumnya. Data yang yang digunakan merupakan data dari kunjungan wisatawan tahun 2014-2018. Arsitektur jaringan syaraf tiruan yang digunakan terdiri atas 3 (tiga) lapisan yaitu 1 lapisan masukan yang terdiri atas 12 neuron, 1 (satu) lapisan tersembunyi, dimana percobaan dilakuklan dengan 6, 12, 18, 24 dan 36 neuron sedangkan pada lapisan keluaran terdapat 1 (satu) neuron yang menjadi target prediksi. Hasil pelatihan JSTbacpropagation menunjukan arsitektur terbaik adalah yaitu 12 neuron pada lapisan masukan, 36 neuron pada lapisan tersembunyi, dan 1 neuron pada lapisan keluaran. Hasil pengujian model JST backpropagation menunjukkan bahwa prediksi cukup baik untuk melakukan prediksi kunjungan wisatawan dengan menghasilkan nilai mean square error (MSE) 0.364826512 atau persentasi akurasi sebesar 63,51%.
Sistem Pendeteksi Kebocoran Liquified Petroleum Gas (LPG) Menggunakan Sensor MQ-2 Berbasis Mikrokontroler Garonga, Melki; Michael, Aryo; Dudung, Marni
Jurnal Dynamic Saint Vol 6 No 1 (2021): Jilid 1 Volume 6
Publisher : Publikasi dan UKI Press UKI Toraja.

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47178/dynamicsaint.v6i1.1274

Abstract

Liquified Petroleum Gas (LPG) is a household need which is currently the most widely used by the community as a fuel other than petroleum. The use of LPG cylinders, which increases every year, is directly proportional to the increased risk of fire caused by gas leaks. Many LPG cylinders circulating in the community today do not use good safety. Therefore, a tool is needed to detect LPG leaks so that people can find out more quickly when there is a gas leak. This system is designed using a microcontroller-based MQ-2 sensor. The MQ-2 sensor functions as a gas leak detector, the buzzer serves as a warning in the event of a gas leak and the SIM800L will send an SMS via the user's smartphone. The MQ-2 sensor can detect gas leaks at a distance of 2 meters in a closed room without ventilation. The MQ-2 gas sensor detects gas leaks using a distance that can be influenced by room temperature and the sensitivity of the MQ-2 sensor, so that the MQ-2 sensor produces a non-permanent time even though it is at the same distance. The buzzer sounds when the MQ-2 sensor detects a gas leak. SIM800L can send SMS notifications to smartphones of LPG cylinder owners when the MQ-2 sensor detects a gas leak, but the time it takes to send an SMS is not fixed because it is influenced by whether the network used by the simcard on the smartphone or the simcard on the SIM800L is good or not.
Deteksi Tingkat Kematangan Buah Kopi Arabika Berdasarkan Fitur Warna RGB Menggunakan Sensor TCS3200 Berbasis Arduino Uno Rusman, Juprianus; Michael, Aryo; Pasae, Nofrianto
Jurnal Dynamic Saint Vol 6 No 1 (2021): Jilid 1 Volume 6
Publisher : Publikasi dan UKI Press UKI Toraja.

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47178/dynamicsaint.v6i1.1317

Abstract

Pengolahan buah kopi yang baik mempengaruhi mutu dan kualitas kopi yang dihasilkan. Pengolahan buah kopi meliputi proses sortasi buah dan proses pemisahan kulit buah dengan biji. Proses sortasi buah dilakukan dengan memilah buah kopi berdasarkan tingkat kematangannya. Hal tersebut dilakukan karena tidak seragannya kematangan buah kopi yang dipetik saat panen dan standar yang ditetapkan oleh tengkulak. Petani kopi arabika lokal di Pedamaran melakukan sortasi buah secara konvensional yaitu mengandalkan indra penglihatan. Proses tersebut memiliki kendala yaitu tidak seragamnya tingkat kematangan buah kopi yang dipengaruhi faktor subjektivitas. Warna buah kopi memberikan informasi terkait tingkat kematangannya. Pada penelitian ini, fitur warna buah kopi dideteksi menggunakan sensor TCS3200 dalam ruang warna red, green dan blue (RGB) kemudian diproses menggunakan mikrokontroller Arduino Uno untuk menentukan tingkat kematangannya. Penggunaan sensor TCS3200 untuk mendeteksi tingkat kematangan buah kopi arabika pada sistem yang dibangun memberikan akurasi 71,25%.
Komparasi Kombinasi Pre-trained Model dengan SVM pada Klasifikasi Kematangan Kopi Berbasis Citra Michael, Aryo
Jurnal Dynamic Saint Vol 7 No 1 (2022): Jurnal Dynamic Saint
Publisher : Publikasi dan UKI Press UKI Toraja.

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47178/dynamicsaint.v7i1.1613

Abstract

Harga kopi di pasar dunia dilihat dari kualitas kopi itu sendiri. Kualitas kopi sangat dipengaruhi oleh proses pengolahan kopi mulai dari proses taman hingga proses pasca panen. Salah satu proses pada tahapan pasca panen adalah melakukan penyortiran kopi yang matang. Identifikasi kematangan kopi pada dasarnya dilihat dari warna buah kopi. Perkembangan teknologi kecerdasan buatan secara khusus pembelajaran mendalan (deep learning) dapat digunakan untuk menyelesaian permasalahan tersebut melalui klasifikasi. Salah satu metode yang dapat digunakan adalah transfer learning dengan menggunakan model yang telah dilatih sebelumnya untuk menyelesaiakan tugas yang hampir sama. Tujuan penelitian ini adalah membandingkan pre-trained model yaitu VGG16, MobilnetV2 dan Inception yang dikombinasikan dengan support vector machine (SVM) pada lapisan classifier untuk melakukan klasifikasi kematangan buah kopi. Proses pelatihan model menggunakan tuning hyperparameter GridseacrhCV dengan 10 fold cross validation untuk mendapatkan kombinasi parameter terbaik dari SVM. Hasil penelitian memperlihatkan kombinasi model VGG16 dengan SVM dan MobileNetV2 dengan SVM memperlihatkan akurasi sebesar 0,96 atau 96%.