Article Per Year (5 Year)
p-Index From 2021 - 2026
2.133
P-Index
This Author published in this journals
All Journal Jurnal Ilmiah Informatika Komputer Ekonomi Bisnis Bulletin of Electrical Engineering and Informatics ILKOM Jurnal Ilmiah Decode: Jurnal Pendidikan Teknologi Informasi Jurnal Pengabdian Kepada Masyarakat Darma Saskara
Eka Patriya
Universitas Gunadarma
Agriculture, Biological Sciences & Forestry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Languange, Linguistic, Communication & Media Social Sciences Other

Published : 12 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 12 Documents
Search

 1   2 
Pembentukan Model Recurrent Neural Network dan Connectionist Temporal Classification Pada Pengenalan Kata Tulisan Tangan Offline Diana Tri Susetianingtias; Rini Arianty; Rodiah; Eka Patriya
Decode: Jurnal Pendidikan Teknologi Informasi Vol. 3 No. 2: SEPTEMBER 2023
Publisher : Program Studi Pendidikan Teknologi Infromasi UMK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51454/decode.v3i2.151

Abstract

Pengolahan informasi sebagai bentuk dari pengembangan teknologi yang semakin pesat adalah pengenalan tulisan tangan. Pengenalan tulisan tangan saat ini banyak diimplementasikan untuk melakukan identifikasi dokumen-dokumen penting berbentuk digital. Pengenalan tulisan tangan cetak dengan benar dan akurat dapat digunakan untuk menunjang kegiatan manusia baik dalam kegiatan sehari – hari, sekolah, maupun pekerjaan. Pada penelitian ini, peneliti akan melakukan pengenalan tulisan tangan cetak menggunakan Convolutional Neural Network pada perangkat mobile. Penelitian juga akan mengimplementasikan model CNN yang dihasilkan pada android dan mengidentifikasi tulisan tangan yang diambil secara langsung menggunakan kamera. Proses pelatihan menggunakan library tensorflow pada bahasa pemrograman python, dilakukan secara online. Model CNN berhasil dibentuk dengan jumlah 11 hidden layer, terdiri dari 5 lapisan konvolusi, 3 lapisan max pooling, 1 lapisan flatten, dan 2 lapisan fully connected. Model mengambil masukan berupa citra berukuran 28 x 28 piksel dan menghasilkan keluaran berupa pengenalan tulisan tangan cetak. Total parameter bobot yang dimiliki oleh model berjumlah 1.556.495 variabel. Model CNN yang sudah dilatih berhasil diimplementasikan dan dijalankan pada aplikasi android. Berdasarkan perhitungan Global Performance Metric, Aplikasi berhasil mengenali citra tulisan tangan 1 kata dengan akurasi 82,12%. Hasil penelitian diharapkan dapat mengenali tulisan tangan cetak dengan akurasi tinggi pada perangkat android.
Identifikasi Fitur Suara Menggunakan Model Convolutional Neural Network (CNN) pada Speech-to-Text (STT) Rodiah; Diana Tri Susetianingtias; Eka Patriya
Decode: Jurnal Pendidikan Teknologi Informasi Vol. 4 No. 3: NOVEMBER 2024
Publisher : Program Studi Pendidikan Teknologi Infromasi UMK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51454/decode.v4i3.631

Abstract

Identifikasi pola ucapan dilakukan untuk dapat mengenali kata yang diucapkan. Salah satu metode yang dapat digunakan untuk mengidentifikasi Speech-to-Text (STT) adalah dengan menggunakan Convolutional Neural Network (CNN). Penelitian ini menggunakan metode CNN untuk mengidentifikasi STT pada raw speech dari sejumlah 23000 data dari open dataset suara Kaggle. Tahap awal dilakukan resampling durasi, untuk mengambil data rekaman yang memiliki durasi yang cukup untuk masuk dalam proses selanjutnya yaitu inisialisasi frekuensi. Tahap ini mengubah frekuensi asli dari suara rekaman. Inisialisasi dilakukan dengan mengubah frekuensi dari 16000Hz menjadi rentang 8000Hz. Tahap selanjutnya pelabelan data, yaitu data input dan output diberi label untuk klasifikasi sebagai dasar pembelajaran untuk pemrosesan data. Data yang sudah dilabeli kemudian dilakukan pembagian kedalam rasio 8:2. Tahap Akhir Perancangan arsitektur model CNN dilakukan untuk dapat mengenali pola suara yang sudah direkam pada dataset dan dapat mengidentifikasi ucapan. Hasil penelitian bertujuan untuk mengidentifikasi pola suara yang diucapkan dengan akurasi tinggi.
Co-Authors Andriansyah Latif Ashur Harmadi Astried Permanasari Ch. Dewi Wulandari Dadi Kuswandi Esti Setiyaningsih Ety Sutanty Ety Sutanty Guyub Nuryanto Handayani Handayani Handayani Handayani Handayani Handayani Maukar Maukar Meilani B. Siregar Reni Diah Kusumawati Rini Arianty Rini Arianty Rini Arianty Risnawati Risnawati Rodiah Rodiah Sari Noorlima Yanti Sarifuddin Madenda Supiningtyas Purwaningrum Susetianingtias, Diana Tri