Garuda - Garba Rujukan Digital

Optimasi Penyelesaian Permainan Rubik’s Cube Menggunakan Algoritma IDA* dan Brute Force Chichi Rizka Gunawan; Ahmad Ihsan; Munawir Munawir
Jurnal Infomedia:Teknik Informatika, Multimedia & Jaringan Vol 3, No 1 (2018): Jurnal Infomedia
Publisher : Politeknik Negeri Lhokseumawe

Abstrak — Permainan rubik’s cube merupakan salah satu permainan yang penuh tantangan dan digemari anak muda. Bermain rubik’s cube itu mengasyikkan. Selain permainan kerangkasan logika, permainan ini juga dituntut bekerja keras untuk menyelesaikannya. Bagi orang-orang tertentu jenis permainan ini sulit untuk diselesaikan. Kesulitan itu karena seseorang harus berpikir berulang kali agar dapat menyamakan warna-warna pada setiap sisinya. Rubik’s cube adalah permainan kubus yang berukuran 3 x 3 x 3. Pemain berupaya menyelesaikan rubik’s cube dengan memutar enam warna yang berbeda di seluruh kubus sampai setiap dari enam sisi menunjukkan warna tertentu yang sama. Untuk menyelesaikan rubik’s cube dapat digunakan berbagai macam algoritma. Rubik’s cube dapat dicari penyelesaiannya dan solusi yang dihasilkan cukup singkat. Pada kali ini akan dikemukakan optimasi penyelesaian rubik’s cube dengan menggunakan algoritma IDA* dan algoritma Brute Force.Kata kunci — algoritma IDA*, algoritma Brute Force, Rubik’s Cube Abstract — Rubik's cube game is one of the most challenging and popular games of the young. Playing rubik's cube is fun. In addition to logic clever games, this game is also required to work hard to solve it. For certain people this type of game is difficult to complete. The difficulty is because one has to think over and over to be able to match the colors on each side. Rubik's cube is a 3 x 3 x 3 cube game. The player attempts to finish the rubik's cube by rotating six different colors across the cube until each of the six sides shows the same particular color. To finish rubik's cube can be used various kinds of algorithm. Rubik's cube can be searched for and the resulting solution is quite short. At this time will be proposed optimization of rubik's cube solving by using IDA * algorithm and Brute Force algorithm.Keywords— IDA * algorithm, Brute Force algorithm, Rubik's Cube

Design of A Real-Time Object Detection Prototype System with YOLOv3 (You Only Look Once) Chichi Rizka Gunawan; Nurdin Nurdin; Fajriana Fajriana
International Journal of Engineering, Science and Information Technology Vol 2, No 3 (2022)
Publisher : Master Program of Information Technology, Universitas Malikussaleh, Aceh Utara, Indonesia

Object detection is an activity that aims to gain an understanding of the classification, concept estimation, and location of objects in an image. As one of the fundamental computer vision problems, object detection can provide valuable information for the semantic understanding of images and videos and is associated with many applications, including image classification. Object detection has recently become one of the most exciting fields in computer vision. Detection of objects on this system using YOLOv3. The You Only Look Once (YOLO) method is one of the fastest and most accurate methods for object detection and is even capable of exceeding two times the capabilities of other algorithms. You Only Look Once, an object detection method, is very fast because a single neural network predicts bounded box and class probabilities directly from the whole image in an evaluation. In this study, the object under study is an object that is around the researcher (a random thing). System design using Unified Modeling Language (UML) diagrams, including use case diagrams, activity diagrams, and class diagrams. This system will be built using the python language. Python is a high-level programming language that can execute some multi-use instructions directly (interpretively) with the Object Oriented Programming method and also uses dynamic semantics to provide a level of syntax readability. As a high-level programming language, python can be learned easily because it has been equipped with automatic memory management, where the user must run through the Anaconda prompt and then continue using Jupyter Notebook. The purpose of this study was to determine the accuracy and performance of detecting random objects on YOLOv3. The result of object detection will display the name and bounding box with the percentage of accuracy. In this study, the system is also able to recognize objects when they object is stationary or moving.

Deteksi Ikan Segar Secara Realtime dengan YOLOv4 menggunakan Metode Convolutional Neural Network Chichi Rizka Gunawan; Nurdin Nurdin; Fajriana Fajriana
Jurnal Komtika (Komputasi dan Informatika) Vol 7 No 1 (2023)
Publisher : Universitas Muhammadiyah Magelang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31603/komtika.v7i1.8986

Ikan merupakan komoditas mudah rusak yang memerlukan penanganan segera setelah dikeluarkan dari laut. Untuk ikan segar dapat dilihat jika tidak diberikan pengolahan khusus yang tepat, kualitas ikan akan menurun dengan hitungan jam. Setiap orang ingin membeli ikan yang halal, aman, sehat, dan berkualitas tinggi. Selain itu juga perlu mengetahui perbedaan ikan yang segar dan tidak segar, terkadang ada pedagang nakal, ikan yang tidak segar masih dijual. Sehingga produk menjadi tidak aman saat dikonsumsi dan dapat merugikan konsumen. Untuk mengetahui akurasi dan performansi algoritma pendeteksi kesegaran ikan di Yolov4 menggunakan metode convolutional neural network (CNN), penelitian ini membuat sistem pendeteksi ikan segar secara realtime. Seiring waktu, orang mengembangkan pengetahuan dan teknologi untuk mendukung dan memfasilitasi pekerjaan mereka. Penelitian ini menggunakan 118 data citra untuk pelatihan dan 13 data citra untuk pengujian, dengan pelatihan berlangsung selama 6000 epoch. Proses YOLOv4-CNN adalah hasil dari data yang telah dideteksi oleh YOLOv4 akan diklasifikasi modelnya oleh CNN dimana sebelumnya citra akan di resize sehingga seluruh data citra memiliki ukuran yang sama untuk memudahkan proses konvolusi, dilanjutkan dengan fungsi aktivasi, pooling layer, fully connected layer dan diakhiri dengan proses klasifikasi objek. Kemudian hasil klasifikasi akan diimplementasikan kembali pada YOLOv4 untuk mengetahui pendeteksian ikan segar telah terdeteksi dengan baik atau tidak. Hasil dari pendeteksian kesegaran ikan menggunakan algoritma YOLOv4-CNN dapat dinilai bekerja dengan baik. Pengujian sistem pada Yolov4-CNN memperoleh MAP sebesar 93.75%, dengan presisi 1.00%, recall 0.93%, f-Score 0.96% dan juga rata-rata nilai IoU sebesar 74.17%.

Pengembangan Alat Pengering Pisang Sale untuk Meningkatkan Kualitas Produksi dan Pemberdayaan Ekonomi Masyarakat Kampung Baroh, Langsa Fadhilla, Cut Alna; Isra, Muhammad; Harmin, Amalia; Gunawan, Chichi Rizka; Bravikawati, Marini; Rizki, Muhammad Nuzan; Kamar, Iqbal
Jurnal Malikussaleh Mengabdi Vol. 3 No. 2 (2024): Jurnal Malikussaleh Mengabdi, Oktober 2024
Publisher : LPPM Universitas Malikussaleh

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29103/jmm.v3i2.20412

Pengeringan pisang sale merupakan langkah krusial dalam proses produksi pisang sale, sebuah produk olahan tradisional yang menjadi sumber mata pencaharian utama bagi masyarakat Kampung Baroh, Langsa. Namun, metode pengeringan tradisional yang selama ini digunakan sering kali tidak efisien, memakan waktu lama, dan kurang memenuhi standar kebersihan. Oleh karena itu, pengabdian ini bertujuan untuk mengembangkan alat pengering pisang sale yang sederhana, efisien, dan mudah digunakan oleh masyarakat setempat, dengan harapan dapat meningkatkan kualitas produksi serta memberdayakan ekonomi lokal. Proses pengembangan alat pengering ini melibatkan partisipasi aktif dari masyarakat Kampung Baroh. Tim pengabdian bekerja sama dengan warga untuk merancang, menguji, dan memperbaiki prototipe alat pengering yang sesuai dengan kondisi lingkungan dan budaya setempat, serta memenuhi standar keamanan pangan dan sanitasi. Hasil dari pengabdian ini menunjukkan bahwa penggunaan alat pengering yang dikembangkan mampu menghasilkan pisang sale dengan kualitas yang lebih baik, baik dari segi tekstur, rasa, maupun kebersihan. Selain itu, alat ini juga mempercepat proses pengeringan yang sebelumnya memakan waktu berhari-hari menjadi hanya sekitar 10 jam. Dampak positif dari keberadaan alat ini adalah peningkatan produktivitas masyarakat Kampung Baroh, yang kini dapat memasok pisang sale ke pasar lokal dan regional dengan lebih cepat dan efisien.

Optimization of the Travelling Salesman Problem Based on Genetic Algorithm with Adaptive Crossover and Mutation Probabilitie Gunawan, Chichi Rizka
Jurnal Ilmu Komputer dan Sistem Informasi Vol. 3 No. 3 (2024): September 2024
Publisher : LKP Unity Academy

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70340/jirsi.v3i3.166

The Travelling Salesman Problem (TSP) is a combinatorial optimization problem that aims to find the shortest route to visit each city exactly once and return to the starting city. As an NP-hard problem, solving TSP requires heuristic approaches. This study employs the Genetic Algorithm to solve TSP by integrating adaptive crossover and mutation probabilities. The adaptive approach allows the crossover and mutation parameters to be dynamically adjusted based on the population conditions at each generation, thereby improving the efficiency of the optimal solution search. The research begins with chromosome representation as a sequence of cities, followed by the initialization of the initial population randomly. Fitness evaluation is conducted based on the total travel distance to determine the solution’s quality. Selection of the best individuals, adaptive crossover, and adaptive mutation are applied to generate a better new population. Elitism is used to ensure that the best solutions are preserved. The algorithm iterates until it reaches the maximum number of generations or a specific fitness threshold. The results show that the adaptive approach produces an optimal travel route with the minimum total distance. The optimal route is visualized by connecting city points, and the fitness progression demonstrates significant improvement in the early generations and stabilization in the later generations. With a crossover probability of 0.8 and mutation probability of 0.005, the algorithm effectively maintains a balance between exploration and exploitation of the solution space, preventing premature convergence, and producing efficient solutions. This study demonstrates that the Genetic Algorithm with an adaptive approach if effective in solving TSP with a moderate number of cities. Additionally, this approach can be adapted for larger datasets or compared with other optimization methods, such as Ant Colony Optimization (ACO) and Particle Swarm Optimization (PSO), to further evaluate its performance.

Enhancing the Performance of Machine Learning Algorithm for Intent Sentiment Analysis on Village Fund Topic Anam, M. Khairul; Putra, Pandu Pratama; Malik, Rio Andika; Karfindo, Karfindo; Putra, Teri Ade; Elva, Yesri; Mahessya, Raja Ayu; Firdaus, Muhammad Bambang; Ikhsan, Ikhsan; Gunawan, Chichi Rizka
Journal of Applied Data Sciences Vol 6, No 2: MAY 2025
Publisher : Bright Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47738/jads.v6i2.637

This study explores the implementation of Intent Sentiment Analysis on Twitter data related to the Village Fund program, leveraging Multinomial Naïve Bayes (MNB) and enhancing it with Synthetic Minority Over-sampling Technique (SMOTE) and XGBoost (XGB). The analysis categorizes tweets into six labels: Optimistic, Pessimistic, Advice, Satire, Appreciation, and No Intent. Initially, the MNB model achieved an accuracy of 67% on a 90:10 data split. By applying SMOTE, accuracy improved by 12%, reaching 89%. However, adding Chi-Square feature selection did not increase accuracy further. Incorporating XGB into the MNB+SMOTE model led to a 6% improvement, achieving a final accuracy of 95%. Comprehensive model evaluation revealed that the MNB+SMOTE+XGB model achieved 96% accuracy, 96% precision, 96% recall, and a 96% F1-score, with an AUC of 99%, categorizing it as excellent. These findings demonstrate that the combination of SMOTE for addressing class imbalance and XGBoost for boosting performance significantly enhances the MNB model's classification capabilities. The novelty lies in the integration of these techniques to improve intent sentiment classification for public opinion analysis on the Village Fund program. The results indicate that the majority of tweets labeled as "No Intent" reflect a lack of specific sentiment or actionable intent, providing valuable insights into public perception of the program.

Transformasi Cara Belajar Siswa dengan Teknologi AI di Genggaman Menggunakan ChatGPT Hasibuan, Ade Zulkarnain; Asih, Munjiat Setiani; Syahputra, Irwanda; Fadhilla, Cut Alna; Gunawan, Chichi Rizka
JURIBMAS : Jurnal Hasil Pengabdian Masyarakat Vol 3 No 3 (2025): Maret 2025
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juribmas.v3i3.336

Perkembangan teknologi kecerdasan buatan (Artificial Intelligence/AI) telah membuka peluang baru dalam dunia pendidikan, khususnya dalam mendukung pembelajaran mandiri siswa. Kegiatan pengabdian masyarakat ini bertujuan untuk memperkenalkan ChatGPT sebagai salah satu bentuk AI yang dapat dimanfaatkan sebagai alat bantu belajar siswa secara interaktif dan fleksibel. Kegiatan dilaksanakan di SMK Pantai Labu dengan melibatkan siswa sebagai peserta utama. Metode pelaksanaan meliputi observasi dan analisis kebutuhan, penyusunan materi pelatihan, serta pelaksanaan pelatihan tatap muka. Siswa dilatih untuk menggunakan ChatGPT dalam memahami materi pelajaran, menyusun pertanyaan, serta mengeksplorasi topik akademik secara mandiri. Hasil kegiatan menunjukkan bahwa 85% siswa merasa terbantu dalam belajar menggunakan ChatGPT, dan 78% menyatakan akan menggunakannya kembali. Kegiatan ini berhasil meningkatkan pemahaman siswa terhadap konsep AI, membangun kebiasaan belajar mandiri, serta memperkuat literasi digital. Pengenalan teknologi AI melalui ChatGPT terbukti memberikan dampak positif terhadap motivasi dan cara belajar siswa serta sangat relevan untuk diimplementasikan lebih luas dalam sistem pendidikan menengah.

Deteksi Ikan Segar Secara Realtime dengan YOLOv4 menggunakan Metode Convolutional Neural Network Gunawan, Chichi Rizka; Nurdin, Nurdin; Fajriana, Fajriana
Jurnal Komtika (Komputasi dan Informatika) Vol 7 No 1 (2023)
Publisher : Universitas Muhammadiyah Magelang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31603/komtika.v7i1.8986

Ikan merupakan komoditas mudah rusak yang memerlukan penanganan segera setelah dikeluarkan dari laut. Untuk ikan segar dapat dilihat jika tidak diberikan pengolahan khusus yang tepat, kualitas ikan akan menurun dengan hitungan jam. Setiap orang ingin membeli ikan yang halal, aman, sehat, dan berkualitas tinggi. Selain itu juga perlu mengetahui perbedaan ikan yang segar dan tidak segar, terkadang ada pedagang nakal, ikan yang tidak segar masih dijual. Sehingga produk menjadi tidak aman saat dikonsumsi dan dapat merugikan konsumen. Untuk mengetahui akurasi dan performansi algoritma pendeteksi kesegaran ikan di Yolov4 menggunakan metode convolutional neural network (CNN), penelitian ini membuat sistem pendeteksi ikan segar secara realtime. Seiring waktu, orang mengembangkan pengetahuan dan teknologi untuk mendukung dan memfasilitasi pekerjaan mereka. Penelitian ini menggunakan 118 data citra untuk pelatihan dan 13 data citra untuk pengujian, dengan pelatihan berlangsung selama 6000 epoch. Proses YOLOv4-CNN adalah hasil dari data yang telah dideteksi oleh YOLOv4 akan diklasifikasi modelnya oleh CNN dimana sebelumnya citra akan di resize sehingga seluruh data citra memiliki ukuran yang sama untuk memudahkan proses konvolusi, dilanjutkan dengan fungsi aktivasi, pooling layer, fully connected layer dan diakhiri dengan proses klasifikasi objek. Kemudian hasil klasifikasi akan diimplementasikan kembali pada YOLOv4 untuk mengetahui pendeteksian ikan segar telah terdeteksi dengan baik atau tidak. Hasil dari pendeteksian kesegaran ikan menggunakan algoritma YOLOv4-CNN dapat dinilai bekerja dengan baik. Pengujian sistem pada Yolov4-CNN memperoleh MAP sebesar 93.75%, dengan presisi 1.00%, recall 0.93%, f-Score 0.96% dan juga rata-rata nilai IoU sebesar 74.17%.

Title

Found 8 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 8 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 8 Documents
Search