Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : Jurnal Komputer dan Teknologi Informasi

Sistem Klasifikasi Tahu Non-Formalin Menggunakan Metode Random Forest Sefrina Ainun; Muhammad Munsarif; Muhammad Sam'an
JURNAL KOMPUTER DAN TEKNOLOGI INFORMASI Vol 1, No 2 (2023): Sistem Pengambilan Keputusan
Publisher : Universitas Muhammadiyah Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26714/jkti.v1i2.12861

Abstract

Tahu formalin adalah salah satu jenis makanan yang mengandung bahan-bahan kimia yang dapat mengawetkan daripada tahu tanpa formalin. Penelitian ini bertujuan untuk mengklasifikasikan tahu formalin dan tahu tidak formalin. Penelitian ini menggunakan metode random forest yang merupakan bagian dari algoritma machine learning untuk klasifikasi, Penelitian ini mencoba menerapkan metode random forest pada dataset tahu formalin dengan jumlah dataset public. Setelah dilakukan beberapa tahapan dalam pengujian dengan metode random forest maka diperolah hasil akurasi 89%. Model random forest dikembangkan menjadi aplikasi web deteksi tahu non formalin dan tahu formalin yang berfungsi bagi masyarakat dalam meningkatkan pangan agar bebas konsumsi tahu non formalin.
Penerapan algoritma convolutional neural network (cnn) untuk mengklasifikasi jenis kendaraan Wibowo, Bhanu Lintang; Caesarizky, Ovien Yoga; Hakim, Muhammad Ilham; Munsarif, Muhammad
JURNAL KOMPUTER DAN TEKNOLOGI INFORMASI Vol 2, No 2 (2024): Implementasi Sistem Cerdas
Publisher : Universitas Muhammadiyah Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26714/jkti.v2i2.13938

Abstract

Dengan berkembangnya teknologi kendaraan otonom dan pengawasan lalu lintas cerdas, klasifikasi kendaraan menjadi elemen kunci dalam sistem transportasi modern. Artikel ini mengusulkan suatu pendekatan berbasis Convolutional Neural Network (CNN) untuk meningkatkan ketepatan dan efisiensi dalam klasifikasi jenis kendaraan dari data visual. Metode yang diusulkan menggunakan arsitektur CNN yang mendalam untuk mengekstraksi fitur-fitur penting dari citra kendaraan. Data pelatihan yang luas dan bervariasi digunakan untuk melatih model, yang kemudian diuji pada dataset independen untuk mengevaluasi performanya. Hasil eksperimen menunjukkan bahwa pendekatan ini dapat mencapai tingkat akurasi yang tinggi dalam klasifikasi kendaraan, bahkan dalam kondisi pencahayaan yang bervariasi dan latar belakang yang kompleks. Keuntungan utama dari metode ini adalah kemampuannya untuk secara otomatis mempelajari pola dan fitur- fitur diskriminatif dari citra kendaraan, membuatnya mampu mengatasi variasi dan kompleksitas dalam lingkungan praktis. Hasil dari penelitian ini memberikan kontribusi positif terhadap pengembangan sistem transportasi pintar dan meningkatkan keamanan serta efisiensi lalu lintas.