Ahmad Fahrudi Setiawan
Unknown Affiliation

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

KLASIFIKASI POLA SIDIK JARI MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK ANALISA KARAKTERISTIK SESEORANG Ahmad Fahrudi Setiawan; Alam Katon Agung
Antivirus : Jurnal Ilmiah Teknik Informatika Vol 10 No 2 (2016): November 2016
Publisher : Universitas Islam Balitar

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (275.646 KB) | DOI: 10.35457/antivirus.v10i2.162

Abstract

Dewasa ini, banyak bidang ilmu dan penelitian yang telah mengkaji tentang keterkaitan karakteristik seseorang berdasarkan pola sidik jari yang dimilikinya. Pola sidik jari tersebut bersifat unik antara satu sama lain, namun pada dasarnya pola sidik jari dikelompokkan kedalam tiga pola yaitu arch, loop, dan whorl. Pada penelitian ini, penulis membuat aplikasi yang mampu mengenali citra tiga pola sidik jari tersebut untuk keperluan analisa karakteristik anak usia dini. Untuk mengenali citra tiga pola sidik jari tersebut, penulis menggunakan metode jaringan syaraf tiruan backpropagation sebagai sistem yang dapat mengklasifikasi pola-pola sidik jari yang diberikan. Model jaringan syaraf tiruan yang penulis buat yaitu, memiliki 25600 unit pada input layer, 160 unit pada hiden layer, dan 3 unit pada layer output. Citra sidik jari yang digunakan yaitu sebanyak 70 citra pelatihan, dan 30 citra pengujian yang diklasifikasikan menjadi 3 kelas sidik jari yaitu arch, loop, dan whorl. Model jaringan syaraf ini mampu melakukan pengenalan terhadap citra pengujian dengan akurasi 83%.
SISTEM PAKAR DIAGNOSA PENYAKIT TANAMAN KEDELAI MENGGUNAKAN METODE FORWARD CHAINING BERBASIS WEB Ahmad Fahrudi Setiawan; Ratih Noviana Wahidah
Antivirus : Jurnal Ilmiah Teknik Informatika Vol 10 No 2 (2016): November 2016
Publisher : Universitas Islam Balitar

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (831.028 KB) | DOI: 10.35457/antivirus.v10i2.165

Abstract

Tanaman kedelai merupakan salah satu tanaman kacang-kacangan yang tergolong penting serta memiliki pengaruh terhadap perekonomian negara. Kebutuhan kedelai mengalami peningkatan setiap tahunnya, akan tetapi kurang didukung dengan peningkatan produksi kedelai dalam negeri, sehingga menyebabkan impor kedelai pun meningkat. Namun dalam perkembangannya keterbatasan pengetahuan yang berkaitan dengan kendala produksi kedelai dan keberadaan penyakit kedelai sangat diperlukan untuk peningkatan produksi kedelai. Dengan semakin majunya teknologi dan informasi di dunia saat ini, maka membawa pengaruh dalam kemajuan perkembangan teknologi yang mendorong seseorang untuk membuat suatu aplikasi sistem pakar diagnosa penyakit tanaman kedelai menggunakan metode Forward Chaining untuk memudahkan para petani mengetahui penyakit apa saja yang mampu menyerang tanaman kedelai dengan mudah tanpa harus mengeluarkan biaya yang banyak untuk konsultasikan tentang penyakit apa yang terjadi. Dalam sistem pakar ini menggunakan metode Forward Chaining. Dimana metode ini mencari terlebih dahulu sebuah informasi yang ada dan penggabungan rule untuk menghasilkan suatu kesimpuan atau tujuan. Dengan adanya sistem pakar ini, diharapkan dapat membantu para petani dalam mendeteksi penyakit pada kedelai , serta dapat mempercepat waktu pengerjaan diagnosa penyakitnya serta dapat memberikan solusinya.
Penerapan Algoritma K-Means Untuk Clustering Framework dan Library PHP Berdasarkan Analisis Code Structure Muhammad Ridho Putra Syalabi; Ahmad Fahrudi Setiawan; Eko Heri Susanto
CESS (Journal of Computer Engineering, System and Science) Vol. 10 No. 1 (2025): Januari 2025
Publisher : Universitas Negeri Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24114/cess.v10i1.65108

Abstract

pengembang menghadapi tantangan dalam memilih tools yang sesuai untuk kebutuhan proyek. Penelitian ini bertujuan untuk mengelompokkan framework dan library PHP berdasarkan analisis struktur kode menggunakan algoritma K-Means dengan sistem berbasis website. Analisis dilakukan dengan mempertimbangkan 13 atribut, seperti LOC, NCLOC, CLOC, rata-rata panjang kelas, panjang metode, dan distribusi fungsi, untuk menemukan pola distribusi dalam kelompok yang signifikan. Meskipun Elbow Method menunjukkan k=4 (91.799) sebagai cluster optimal berdasarkan penurunan WCSS yang signifikan, analisis lanjutan dengan Silhouette Score dan evaluasi visual menunjukkan bahwa pembagian data menjadi 3 cluster memberikan pemisahan yang lebih jelas dan mudah diinterpretasikan. Cluster 1 mewakili framework dengan struktur kode kecil dan sederhana, sementara Cluster 2 dan Cluster 3 mencerminkan framework dengan struktur yang lebih kompleks dan ukuran kode yang lebih besar. Oleh karena itu, jumlah cluster 3 dipilih sebagai hasil yang optimal, karena memberikan keseimbangan antara kompleksitas model dan interpretasi yang jelas. Hasil clustering menggunakan sistem berbasis website menunjukkan presisi lebih tinggi, dengan perhitungan jarak yang mencapai hingga 15 angka di belakang koma, dibandingkan perhitungan manual yang hanya mencapai 5-6 angka, yang mengindikasikan peningkatan akurasi. Penelitian ini memberikan kontribusi pada pengelompokan framework PHP yang lebih efisien dan membantu pengembang memilih tools yang sesuai.