p-Index From 2020 - 2025
6.435
P-Index
This Author published in this journals
All Journal Jurnal Teknologi dan Manajemen Informatika TEKNOLOGI: Jurnal Ilmiah Sistem Informasi TELKOMNIKA (Telecommunication Computing Electronics and Control) Jurnal Ilmiah Kursor Jurnal Teknologi dan Sistem Komputer Jurnal ELTIKOM : Jurnal Teknik Elektro, Teknologi Informasi dan Komputer INTEGER: Journal of Information Technology Teknika: Engineering and Sains Journal Knowledge Engineering and Data Science JICTE (Journal of Information and Computer Technology Education) SMARTICS Journal Kinetik: Game Technology, Information System, Computer Network, Computing, Electronics, and Control Konvergensi Jurnal Sisfokom (Sistem Informasi dan Komputer) INTECOMS: Journal of Information Technology and Computer Science Antivirus : Jurnal Ilmiah Teknik Informatika Journal of Information System,Graphics, Hospitality and Technology Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi Jurnal Teknologi Informasi dan Terapan (J-TIT) Jurnal Teknika Teknika Journal of Electrical Engineering and Computer (JEECOM) Best : Journal of Applied Electrical, Science and Technology Insyst : Journal of Intelligent System and Computation J-Intech (Journal of Information and Technology) Joutica : Journal of Informatic Unisla Jurnal Nasional Teknik Elektro dan Teknologi Informasi JOINCS (Journal of Informatics, Network, and Computer Science) Insand Comtech : Information Science and Computer Technology Journal Jurnal Indonesia Sosial Teknologi JEECS (Journal of Electrical Engineering and Computer Sciences) Eksplorasi Teknologi Enterprise & Sistem Informasi (EKSTENSI) EduTech Journal
Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : Journal of Electrical Engineering and Computer (JEECOM)

Expert System untuk Mendeteksi Penyakit Gigi Menggunakan Shell e2gLite dari Expertise2go Tuesday saka gustaf; Joan Santoso; Endang Setyati
Journal of Electrical Engineering and Computer (JEECOM) Vol 2, No 2 (2020)
Publisher : Universitas Nurul Jadid

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33650/jeecom.v2i2.1442

Abstract

Jumlah tenaga kerja kesehatan gigi di kalangan masyarakat dinilai kurang seimbang.Tujuan utama penelitian ini untuk mendeteksi penyakit pada gigi seseorang dengan menyediakan solusi berupa sistem pakar . Tahapan proses pada penelitian ini meliputi: Pembelajaran literatur mengenai Forward Chaining ,Certainly Factor dan software expertise2Go yaitu E2glite dan Pemahaman penerapan metode Certainly Factor , Menentukan batasan-batasan permasalahan dari penelitian mengenai penyakit pada gigi serta merumuskan serangkaian solusi-solusi berupa informasi untuk mengatasi permasalahan penyakit pada gigi.Nilai akurasi dihitung dari tingkat keberhasilan sistem melakukan pelacakan dan pemberian informasi yang tepat tentang diagnosa penyakit gigi dengan tingkat nilai akurasi sebesar 70%. berdasarkan perbandingan data dan hasil kesimpulan sistem.
Identifikasi Penulis Berdasarkan Pola Tulisan Tangan Menggunakan Convolutional Autoencoder dan KNN Muhammad Turmudzi; Endang Setyati
Journal of Electrical Engineering and Computer (JEECOM) Vol 3, No 1 (2021)
Publisher : Universitas Nurul Jadid

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33650/jeecom.v3i1.1548

Abstract

Identifikasi tulisan tangan dilakukan dengan beberapa tahapan, yaitu Akuisisi Citra dengan memanfaatkan mesin scanner dengan kualitas gambar 300dpi, Segmentasi dilakukan dengan metode threshold dan seleksi kontour dari gambar, penggabungan gambar hasil segmentasi, proses citra dari hasil segmentasi ke dalam Convolutional Autoencoder yang hasilnya diteruskan ke Transfer Learning (Lazy Learning) dalam hal ini penulis menggunakan metode KNN untuk mencocokkan tulisan tangan dari penulis. Penelitian dilakukan dengan menggunakan 100 dataset dari 20 penulis yang masing-masing penulis menulis 5 kali. Dataset yang digunakan di ujicoba pertama mengguanakan penggalan kalimat pada tulisan tangan yaitu Judul dari Puisi Chairil Anwar. Ujicoba dilakukan dengan membandingkan Training menggunakan Convolutional Autoencoder dan tanpa menggunakan Convolutional Autoencoder. Hasil dari ujicoba dengan Convolutional Autoencoder memperoleh nilai akurasi sebesar 89% dan tanpa menggunakan Convolutional Autoencoder, didapatkan nilai akurasi sebesar 88%. Pada ujicoba menggunakan tulisan tangan full, diperoleh hasil akurasi rata-rata 50% jauh di bawah hipotesa sehingga tidak cocok untuk diterapkan pada identifikasi tulisan tangan. Perlu ada nya pembatasan tulisan tangan yang akan digunakan sebagai dataset dalam identifikasi tulisan tangan