Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Sainsbertek Jurnal Ilmiah Sains & Teknologi
Oesman Hendra Kelana
Dosen Teknik Informatika, Fakultas Sains & Teknologi, Universitas Ma Chung
Arts Chemistry Computer Science & IT Decision Sciences, Operations Research & Management Engineering Industrial & Manufacturing Engineering Medicine & Pharmacology Public Health

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
PREDIKSI HARGA FOREIGN EXCHANGE MATA UANG EUR/USD DAN GBP/USD MENGGUNAKAN LONG SHORT-TERM MEMORY Angel Joanna Wijaya; Windra Swastika; Oesman Hendra Kelana
Sainsbertek Jurnal Ilmiah Sains & Teknologi Vol. 2 No. 1 (2021): September - Sainsbertek Jurnal Ilmiah Sains & Teknologi
Publisher : Fakultas Sains Dan Teknologi Universitas Ma Chung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33479/sb.v2i1.121

Abstract

Foreign exchange (Forex) adalah perdagangan pasangan mata uang dari harga mata uang suatu negara terhadap mata uang negara lainnya. Pada penelitian ini menggunakan metode Long Short-Term Memory (LSTM) untuk memprediksi harga close mata uang EUR/USD (Euro terhadap Dolar Amerika) dan GBP/USD (Pound Sterling terhadap Dolar Amerika) pada candle D1 (1 hari) dengan input harga open dan close. Hasil yang diperoleh model EUR/USD dengan 1 input mendapatkan nilai Mean Squared Error (MSE) terendah yaitu 0,0535 dengan model 1 layer LSTM 10 node dan menggunakan optimizer Nadam. Pada model 3 input mendapatkan nilai MSE terendah yaitu 0,0529 dengan model 1 layer LSTM 10 node dan menggunakan optimizer Nadam. Sedangkan, model 5 input mendapatkan nilai MSE terendah yaitu 0,0469 dengan model 1 layer LSTM 10 node dan menggunakan optimizer Nadam. Pada mata uang GBP/USD, model dengan 1 input mendapatkan nilai MSE terendah yaitu 0,0543 dengan model 1 layer LSTM 10 node dan menggunakan optimizer Nadam. Pada model 3 input mendapatkan nilai MSE terendah yaitu 0,0520 dengan model 1 layer LSTM 10 node dan menggunakan optimizer Adam. Sedangkan, model 5 input mendapatkan nilai MSE terendah yaitu 0,0631 dengan model 1 layer LSTM 10 node dan menggunakan optimizer Adam. Model dengan MSE terbaik yang digunakan pada website yang dibuat. Rekomendasi yang diberikan adalah pada mata uang EUR/USD menggunakan model 5 input dan mata uang GBP/USD menggunakan model 3 input. Hasil loss MSE, akurasi MSE, dan jumlah profit yang didapatkan semuanya adalah yang terbaik jika dibandingkan dengan model dengan jumlah input lainnya
IMPLEMENTASI TRANSFER LEARNING PADA CONVOLUTIONAL NEURAL NETWORK UNTUK DIAGNOSIS COVID-19 DAN PNEUMONIA PADA CITRA X-RAY Alexander Eric Wijaya; Windra Swastika; Oesman Hendra Kelana
Sainsbertek Jurnal Ilmiah Sains & Teknologi Vol. 2 No. 1 (2021): September - Sainsbertek Jurnal Ilmiah Sains & Teknologi
Publisher : Fakultas Sains Dan Teknologi Universitas Ma Chung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33479/sb.v2i1.125

Abstract

COVID-19 menjadi salah satu masalah yang besar bagi banyak negara di dunia sejak tahun 2020. COVID-19 dan Pneumonia memiliki kemiripan dalam hal gejala seperti batuk dan sesak napas. Upaya diagnosis COVID-19 dan Pneumonia dilakukan dengan pemeriksaan laboratorium dan juga rontgen dada. Citra hasil x-ray dada pasien COVID-19 memiliki kesamaan dengan hasil x-ray pasien Pneumonia tetapi ahli radiologi berhasil menemukan bahwa terdapat perbedaan antara citra x-ray dada penderita COVID-19 dengan citra x-ray dada pasien Pneumonia dimana terdapat pola seperti kaca yang ditumbuk pada hasil citra X-ray penderita virus Corona.Diagnosis pada citra x-ray dada pasien menggunakan model Deep Learning. Pada penelitian ini juga akan membandingkan performa model Xception menggunakan Transfer Learning dengan performa model Xception tanpa Transfer Learning. Terdapat 4 eksperimen konfigurasi pada model Xception tanpa Transfer yaitu konfigurasi pelatihan layer base model, pelatihan base model, pelatihan custom head model, dan pelatihan pada layer base model serta custom head model. Terdapat 2 eksperimen menggunakan model Resnet50 dan VGG16 tanpa Transfer Learning. Model Xception menggunakan Transfer Learning memiliki performa lebih baik daripada model Xception tanpa Transfer Learning. Keempat eksperimen model Xception tanpa Transfer Learning dan kedua eksperimen dengan model Resnet serta VGG16 memiliki akurasi diatas 85%. Namun keenam model tanpa Transfer Learning tersebut tidak mampu mengenali Pneumonia pada citra x-ray dada pasien.
Co-Authors Alexander Eric Wijaya Angel Joanna Wijaya Windra Swastika