Article Per Year (5 Year)
p-Index From 2021 - 2026
5.015
P-Index
This Author published in this journals
All Journal International Journal of Electrical and Computer Engineering Bulletin of Electrical Engineering and Informatics Indonesian Journal of Electrical Engineering and Informatics (IJEEI) Indonesia Symposium on Computing Indonesian Journal on Computing (Indo-JC) JOIN (Jurnal Online Informatika) Sinkron : Jurnal dan Penelitian Teknik Informatika Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) JURNAL MEDIA INFORMATIKA BUDIDARMA Building of Informatics, Technology and Science JINAV: Journal of Information and Visualization Charity : Jurnal Pengabdian Masyarakat KLIK: Kajian Ilmiah Informatika dan Komputer eProceedings of Engineering Jurnal Matematika Integratif SmartComp CSRID LOGIC: Jurnal Penelitian Informatika
Jondri Jondri
Universitas Telkom, Bandung
Arts Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Library & Information Science Mathematics Mechanical Engineering Social Sciences Transportation

Published : 119 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 119 Documents
Search

 6   7   8   9   10 
Klasifikasi Sinyal Eeg Menggunakan Deep Neural Network Renette Ersti; Untari Novia Wisesty; Jondri Nasri
eProceedings of Engineering Vol 3, No 3 (2016): Desember, 2016
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Emosi adalah luapan perasaan seseorang yang dipengaruhi oleh suasana hati dan keadaan sekitarnya. Tidak semua orang dapat dengan mudah menyampaikan emosinya. Bagi orang yang kesusahan dalam menyampaikan emosi, orang tersebut tentu membutuhkan perantara. Salah satu caranya yaitu dengan membaca aktivitas sinyal otak atau biasa disebut dengan electroencephalograph (EEG). Pada Tugas Akhir ini, proses klasifikasi emosi terdiri dari tahap preprocessing, training, dan testing. Preprocessing dilakukan dengan menggunakan metode Discrete Wavelet Transform. Digunakan metode Deep Neural Network untuk mengolah sinyal EEG untuk diklasifikasi.. Metode Deep Neural Network menghasilkan performansi yang rendah. Data yang bagus dapat mengoptimalkan performansi sistem. Performansi terbaik diperoleh pada percobaan dengan learning rate sebesar 0.01 dan dengan parameter konstan epoch sebesar 100, epoch2 sebesar 10, dan menggunakan fungsi aktivasi sigmoid bipolar yaitu fscore sebesar 0.2051. Kata kunci : emosi, electroencephalograph, Deep Neural Networks, Discrete Wavelet Transform.
Denoising Sinyal Ekg Menggunakan Deep Neural Network Dengan Stacked Denoising Autoencoder Tedy Suwega; Jondri Jondri; Untari Wisesty
eProceedings of Engineering Vol 4, No 3 (2017): Desember, 2017
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Sinyal EKG memainkan peran penting dalam diagnosis primer, prognosis dan analisis survival penyakit jantung. Elektrokardiografi telah memiliki pengaruh besar pada praktek kedokteran. Sinyal elektrokardiogram berisi informasi penting yang dapat dimanfaatkan dengan cara yang berbeda. Sinyal EKG memungkinkan untuk analisis aspek anatomi dan fisiologis otot jantung secara keseluruhan. sinyal EKG sering terkontaminasi oleh berbagai jenis noise, seperti baseline wander(BW), electrode contact noise, dan motion artifacts(MA). Pada Tugas Akhir ini berbagai nosie yang terdapat pada sinyal EKG dihilangkan (denoising) dengan menggunakan metode Deep learning yaitu Stacked Denoising AutoEncoder (SDAE). Deep Learning berfokus pada menemukan reperesentasi fitur bertingkat yang dimana pada tingkatan fitur yang lebih tinggi merepresentasikan lebih banyak aspek abstrak dari data. Dengan Deep Learning, noise pada data sinyal EKG ini dapat diproses dengan SDAE sehingga menghasilkan data sinyal EKG yang bersih. Kata kunci : EKG, Deep Neural Network, SDAE.
Klasifikasi Sinyal Eeg Menggunakan Deep Neural Network Dengan Stacked Denoising Autoencoder Dieka Nugraha Karyana; Untari Novia Wisesty; Jondri Nasri
eProceedings of Engineering Vol 3, No 3 (2016): Desember, 2016
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pengenalan emosi merupakan kunci untuk membangun sebuah human computer interacton yang alami, yaitu komputer yang memiliki kecerdasan emosional dalam memberikan tanggapan. emosi dapat dikenali salah satunya melalui EEG (electrocephalonogram). Deep Learning berfokus pada menemukan reperesentasi fitur bertingkat yang dimana pada tingkatan fitur yang lebih tinggi merepresentasikan lebih banyak aspek abstrak dari data. Dengan menggunakan deep learning, data EEG dapat ditemukan representasi bertingkatnya dan dijadikan sebagai input kepada classifier agar dapat dilakukan Klasifikasi. Pada tugas akhir ini emosi diklasifikasi dengan menggunakan metode deep learning dengan Stacked Denoising AutoEncoder sebagai pembangun dari Deep Neural Network. Hasil pengujian terbaik untuk 4 kelas didapatkan nilai f1 score sebesar 0.3578 menggunakan data PCA. Sedangkan untuk klasifikasi 2 kelas didapatkan nilai f1 score sebesar 0.5656 untuk klasifikasi valence dan 0.5891 untuk klasifikasi arousal. Proses klasifikasi menggunakan data per orang menghasilkan performansi dengan rerata f1 score sebesar 0.5488. Penambahan jumlah hidden layer dan peningkatan nilai corruption level menyebabkan efek yang bervariasi terhadap peformansi DNN. Kata kunci : EEG, DNN, autoencoder, klasifikasi
Perbandingan Tingkat Akurasi Support Vector Machine Dengan Naive Bayes Pada Studi Kasus Okupansi Lahan Berdasarkan Kondisi Cuaca Yosua Marchel; Jondri Nasri
eProceedings of Engineering Vol 4, No 3 (2017): Desember, 2017
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Kondisi sebuah ruangan pada suatu lahan dapat mempengaruhi tingkat huni ruangan tersebut. Kondisi ini dipengaruhi oleh beberapa faktor, antara lain temperatur, cahaya matahari, serta kelembapannya. Kita tidak akan mengerti dengan pasti faktor apa yang paling mempengaruhi kondisi sebuah lahan. Salah satu contoh metode yang sering digunakan untuk klasifikasi data yaitu Support Vector Machine (SVM) dan Naive Bayes. Dengan memproses data melalui atribut yang ada, akan dihasilkan keputusan di kelas mana data tersebut berada. Dengan begitu kita dapat menghitung tingkat keakurasian kedua metode tersebut terhadap suatu studi kasus. Melalui penelitian yang telah dilakukan, menghasilkan akurasi dengan menggunakan SVM lebih besar dibanding dengan Naive Bayes berdasarkan data okupansi lahan yang dipengaruhi oleh cuaca. Kata kunci: Support Vector Machine, Naive Bayes, Okupansi
Klasifikasi Pergerakan Jari Tangan Berdasarkan Sinyal EMG Menggunakan Stacked Denoising Autoencoder untuk Mengendalikan Tangan Prostetik Echa Pangersa Sugianto Oeoen; Jondri Jondri; Untari Novia Wisesty
eProceedings of Engineering Vol 5, No 3 (2018): Desember 2018
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak Elektromiografi (EMG) adalah teknik penelitian yang berkaitan dengan perekaman sinyal myoelectric. Sinyal mioelektrik dibentuk oleh variasi fisiologis dalam keadaan selaput serat otot. Sinyal ini berguna untuk mendiagnosis kesalahan pada sistem saraf perifer. Penggunaan EMG juga bisa menjadi sumber utama dalam pengendalian tangan prostetik karena kenyamanan penggunanya. Tujuan dari penelitian ini adalah untuk mengidentifikasi pergerakan jari tangan manusia melalui sinyal EMG dengan cara klasifikasi. Ada 4 jenis gelombang dalam penelitian ini yang di klasifikasikan yaitu Literal, Grasp, Fist/Hook dan Tip. Metode yang digunakan dalam penelitian ini adalah Deep Neural Network - Stacked Denoising Autoencoder . Hasil pengujian penelitian ini menunjukan akurasi tertinggi sebesar 94%. Dalam studi kasus yang diterapkan penulis mencetak tangan prostetik yang sebelumnya telah dikembangkan mengunakan 3D printing. Kata kunci : Deep Learning, Electromyograph, Tangan Prostetik, Deep Neural Network, Mechine Learning, Stacked Denoising Autoencoder. Abstract Electromyography (EMG) is a research technique related to signal recording myoectric. The myoelectric signal is formed by physiological variation in the state of the muscle fiber membrane. This signal is useful for diagnosing errors in the peripheral nervous system. The use of EMG can also be a major source of prosthetic hand control due to the convenience of its users. The purpose of this project is to identify the movement of human fingers through EMG signals by way of classification. There are 4 types of waves in this study which will be classified as Literal, Grasp, Fist/Hook and Tip. Method that used in this project is Deep Neural Network - Stacked Denoising Autoencoder. The highest accuracy generated in this study was 94%. In a case study the writer applied a prosthetic hand print that had previously been developed using 3D printing. Keywords: Deep Learning, Electromyograph, Prosthetic Hand, Deep Neural Network, Mechine Learning, Stacked Denoising Autoencoder.
Pengenalan Wajah Menggunakan Convolutional Neural Network Halprin Abhirawa; Jondri Jondri; Anditya Arifianto
eProceedings of Engineering Vol 4, No 3 (2017): Desember, 2017
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Wajah merupakan salah satu dari ciri atau identitas unik yang dimiliki oleh manusia. Dalam mengenali wajah terdapat banyak metode yang bisa diimplementasikan. Salah satu dari implementasinya adalah dengan menggunakan Convolutional Neural Network (CNN). Convolutional Neural Network atau yang biasa disebut CNN merupakan bagian dari Deep Learning yang melakukan proses pembelajaran untuk mencari representasi terbaik. Dataset yang digunakan adalah The Extended Yale Face Database B, yang berupa dataset foto wajah. Dengan menggunakan proses dropout diperoleh hasil terbaik dengan tingkat akurasi pengenalan setinggi 89.73%. Sedangkan apabila dilakukan pengujian terhadap data testing akan diperoleh hasil akurasi pengenalan setinggi 75.79%. Kata kunci : Face Recognition, Deep Learning, Convolutional Neural Network, dropout
Paralelisasi Klasifikasi Data Ekspresi Gen Kanker Dengan Algoritma Deep Neural Network Menggunakan Stacked Sparse Autoencoder Aswindo Putra; Jondri Jondri; Fitriyani Fitriyani
eProceedings of Engineering Vol 5, No 3 (2018): Desember 2018
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penelitian bidang bioinformatika menjadi populer saat ini sebagai solusi bagi dunia medis. Salah satunya klasifikasi penyakit kanker menggunakan data gene expression. Deep learning telah menjadi penelitian yang menarik pada bidang bioinformatika. Banyak penelitian tentang klasifikasi kanker yang diangkat menggunakan deep learning. Klasifikasi menggunakan data gene expression berguna di dunia medis. Karena dapat mengklasifikasikan penyakit hanya menggunakan gen. Penelitian ini mengangkat klasifikasi gene kanker menggunakan metode deep neural network dengan stacked spare autoencoder dan autoencoder sebagai metode extraksinya. Selain itu digunakan juga sparse autoencoder sebagai representasi dari pembelajaran neural network. Ini digunakan untuk mengurangi masalah saat pembelajaran. Fine-tune digunakan sebagai optimasi bobot dan bias untuk jaringan neural network dengan metode gradient descent. Pengklasifikasian hasil dari pembelajaran menggunakan softmax classifier. Data yang digunakan bersumber dari portal of National Center for Biotechnology Information. Jumlah dataset yang digunakan sebanyak 1065 sampel dari 8 kategori kelas untuk beberapa penyakit kanker dan non kanker. Dengan ini diperoleh hasil akurasi tertinggi 97,3 % untuk training dan 92,6 % untuk testing. Paralelisasi dari algoritma ini dapat bekerja dengan baik, dimana efesiensi terhadap waktu komputasi lebih cepat dengan speed up sekitar 13,03 terhadap komputasi sekuensial. Tentunya ini menjadi momentum untuk mengembangkan algoritma neural network lainnya dengan teknik paralelisasi. Kata Kunci : Deep Learning, SSAE, Parallel Computing, High Performance Computing, Cancer Classification, gene expression Nowadays, research in bioinformatics can be one of the popular researches for the medical professional researcher. One of them is the classification using data gene expression. Deep learning has become an interesting research in bioinformatics fields. Many kinds of research about cancer classification are appointed using deep learning. Classification using gene expression dataset is useful in the medical profession. Because it can classify diseases using gene only. This research raised the classification gene expression cancer using deep neural network with stacked sparse autoencoder and autoencoder as an extraction method. In addition, sparse autoencoder is also used as a represented of neural network learning. Fine tuning is used as weight and bias optimization for neural network with gradient descent method. Classification of the learning result using the softmax classifier. This research, the data is sourced from the portal of National Center for Biotechnology Information. With this obtained, the highest accuracy of 97.3% for training and 92,6 % for testing. Parallelization for this algorithm work quite well, this shows to the efficiency of the computation time is faster with speed up 000% for sequential computation. Of course, this research becomes the best moment for other neural network algorithm development with parallelism technique. Keyword: Deep Learning, SSAE, Parallel Computing, High Performance Computing, Cancer Classification, gene expression
Peramalan Harga Saham Menggunakan Principal Component Analysis Dan Hidden Markov Model Erlina Febriani; Jondri Jondri; Deni Saepudin
eProceedings of Engineering Vol 3, No 3 (2016): Desember, 2016
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Prediksi harga saham merupakan salah satu penelitian penting dalam bidang perekonomian. Dalam praktiknya, harga suatu saham dapat diprediksi dengan menggunakan konsep analisis teknikal. Analisis teknikal didasarkan pada prinsip penggunaan data histori harga saham untuk memprediksi pergerakan saham dimasa mendatang. Tujuan dari penelitian ini adalah mengimplementasikan metode Principal Component Analysis dan Hidden Markov Model di dalam analisis teknikal untuk memprediksi pergerakan harga saham di masa mendatang. Sistem prediksi menggunakan data saham JKSE.JK, BBNI.JK, dan ANTAM.JK. Hasil dari percobaan dalam tugas akhir ini menunjukkan bahwa PCA dan HMM dapat bekerja dengan baik. Sistem ini memiliki MAPE terbaik sebesar 0,727%. Kata kunci : prediksi harga saham, time series, Principal Component Analysis, Hidden Markov Model
Klasifikasi Keadaan Mata Berdasarkan Sinyal Electroencephalography (eeg) Dengan Menggunakan Hierarchical Temporal Memory Guntur Virgenius; Jondri Jondri; Moch. Bijaksana
eProceedings of Engineering Vol 4, No 3 (2017): Desember, 2017
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Keadaan mata (mata terbuka atau tertutup) menghasilkan sinyal otak dengan karakteristik dan nilai tertentu. Dengan metode dan instrumen khusus yaitu electroencephalography (EEG), kita dapat mengetahui aktivitas otak yang terjadi melalui nilai-nilai yang dihasilkan oleh tiap-tiap sensor EEG dan merekamnya untuk diolah dan dianalisis. Dalam penelitian ini, penulis melakukan penelitian dengan membangun sistem yang akan melakukan klasifikasi keadaan mata berdasarkan nilai-nilai dari sinyal EEG dengan menggunakan Hierarchical Temporal Memory (HTM). Sistem HTM dapat digunakan untuk klasifikasi keadaan mata dan cocok untuk data dengan pola yang berubah-ubah secara teratur dan harmonis. Tingkat akurasi sistem HTM dalam melakukan klasifikasi dinilai cukup baik untuk pola data kronologis yang ditunjukkan dengan tingkat akurasi mencapai 87,65%. Parameter jumlah kolom dan bits aktif juga berpengaruh terhadap nilai akurasi. HTM kurang cocok untuk mengklasifikasikan data yang polanya acak karena sifat dari HTM yang memerlukan konteks berurutan dari sebuah data yang terdahulu untuk mengklasifikasi data yang dihadapi, terlihat dari pengujian menggunakan data acak, akurasi terbaiknya hanya 52,19%. Data sinyal EEG diperoleh dari UC Irvine Machine Learning Repository. Kata kunci : klasifikasi, EEG, keadaan mata, Hierarchical Temporal Memory
Klasifikasi Sinyal Ecg Menggunakan Deep Learning Dengan Stacked Denoising Autoencoders Ilham Muhammad; Jondri Jondri; Untari Wisesty
eProceedings of Engineering Vol 4, No 3 (2017): Desember, 2017
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Aritmia merupakan kondisi jantung yang berdetak tidak sebagaimana mestinya, bisa berdetak terlalu cepat, lambat, atau berdetak dengan pola yang tidak beraturan. Akibat jantung yang tidak berdetak dengan normal, maka peredaran darah pun menjadi tidak normal juga. Sehingga berpengaruh terhadap kondisi kesehatan tubuh. Untuk mendiagnosa aritmia, salah satu metode yang digunakan ialah dengan membaca pola sinyal jantung yang disebut dengan Electrocardiogram (ECG). Deep Learning merupakan suatu metode pembelajaran mesin yang memungkinkan komputasi dalam level abstraksi bertingkat. Salah satu jenis deep learning yaitu Stacked Denoising Autoencoders (SDAE) [7]. SDAE digunakan untuk merekonstruksi suatu data yang telah dirusak agar tetap memiliki informasi yang mendekati data yang sebenarnya. Pada tugas akhir ini, penulis merancang sebuah sistem yang dapat mendeteksi aritmia menggunakan metode SDAE sebagai tahap pretraining, dan Softmax Regression untuk melakukan fine tuning. Akurasi tertinggi yang dihasilkan dalam mengklasifikasikan sinyal ECG yaitu sebesar 98.91%. Kata kunci : Aritmia, Electrocardiogram, Deep Learning, Stacked Denoising Autoencoders, Softmax Regression, Fine Tuning.
Co-Authors Achmad Hussein Sundawa Kartamihardja Achmad Rizal Achmad Salim Aiman Aditya Kusuma Setyanegara Adnan Hassal Falah Ahmad, Fathih Adawi Akbar, Muhammad Rizqi Al Azhar Al Azhar Alfredo Alfredo Ali Zainal Abidin Assajjad Anditya Arifianto Andrian Yoga Pratama Anggit Nourislam Anggit Nourislam Anggit Nourislam Aniq Atiqi Rohmawati Anisa Nur Aini Annisa Aditsania Arief Hutauruk Arifudin Achmad Artamira Rizqy Amartya Maden Arya Rafif Muhammad Fikri Astri Asroviana Putri Aswindo Putra Bambang Ari Wahyudi Bayu Prabawa Bintang Aryo Dharmawan Bramandyo Widyarto, Edgarsa Daffa Ulayya Suhendra Danang Triantoro M Danang Triantoro Murdiansyah Danu Ardiyanto Dea Taradipa Ardiagarianti Dede Tarwidi Deni Saepudin Denny Maulana Deny Sugiarto Wiradikusuma Devy Yendriani Dieka Nugraha Karyana Ditta Febriany Sutrisna Diwan Mukti Pambuko Diwan Mukti Pambuko, Diwan Mukti Dyas Puspandari E Handayani Echa Pangersa Sugianto Oeoen Edvan Tazul Arifin Eka Handayani Eka Handayani Ema Rachmawati Emha Ainun Erlina Febriani Ersa Christian Prakoso Fahrudin Julianto Faisal HAmdani Fakhrana Kurnia Sutrisno Fani Nuraini Farisi, Kamaludin Hanif Fauzan Azhim Umsohi Fazlur Rahman Amri Febiansyah, Muhamad Fery Kun Widi Yudantyo Firdaniza Firdaniza Fitriyani Fitriyani Fransisca Arvevia Intan Angelia Ghina Khoerunnisa Giali Ghazali Guntur Virgenius Hadi, Salman Farisi Setya Hafidz Firmansyah Hafidz Firmansyah Hafiz Denasputra Halprin Abhirawa Hendra Prasetyanwar Huda Sepriandi Ibrahim Husna Aydadenta Ida Bagus Gde Narinda Giriputra Ika Puspita Dewi Ilham Muhammad Iman Nur Fakhri Imannda Kusuma Putra indwiarti Indwiarti Iqbal Dwihanandrio Irgi Aditya Rachman Irma Palupi Irwan Ramadhana Kamaludin Hanif Farisi Karina Priscilia Karina Priscilia Kemas Muslim Lhaksmana Kukuh Rahingga Permadi Kurniawan Nur Ramadhani Mahmud Dwi Sulistiyo Mahmud Sulistiyo Megi Rahma Dony Moch. Bijaksana Muh. Arfan Arsyad Muhalani, Raisul Muhamad Febiansyah Muhammad Farhan Muzakki Muhammad Fikrie Abdillah Muhammad Ghazali Suwardi Muhammad Hasan Muhammad Hasbi Ashshiddieqy Muhammad Irfan Fathurrahman Muhammad Wildan Putra Aldi Muslim Lhaksmana, Kemas Naufal Dzaky Anwari Naufal Furqan Hardifa Nurseno Bayu Aji Nurseno Bayu Aji Patma Oktaviana Puspandari, Dyas Putri Haryati Rizki Putri Haryati Rizki Putu Harry Gunawan Rafi Hafizhni Anggia Rahadian, Muhammad Rafi Raisul Muhalani Ratih Puspita Furi Redha Arifan Juanda Redi Nurjamin Renette Ersti Reza Harun Rian F. Umbara Rian F. Umbara, Rian F. Rian Febrian Umbara Rica Ning Nurhasanah Rini Shintawati Rita Rismala Rizki Luthfan Azhari Rizky Ahmad Saputra Rizky, Fariz Muhammad Roizal Manullang Siti Sa'adah Siti Saadah Sugondo Hadiyoso Supriadi, Muhamad Rifqi Syadzily , Muhammad Hasan Syifa Khairunnisa Salsabila Tedy Suwega Theo Andrew Tiara Laksmi Basuki Tifani Intan Solihati Tjokorda Agung Budi Wirayuda Ulky Parulian Wibowo Untari Novia Wisesty Untari Wisesty Varian Vianandha Vena Erla Candrika Vera Suryani Widi Astuti Widi Astuti Yahya Setiawan Yosua Marchel