Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal EXPERT: Jurnal Manajemen Sistem Informasi dan Teknologi Prosiding National Conference for Community Service Project
Elvis Elvis
Universitas Internasional Batam
Humanities Civil Engineering, Building, Construction & Architecture Computer Science & IT Economics, Econometrics & Finance Education

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

Found 2 Documents
Search

 1 
Implementasi Pengabdian kepada Masyarakat Melalui Kegiatan Pemantauan Coklit Ivan Susanto; Honelius Anderson; Tasya Cecilia; Ardi Oktavian; Elvis Elvis; Eric Ho; Anandita Nadya Reisya Putri; Fariz Ajy Putra; Petrik Piter; Calvin Calvin; Rahel Siahaan; Muhammad Nur Affan Ghozali; Pebri Gery Valentine Sinaga; Allan Kwan; Anisa Yessika Nababan; Betrand Fernando Nggadas; Dave Tiffano Miracle Gaghana; Kyushu Davina Shebiartha; Chelsea Hitlon
National Conference for Community Service Project (NaCosPro) Vol 5 No 1 (2023): The 5th National Conference for Community Service Project 2023
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat Universitas Internasional Batam

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37253/nacospro.v5i1.8140

Abstract

Negara Indonesia adalah negara demokrasi yang memegang teguh prinsip partisipasi masyarakat dalam membentuk sebuah negara yang berdaulat, tentunya melibatkan seluruh masyarakatnya dalam proses pemilihan anggota pemerintahan. Pemilu menjadi salah satu bentuk sarana pelaksanaan kedaulatan rakyat Indonesia dan Lembaga demokrasi yang dilaksanakan dengan asas langsung, umum, bebas, rahasia, jujur, dan adil. Dalam kegiatan Program Pengabdian kepada Masyarakat yakni kegiatan pemantauan Coklit, mengharuskan mahasiswa menggunakan metode yang langsung terjun ke lokasi serta metode pendidikan kepada masyarakat agar masyarakat menyadari pentingnya suara mereka dalam kegiatan Pemilu. Masyarakat juga harus memastikan bahwa seluruh anggota keluarga yang sudah memiliki hak pilih, terdaftar sebagai pemilih dalam kegiatan Pemilu. mahasiswa melakukan sosialisasi terkait pemantauan Coklit yang targetnya merupakan masyarakat yang tentunya masih awam terhadap proses tahapan persiapan Pemilu. Luaran yang diharapkan oleh pihak Universitas maupun pihak BAWASLU berupa tercapainya jumlah data yang cocok setelah penempelan stiker oleh pantarlih, memberikan kontribusi dalam pengumpulan dan pencocokan informasi yang tepat dan akurat.Kegiatan Pengabdian kepada Masyarakat yakni pencocokan dan penelitian data pemilih (coklit), mahasiswa dapat dikatakan mencapai tingkat keberhasilan yang sangat baik. Seluruh lokasi di kawasan Kota Batam, sudah dilakukan Coklit oleh para mahasiswa dari Universitas Internasional Batam. Dengan adanya persiapan yang matang baik dari pihak mahasiswa, universitas, maupun pihak BAWASLU, membawakan hasil positif. Segala hambatan maupun permasalahan dapat diatasi secara seksama.
Evaluasi Efektivitas Teknik Regularisasi Dalam Mengurangi Overfitting Pada Model CNN Stefanus Eko Prasetyo; Haeruddin Haeruddin; Elvis Elvis
EXPERT: Jurnal Manajemen Sistem Informasi dan Teknologi Vol 15, No 2 (2025): December
Publisher : Universitas Bandar Lampung (UBL)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36448/expert.v15i2.4676

Abstract

Penelitian ini bertujuan mengevaluasi dan membandingkan efektivitas berbagai teknik regularisasi seperti regularisasi L1 dan L2, dropout, dan augmentasi data, baik secara terpisah maupun kombinasi, dalam mengatasi overfitting pada model Convolutional Neural Network (CNN) dalam skenario dataset terbatas. Keterbatasan dataset merupakan tantangan utama yang menyebabkan model CNN cenderung mengalami overfitting, di mana performa pada data pelatihan 97.95% akurasi jauh melebihi akurasi validasi 67%. Penelitian ini menggunakan arsitektur CNN dasar yang konsisten dan dataset CIFAR-10. Hasil pengujian teknik regularisasi tunggal menunjukkan bahwa augmentasi data adalah teknik yang paling optimal pada pengujian terpisah. Model dengan augmentasi data mencapai akurasi validasi tertinggi 78.18% dan kesenjangan generalisasi terendah 2.31% di antara semua teknik yang diuji. Sementara itu, ditemukan bahwa penggunaan tingkat regularisasi yang terlalu ekstrem pada teknik regularisasi L1/L2 dapat menyebabkan underfitting karena bobot dipaksa mendekati nol  sehingga model kehilangan kapasitas belajar. Pencapaian kinerja model yang paling superior diperoleh melalui pendekatan kombinasi. Kombinasi antara augmentasi data dan regularisasi L2 menghasilkan akurasi validasi tertinggi sebesar 79.89% dengan kesenjangan generalisasi paling kecil, yaitu 0.38%. Dengan demikian, disimpulkan bahwa pendekatan kombinasi teknik regularisasi adalah strategi paling efektif untuk meningkatkan generalisasi model CNN pada lingkungan dengan dataset terbatas.
Co-Authors Allan Kwan Anandita Nadya Reisya Putri Anisa Yessika Nababan Ardi Oktavian Betrand Fernando Nggadas Calvin Calvin Chelsea Hitlon Dave Tiffano Miracle Gaghana Eric Ho Fariz Ajy Putra Haeruddin, . Honelius Anderson Ivan Susanto Kyushu Davina Shebiartha Muhammad Nur Affan Ghozali Pebri Gery Valentine Sinaga Petrik Piter Prasetyo, Stefanus Eko Rahel Siahaan Tasya Cecilia