Claim Missing Document
Check
Articles

Found 3 Documents
Search
Journal : Journal of Embedded Systems, Security and Intelligent Systems

POST TRAINING QUANTIZATION IN LENET-5 ALGORITHM FOR EFFICIENT INFERENCE Dary Mochamad Rifqie; Dewi Fatmarani Surianto; Nurul Mukhlisah Abdal; Wahyu Hidayat M; Hartini Ramli
Journal of Embedded Systems, Security and Intelligent Systems Vol 3, No 1 (2022): May 2022
Publisher : Program Studi Teknik Komputer

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

Abstract

Ketika model jaringan saraf tiruan menjadi lebih baik , keinginan untuk mengimplementasikannya di dunia nyata semakin meningkat. Namun, konsumsi energi dan akurasi jaringan saraf tiruan sangat besar karena ukuran dan kompleksitasnya, sehingga sulit untuk diimplementasikan pada embedded devices. Kuantisasi jaringan saraf ini adalah sebuah teknik untuk dapat memecahkan masalah seperti mengurangi ukuran dan kompleksitas jaringan saraf tiruan dengan mengurangi ketepatan parameter dan aktivasi. Dengan jaringan yang lebih kecil, dimungkinkan untuk menjalankan jaringan saraf di lokasi yang diinginkan. Artikel ini mengkaji tentang kuantisasi yang telah berkembang dalam beberapa dekade terakhir. Dalam penelitian ini, kami mengimplementasikan kuantisasi dalam algoritma lenet-5, yang merupakan algoritma jaringan saraf convolutional pertama yang pernah ada, dan dievaluasi dalam dataset MNIST dan Fashion-MNIST.
Optimisasi Sumber Energi Listrik Dari Mesin Pengering Rak Telur Menggunakan Modul Termoelektrik Generator: Indonesia Sudarmanto Jayanegara; Dary Mochamad Rifqie; Samnur; Akmal Hidayat; Muhammad Hasim S
Journal of Embedded Systems, Security and Intelligent Systems Vol 4, No 2 (2023): November 2023
Publisher : Program Studi Teknik Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59562/jessi.v4i2.978

Abstract

Energi listrik ialah energi yang kompleks diubah bentuk ke energi yang lain. Energi listrik sangat dibutuhkan oleh manusia untuk membantu pekerjaannya. Energi listrik ini dapat dihasilkan dari konversi energi panas. Energi Panas ini dihasilkan dari plat permukaan cerobong mesin pengering rak telur. Energi panas tersebut diubah menjadi energi listrik dengan menggunakan konsep efek seebeck. Penelitian ini dilakukan untuk mengetahui karakter dari modul TEG sebagai sumber energi listrik dalam memanfaatkan panas pada dinding cerobong suatu mesin pengering rak telur yang menggunakan sekam padi sebagai bahan bakar tungku mesin. Pengujian dilakukan dengan cara memanfaatkan panas cerobong bawah yang terpisah oleh sebuah Heat Excanger (HE) dengan kecepatan blower tungku pembakaran 2600 rpm dan kecepatan blower lingkungan 2800 rpm dengan jumlh termoelektrik yang digunakan sebanyak 36 buah. Hasilnya menunjukkan bahwa modul TEG pada cerobong bawah diperoleh perbedaan temperatur (∆T), perbedaan tegangan (∆V) dan daya (P) masing-masing ∆T 73.25 °C ; ∆V 12.26 Volt ; P 1.312 Watt.
Optimizing Convolution Operation Using Winograd Minimal Filtering Transformation Dary Mochamad Rifqie; Muh. Ma’ruf Idris; Nur Azizah Eka Budiarti
Journal of Embedded Systems, Security and Intelligent Systems Vol 6, No 1 (2025): March 2025
Publisher : Program Studi Teknik Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59562/jessi.v6i1.7655

Abstract

Convolutional Neural Networks (CNNs) have achieved significant success in the field of computer vision; however, their high computational complexity poses challenges for deployment in real-time applications. This study explores the application of Winograd-based convolution algorithms, specifically F (2,3) and F (4,3), as a means to accelerate CNN inference. Using the VGG-16 architecture as a benchmark, we evaluate the performance of these algorithms in terms of execution time and computational accuracy. Experimental results demonstrate that Winograd F (2,3) reduces runtime by an average of 59.62%, while Winograd F (4,3) achieves a 39.81% reduction compared to standard convolution. Accuracy is assessed using single-precision 32-bit floating-point arithmetic, with results showing that Winograd F (2,3) achieves the lowest maximum element error in six out of nine convolutional layers. These findings indicate that Winograd-based methods offer an efficient alternative to conventional CNN computations, particularly in performance-constrained environments.