Article Per Year (5 Year)
p-Index From 2020 - 2025
0.408
P-Index
This Author published in this journals
All Journal International Journal of Electrical and Computer Engineering JURNAL REKAYASA TEKNOLOGI INFORMASI
Tjikoa, Ade Fiqri
Unknown Affiliation
Computer Science & IT Electrical & Electronics Engineering

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

Found 2 Documents
Search

 1 
Algoritma Swarm Intelligence untuk Data Berdimensi Tinggi pada Machine Learning: Review Widians, Joan Angelina; Tjikoa, Ade Fiqri
Jurnal Rekayasa Teknologi Informasi (JURTI) Vol 8, No 1 (2024): Jurnal Rekayasa Teknologi Informasi (JURTI)
Publisher : Universitas Mulawarman

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30872/jurti.v8i1.15228

Abstract

Data berdimensi tinggi berpengaruh pada learning model, ruang pencarian dan waktu komputasi, serta akurasi informasi. Banyaknya karakteristik dan dimensi tinggi, serta klasifikasi pola memerlukan pemilihan fitur atau feature selection (FS). FS dapat menghapus fitur-fitur yang berlebihan dan tidak relevan saat memilih subset fitur-fitur terkait. Swarm Intelligence (SI) banyak digunakan untuk mengatasi permasalahan data berdimensi tinggi. Secara konsep, SI dapat berarti sebagai kecerdasan kolektif yang dihasilkan dari tingkah laku kawanan agen yang terinspirasi dari alam. Makalah ini mengenai tinjauan literatur yang komprehensif tentang algoritma SI terkhusus Ant Colony Optimization, Particle Swarm Optimization, dan Grey Wolf Optimizer. Selain itu, pemaparan analisis framework SI terpadu dan investigasi berbagai pendekatan algoritma SI dalam FS. Analisis lebih lanjut menggambarkan terdapat gabungan beberapa algoritma SI di berbagai domain riset. Teknik hybrid SI ini dapat diterapkan dalam FS untuk menemukan subset fitur dengan ukuran lebih kecil dan meningkatkan performa klasifikasi dibandingkan penggunaan algoritma FS biasa. Dengan makalah ini kami menganalisis research-gap, memberikan gambaran komprehensif tentang penerapan SI dalam FS, serta mengusulkan diagram hibrid algoritma SI untuk permasalahan teks FS. Penelitian mendatang diharapkan dapat melakukan penggabungan maupun modifikasi berbagai algoritma SI menjadi suatu algoritma yang dapat meningkatkan performa sekaligus menurunkan kompleksitas waktu komputasi pada data mining dan teks mining. Harapan di masa depan, penggunaan algoritma SI semakin berkembang dan memberikan solusi yang efektif dan efisien di era big data.
Dipterocarpaceae trunk texture classification using two-stage convolutional neural network-based transfer learning model Wati, Masna; Puspitasari, Novianti; Hairah, Ummul; Widians, Joan Angelina; Tjikoa, Ade Fiqri
International Journal of Electrical and Computer Engineering (IJECE) Vol 14, No 6: December 2024
Publisher : Institute of Advanced Engineering and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.11591/ijece.v14i6.pp6874-6882

Abstract

The importance of plant identification has been recognized by academia and industry. There have been several attempts to utilize leaves and flowers for identification. However, the trunk can also be helpful, especially for tall trees. In Borneo, the Dipterocarpaceae family are the main constituents of the tropical rainforest ecosystem. This research focuses on the classification of the dipterocarp family, which can reach a height of between 70 and 85 m. Leveraging convolutional neural network (CNN) models, this research proposes a two-stage transfer learning strategy. In the first stage, the pre-trained CNN models are refined by only modifying the classification layer while keeping the feature layer frozen. The second stage involves selecting and freezing several convolutional layers to adapt the model to classify dipterocarp stems. The dataset consists of 857 images of different dipterocarp species. Experiments show that the VGG16 model with a two-stage transfer learning strategy achieves a high accuracy of 98.246%. This study aims to accurately identify species, benefiting conservation and ecological studies by enabling fast and reliable tree species classification based on stem texture images.
Co-Authors Hairah, Ummul Joan Angelina Widians, Joan Angelina Puspitasari, Novianti Wati, Masna