Article Per Year (5 Year)
p-Index From 2020 - 2025
0.562
P-Index
This Author published in this journals
All Journal J-SAKTI (Jurnal Sains Komputer dan Informatika) J-SAKTI (Jurnal Sains Komputer dan Informatika) Jurnal Komtekinfo
Karseno, Doni
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Energy

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Artificial Neural Network Untuk Prediksi Kelulusan Calon Peserta Didik Baru (Studi Kasus: MAN 1 Padangsidimpuan) Gaja, Rizqi Nusabbih Hidayatullah; Karseno, Doni; Rijal, Amir Salim Khairul; Juliantho, Dwana Abdi
J-SAKTI (Jurnal Sains Komputer dan Informatika) Vol 8, No 1 (2024): EDISI MARET
Publisher : STIKOM Tunas Bangsa Pematangsiantar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30645/j-sakti.v8i1.782

Abstract

There is fierce rivalry amongst schools as a result of competitiveness in the educational field. Therefore, the processing of an educational institution must keep up with technological advancements. Artificial intelligence (AI) and intelligent systems, sometimes called AI systems, are used to simulate human-like critical thinking and intelligent behavior. A popular technique for categorization and prediction is the artificial neural network. MAN 1 Padangsidimpuan faces the challenge of determining whether new students will graduate because each year's quota of applications is exceeded. In this study, potential new students at MAN 1 Padangsidimpuan will have their graduation dates predicted, and the degree of prediction accuracy will be assessed. Artificial Neural Networks are the research approach employed in this study. The steps that are completed include problem formulation and identification, literature review, data gathering, pre-processing, processing, and assessment. Data about potential new students for the academic year 2023–2024 was utilized in this study. The study's findings demonstrate that the neural network model produces outcomes that are 6-6-2 (6 input neurons, 6 hidden layers, and 2 output neurons). 97.31% was the greatest accuracy performance level attained, while 90.30% was the lowest. 615 people made the most accurate predictions, while 569 people made the fewest accurate ones. There were 17 forecasts that were wrong the least and 63 wrong predictions the most.
Artificial Neural Network Untuk Prediksi Kelulusan Calon Peserta Didik Baru (Studi Kasus: MAN 1 Padangsidimpuan) Gaja, Rizqi Nusabbih Hidayatullah; Karseno, Doni; Rijal, Amir Salim Khairul; Juliantho, Dwana Abdi
J-SAKTI (Jurnal Sains Komputer dan Informatika) Vol 8, No 1 (2024): EDISI MARET
Publisher : STIKOM Tunas Bangsa Pematangsiantar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30645/j-sakti.v8i1.782

Abstract

There is fierce rivalry amongst schools as a result of competitiveness in the educational field. Therefore, the processing of an educational institution must keep up with technological advancements. Artificial intelligence (AI) and intelligent systems, sometimes called AI systems, are used to simulate human-like critical thinking and intelligent behavior. A popular technique for categorization and prediction is the artificial neural network. MAN 1 Padangsidimpuan faces the challenge of determining whether new students will graduate because each year's quota of applications is exceeded. In this study, potential new students at MAN 1 Padangsidimpuan will have their graduation dates predicted, and the degree of prediction accuracy will be assessed. Artificial Neural Networks are the research approach employed in this study. The steps that are completed include problem formulation and identification, literature review, data gathering, pre-processing, processing, and assessment. Data about potential new students for the academic year 2023–2024 was utilized in this study. The study's findings demonstrate that the neural network model produces outcomes that are 6-6-2 (6 input neurons, 6 hidden layers, and 2 output neurons). 97.31% was the greatest accuracy performance level attained, while 90.30% was the lowest. 615 people made the most accurate predictions, while 569 people made the fewest accurate ones. There were 17 forecasts that were wrong the least and 63 wrong predictions the most.
Penerapan Algoritma Haar Cascade Clasifier dan Computer Neural Network Sebagai Presensi Karyawan Karseno, Doni; Yuhandri; Ramadhanu, Agung
Jurnal KomtekInfo Vol. 11 No. 4 (2024): Komtekinfo
Publisher : Universitas Putra Indonesia YPTK Padang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35134/komtekinfo.v12i1.565

Abstract

Sistem pengenalan wajah merupakan program komputer yang secara otomatis dapat mendeteksi gambar digital atau video untuk mengidentifikasi atau mengautentikasi seseorang secara otomatis. Kesulitan dalam masalah pengenalan wajah sebagian besar disebabkan oleh kurangnya keberhasilan dalam menemukan fitur gambar tersebut. Pengenalan objek banyak digunakan oleh para pelaku industri untuk keperluan inspeksi, registrasi atau manipulasi. Penelitian ini bertujuan untuk menidentifikasi wajah pada masing – masing karyawan. Metode yang digunakan dalam penelitian ini adalah Haar Cascade Classifier (HCC) sebagai pendeteksi wajah dan metode Convolutional Neural Network (CNN) untuk proses identifikasi wajah. Proses pengenalan wajah ini dapat digunakan untuk mengidentifikasi masing – masing karyawan. Sehingga dalam melakukan presensi digital tidak ada kecurangan lagi yang dilakukan oleh karyawan. Dalam penelitian ini data yang diambil adalah data di Institut Teknologi dan Bisnis Indragiri. Algoritma Haar Cascade Classifier menjadi metode yang dapat digunakan dalam proses pengenalan polah wajah manusia. Sedangkan Convolutional Neural Network merupakan metode untuk mengidentifikasi serta mengklasifikasi hasil dari metode Haar Cascade Classifier sebagai tahap awal. Dalam hal pengklasifikasian image, metode Convolutional Neural Network merupakan metode yang dapat digunakan untuk pengklasifikasian wajah. Arsitektur Convolutional Neural Network yang digunakan dalam penelitian ini adalah alexnet. Dataset dari ImageNet lebih dari 14 juta gambar yang dikategrikan dalam ribuan kelas. Convolutional Neural Network memiliki arsitektur yang terinspirasi oleh struktur visual sistem manusia dan sangat efektif untuk tugas-tugas pengenalan gambar dan klasifikasi. Kesimpulan dari hasil penilitan ini yaitu dengan menggabungkan metode Haar Cascade Classifier dan Convolutional Neural Network dapat mempercepat proses pengenalan klasifikasi suatu objek wajah. Penelitian ini menggunakan kumpulan dataset wajah yang beragam, mencakup variasi sudut pandang, ekspresi, dan kondisi pencahayaan. Data yang digunakan terdiri dari seluruh karyawan yang memiliki 106 data wajah. Model CNN kemudian dilatih menggunakan data latih sebesar 85% dari keseluruhan data. Setelah model dilatih, selanjutnya dilakukan evaluasi model CNN melalui beberapa metrik evaluasi. Dari hasil evaluasi diperoleh tingkat akurasi yang baik sebesar 91% Hasil dari penelitian ini dapat digunakan untuk media presensi digital berbasis pengenalan wajah pada karyawan Institut Teknologi Dan Bisnis Indragiri.
Co-Authors Gaja, Rizqi Nusabbih Hidayatullah Juliantho, Dwana Abdi Ramadhanu, Agung Rijal, Amir Salim Khairul Yuhandri