Claim Missing Document
Check
Articles

Found 2 Documents
Search

PERBANDINGAN ALGORITMA NEURAL NETWORK DENGAN LINIER DISCRIMINANT ANALYSIS (LDA) PADA KLASIFIKASI PENYAKIT DIABETES Fida Maisa Hana; Deka Setia Negara; Khoirul Umam Haqiqi
JURNAL BISNIS DIGITAL DAN SISTEM INFORMASI Vol 1, No 1 (2020): JURNAL BISNIS DIGITAL DAN SISTEM INFORMASI
Publisher : Universitas Muhammadiyah Kudus

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26751/bidisfo.v1i1.890

Abstract

AbstrakSalah satu penyakit kronis yang banyak diderita oleh penduduk Indonesia adalah Diabetes Melitus(DM), penyakit ini ditandai dengan nilai kadar glukosa dalam darah di atas normal. Penyakit ini termasukpenyakit yang rumit dan mematikan, oleh karena itu dibutuhkan perawatan medis yang kontinu agar resikoterjadinya komplikasi bisa dihindari. Guna menganalisa pasien pengidap penyakit diabetes sejak dini,Pencatatan terhadap penyakit ini banyak dilakukan agar dapat dilakukan pencegahan. Salah satu yangdilakukan adalah dengan menggunakan teknik klasifikasi data mining. Teknik klasifikasi digunakan untukmemprediksi pasien mana yang terkena penyakit diabetes dan tidak. Dalam penelitian ini menggunakanAlgoritma kasifikasi data mining neural network dan linier Discriminant Analysis (LDA). Hasil penelitianmenunjukan akurasi sebesar 90.38% dengan algoritma Linear Discriminant Analysis (LDA) dan akurasisebesar 95,19% didapat pada saat menggunakan algoritma Neural Network. Algoritma Neural Networkmenghasilkan akurasi lebih baik daripada algoritma Linear Discriminant Analysis (LDA) dalam klasifikasipenyakit diabetes.Kata Kunci: Data Mining, Klasifikasi, Neural Network, LDA, Diabetes
KLASIFIKASI JENIS GOLONGAN KENDARAAN DI GERBANG TOL MENGGUNAKAN ARSITEKTUR CONVOLUTIONAL NEURAL NETWORK VGG16 Khoirul Umam Haqiqi; Fida Maisa Hana; Hafni Aulida
JURNAL ILMU KOMPUTER DAN MATEMATIKA Vol 5, No 1 (2024): JURNAL ILMU KOMPUTER DAN MATEMATIKA
Publisher : Universitas Muhammadiyah Kudus

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26751/jikoma.v5i1.2194

Abstract

Kendaraan yang melintasi gerbang tol memainkan peran vital dalam sistem transportasi. Untuk meningkatkan pengelolaan lalu lintas dan efisiensi koleksi tol, metode otomatis yang akurat diperlukan untuk mengklasifikasikan jenis kendaraan di gerbang tol. Penelitian ini bertujuan untuk mengembangkan model deep learning yang mampu mengklasifikasikan berbagai jenis kendaraan dengan menggunakan arsitektur Convolutional Neural Network (CNN) VGG16, dengan dataset yang berasal dari sumber data Mendeley. Dataset terdiri dari 1225 gambar kendaraan yang diambil dari berbagai perspektif di gerbang tol. Dataset ini diambil dari sumber data Mendeley yang memiliki variasi jenis kendaraan yang luas, memastikan representasi yang memadai dalam pelatihan dan pengujian model. Untuk meningkatkan kemampuan generalisasi model, dataset diperkaya melalui augmentasi data. Model CNN VGG16 diimplementasikan tanpa penggunaan Dropout dan dilatih dengan learning rate sebesar 0.001. Melalui proses fine-tuning yang cermat, model berhasil mencapai akurasi validasi sebesar 90%. Keberhasilan model dalam mengenali jenis kendaraan di gerbang tol menawarkan potensi untuk meningkatkan efisiensi operasional gerbang tol serta pengaturan lalu lintas secara keseluruhan. Hasil penelitian ini menunjukkan bahwa model Convolutional Neural Network VGG16 memiliki kemampuan klasifikasi yang kuat dalam mengidentifikasi berbagai jenis kendaraan di gerbang tol. Dengan akurasi sebesar 99%, model ini dapat dijadikan sebagai solusi otomatisasi yang efektif dalam mengenali kendaraan di gerbang tol, potensial mengurangi antrian, serta meningkatkan efisiensi pengumpulan tol dan manajemen lalu lintas secara signifikan.