cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Adi Widarma
Contact Email
adiwidarma@unimed.ac.id
Phone
+6285275945045
Journal Mail Official
journal_cess@unimed.ac.id
Editorial Address
UPT TIK Universitas Negeri Medan Jl. Willem Iskandar pasar V Medan Estate, Medan 20221
Location
Kota medan,
Sumatera utara
INDONESIA
CESS (Journal of Computer Engineering, System and Science)
Published by Universitas Negeri Medan
ISSN : 25027131     EISSN : 2502714X     DOI : https://doi.org/10.24114/cess
Core Subject : Science,
Computer Science & IT
CESS (Journal of Computer Engineering, System and Science) contains articles on research results and conceptual studies in the fields of informatics engineering, computer science and information systems. The main topics published include: 1. Information security 2. Computer security 3. Networking & Data communication 4. Cloud & grid computing 5. Mobile Computing & Applications 6. Artificial Intelligence 7. Decision Support System 8. Data Minig 9. Other topics related to information technology
Arjuna Subject : Ilmu Komputer (semua kategori) - Ilmu Komputer (Lain-Lain)
Articles 12 Documents
 1   2 
Search results for , issue "Vol 2, No 2 (2017): Juli 2017" : 12 Documents clear
KLASIFIKASI MUTU MUTIARA BERDASARKAN BENTUK DAN UKURAN MENGGUNAKAN K-NEAREST NEIGHBOR Ardiyallah Akbar; Bambang siswojo; hadi Suyono
CESS (Journal of Computer Engineering, System and Science) Vol 2, No 2 (2017): Juli 2017
Publisher : Universitas Negeri Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24114/cess.v2i2.6473

Abstract

Dalam industri fashion khususnya mutiara, proses klasifikasi mutiara dilakukan secara manual dengan pengamatan visual. Hal tersebut tentu akan memakan waktu yang lama dan menghasilkan produk dengan mutu yang salah karena keterbatasan visual dan kelelahan manusia. Untuk itu dibutuhkan suatu teknologi untuk melakukan proses klasifikasi yang cepat dan akurat. Teknologi yang dapat diterapkan adalah pengolahan citra digital dan metode k-nearest neighbor. Sistem ini menggunakan beberapa proses pengolahan citra digital ,seperti thereshold yaitu dengan cara memisahkah objek dan latar belakang mutiara dan selanjutnya konten yang digunakan adalah bentuk dan ukuran yang diektraksi dari citra mutiara dengan metode regionprops.Hasil akhir dari sistem ini adalah mampu menentukan kelas dan kualitas mutiara. Dari data sebanyak 25 yang terdiri dari 10 mutiara kualitas A, 10 mutiara kualitas AA, dan 5 mutiara kualitas AAA. Dengan menggunakan Metode K-NN (K-Nearest Neighbor) dan nilai K=1 mampu menghasilkan tingkat akurasi mencapai 92,30%.
LEARNING VECTOR QUANTIZATION UNTUK KLASIFIKASI PENILAIAN PADA VIRTUAL PATIENT CASE Kunti Eliyen
CESS (Journal of Computer Engineering, System and Science) Vol 2, No 2 (2017): Juli 2017
Publisher : Universitas Negeri Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (511.385 KB) | DOI: 10.24114/cess.v2i2.6476

Abstract

Dalam pendidikan kedokteran ada berbagai macam ujian yang diterapkan. Salah satunya adalah ujian Objective Stucture Clinical Examinations (OSCE). OSCE adalah alat untuk menilai komponen kompetensi klinik seperti history taking, pemeriksaan fisik, procedural skill, ketrampilan komunikasi, interpretasi hasil laboratorium, manajemen dan lain-lain yang diuji menggunakan checklist yang telah disetujui dan mahasiswa akan mengikuti beberapa station. OSCE merupakan bagian dari penilaian yang bertujuan untuk menilai kompetensi dan ketrampilan klinis mahasiswa secara objektif dan terstruktur yang biasanya dilakukan pada tengah semester atau akhir semester pada mata kuliah tertentu. Pada penelitian ini akan dikembangkan sistem penilaian otomatis untuk ujian OSCE berdasarkan kasus pasien virtual yang dapat digunakan untuk menilai keterampilan mahasiswa dalam memeriksa dan memperlakukan pasien virtual. Pada penelitian ini sistem penilaian dilakukan dengan melakukan klasifikasi nilai untuk setiap jenis kategori pemeriksaan. Algoritma yang akan diimplementasikan untuk klasifikasi adalah Learning Vector Quantization (LVQ). Uji coba yang telah dilakukan menggunakan LVQ didapat akurasi sebesar 98,8% dengan menggunakan data latih sebesar 135, data uji sebesar 105 data dan nilai α = 0,1.

Page 2 of 2 | Total Record : 12

 1   2 

Filter by Year

2017 2017


Reset
Filter By Issues
All Issue Vol. 11 No. 1 (2026): Januari 2026 Vol. 10 No. 2 (2025): Juli 2025 Vol. 10 No. 1 (2025): Januari 2025 Vol 9, No 2 (2024): July 2024 Vol. 9 No. 2 (2024): July 2024 Vol. 9 No. 1 (2024): January 2024 Vol 9, No 1 (2024): January 2024 Vol 8, No 2 (2023): July 2023 Vol 8, No 1 (2023): January 2023 Vol 7, No 2 (2022): July 2022 Vol 7, No 2 (2022): July 2022 - In Process Vol 7, No 1 (2022): January 2022 Vol 6, No 2 (2021): Juli 2021 Vol 6, No 1 (2021): Januari 2021 Vol 5, No 2 (2020): JULI 2020 Vol 5, No 1 (2020): Januari 2020 Vol 4, No 2 (2019): JULI 2019 Vol 4, No 1 (2019): Januari 2019 Vol 3, No 2 (2018): Juli 2018 Vol 3, No 1 (2018): Januari 2018 Vol 2, No 2 (2017): Juli 2017 Vol 2, No 1 (2017): Januari 2017 Vol 1, No 2 (2016): Juli 2016 Vol 1, No 1 (2016): Januari 2016 More Issue