Terbit online pada laman web jurnal: http://journal.
id/index.
php/JASENS JOURNAL OF APPLIED SMART ELECTRICAL
NETWORK AND SYSTEMS (JASENS)
Vol.
4 No.
53 - 59
ISSN Media Elektronik: 2723-5467 Analisa Prediksi Tegangan Input Sensor Capcitive Soil Moisture dengan Random Forest untuk Mendukung Pertanian Pintar Elsa Nurul Mardiyati1.
Tresna Dewi2 .
Yurni Oktarina3 1Teknik Elektro.
Politeknik Negeri Sriwijaya 1elsanurulmardiyatii@gmail.
com, 2tresna_dewi@polsri.
id, 3yurni_oktarina@polsri.
Abstract In this era of rapid technological development, agriculture in Indonesia has entered the Generation 4.
0 era with the main focus on the transformation, development, and utilization of technology in agriculture.
The agricultural sector in Indonesia is currently in the transformation of traditional agriculture towards smart agriculture that utilizes technological advances, such as the Internet of Things (IoT), robotics, and microcontrollers, one of the applications of these technologies is in greenhouses.
Greenhouse is a building covered with clear or translucent material that requires monitoring of certain variables, such as temperature, humidity, and light intensity, to maintain the condition of cultivated plants.
In the greenhous Translated with DeepL.
ree versio.
In the greenhouse, a Capcitive Soil Moisture sensor is used, which when the sensor detects a lack of moisture in the soil, it will give a signal to turn on the pump.
This sensor certainly requires input in turning on the pump, where the voltage has a different value for each action in turning on the pump.
Therefore, a prediction and proof approach with the help of optimization is needed to predict the sensor input so that it can continue to support the smooth continuity of agriculture in the greenhouse.
In predicting the input voltage of the Capcitive Soil Moisture Sensor using random forest.
The test results using random forest show an accuracy rate of 100% or 1.
00 which is displayed with the ROC graph and Confusion Matrix.
In the evaluation model, this random forest model gets macro average and weighted average values with a precision value of 1.
00, recall 1.
00, f1-score 1.
00 and support 45.
As well as MSE and RMSE values at 0.
Translated with DeepL.
ree versio.
Keywords: Smart Farm.
Input Prediction.
Random Forest Abstrak Di era perkembangan teknologi yang sangat pesat ini, pertanian di Indonesia telah memasuki era Generasi 4.
0 dengan fokus utama pada transformasi, pengembangan, dan pemanfaatan teknologi di bidang pertanian.
Sektor pertanian di Indonesia saat ini sedang berada pada transformasi pertanian tradisional menuju pertanian cerdas yang memanfaatkan kemajuan teknologi, seperti Internet of Things (IoT), robotika, dan mikrokontroler, salah satu penerapan teknologi tersebut ada pada greenhouse.
Greenhouse merupakan bangunan yang diselubungi bahan bening atau tembus cahaya yang memerlukan pemantauan variabel tertentu, seperti temperatur, kelembaban udara, dan intensitas cahaya, untuk menjaga kondisi tanaman yang dibudidayakan.
Pada greenhouse digunakan sensor Capcitive Soil Moisture, dimana pada saat sensor tersebut mendeteksi kurangnya kelembapan pada tanah, maka sensor tersebut akan memberikan sinyal untuk menghidupkan pompa.
Sensor ini tentu saja memerlukan input dalam menghidupkan pompa, dimana tegangan tersebut memiliki nilai yang berbeda-beda disetiap aksinya dalam menghidupkan pompa.
Oleh karena itu, diperlukannya pendekatan prediksi dan pembuktian dengan bantuan optimalisasi untuk memprediski input sensor agar dapat terus mendukung kelancaran keberlangsungan pertanian pada greenhouse.
Dalam memprediksi tegangan input sensor Capcitive Soil Moisture ini menggunakan random forest.
Hasil pengujian menggunakan random forest menunjukkan angka akurasi 100% atau 1,00 yang di tampilkan dengan grafik ROC dan Confusion Matrixs.
Pada model evaluasi, model random forest ini mendapatkan nilai macro average dan weighted average dengan nilai precision 00, recall 1.
00, f1-score 1.
00 dan support 45.
Serta nilai MSE dan RMSE di angka 0,0000.
Kata kunci: Pertanian Pintar.
Prediksi Input.
Random Forest Diterima Redaksi :27-11-2023 | Selesai Revisi : 26-12-2023 | Diterbitkan Online : 31-12-2023 Elsa Nurul Mardiyati1.
Tresna Dewi2 .
Yurni Oktarina3 Journal of Applied Smart Electrical Network and System (JASENS ) Vol .
4 No.
53 - 59
Pendahuluan Oleh karena itu, diperlukannya pendekatan prediksi pembuktian dengan bantuan optimalisasi untuk Indonesia merupakan negara agraris dengan Sumber Daya Alam (SDA) yang melimpah, khususnya sumber memprediski input sensor agar dapat terus mendukung daya lahan, menjadikan sektor pertanian sangat vital kelancaran keberlangsungan pertanian pada greenhouse.
dalam mendukung tercapainya ketahanan pangan guna Dalam memprediksi Tegangan Input Sensor Capcitive mencapai SDGAos ke-2 yang mentargetkan penghilangan Soil Moisture ini menggunakan Random Forest kelaparan, ketahanan pangan dan gizi yang baik, serta menghasilkan prediksi input sensor kedepannya.
meningkatkan pertanian berkelanjutan.
Saat ini, pertanian di Indonesia telah memasuki era Generasi 4.
Metode Penelitian Penelitian ini menerapkan teknologi deep learning dengan fokus utama pada transformasi, pengembangan, menggunakan random forest yang mampu dan pemanfaatan teknologi di bidang pertanian.
Salah pengolahan data dan melakukan prediksi.
satu pemanfaatan teknologi pada bidang pertanian yaitu adalah greenhouse .
Di dalam greenhouse.
Diharapkan penelitian ini dapat memberikan wawasan parameter lingkungan yang berpengaruh terhadap dalam penggunaan random forest dalam memprediksi pertumbuhan tanaman, yaitu cahaya matahari, suhu tegangan input sensor Capcitive Soil Moisture guna udara, kelembaban udara, pasokan nutrisi, kecepatan mendukung kelembapan tanah pada greenhouse tetap angin, dan konsentrasi karbondioksida dapat terjaga dan dapat mempermudah petani dalam Penggunaan greenhouse memungkinkan melakukan pengecekan.
Metode prediksi menggunakan dilakukannya modifikasi lingkungan yang tidak sesuai model random forest ini juga mampu memberikan bagi pertumbuhan tanaman menjadi lebih mendekati gambaran kepada petani tentang kondisi tanah pada kondisi optimum bagi perturnbuhan tanaman.
-2-.
Saat ini greenhouse banyak digunakan dalam proses kendali tanaman mulai dari pembibitan, perawatan dan pemanenan tanaman namun banyak greenhouse yang cara pengontrolan dan perawatan tanamannya masih dilakukan secara manual oleh petani mulai dari penyiraman yang dilakukan dipagi dan sore hari tanpa memperhatikan kelembapan tanah yang dibutuhkan tanaman, pemupukan yang dilakukan kurang sesuai dengan nutrisi yang dibutuhkan tanaman dan pengaturan suhu greenhouse yang dilakukan dengan cara membuka jendela yang ada di greenhouse yang memungkinkan adanya hama yang masuk ke greenhouse, sehingga pertumbuhan tanaman belum optimal .
-5-.
Selain itu pengelolaan waktu dan minimnya alat yang dapat membantu kinerja petani menjadi sebuah permasalahan dalam pengelolan greenhouse secara manual.
Kolaborasi teknologi, khususnya penggunaan sensor untuk mendeteksi kelembapan tanah, menjadi solusi penting dalam mendukung konsep pertanian berkelanjutan.
Salah satu sensor yang dapat digunakan untuk mendeteksi kelembapan tanah adalah Sensor Capcitive Gambar 2.
1 Blok Diagram Proses Pengolahan Data Soil Moisture, dimana pada saat sensor tersebut mendeteksi kurangnya kelembapan pada tanah, maka sensor tersebut akan memberikan sinyal untuk 2.
1 Historical Data Data yang digunakan merupakan data historis dari menghidupkan pompa sehingga pompa tersebut akan otomatis melakukan penyiraman pada tanaman.
Sensor sensor dan pompa.
Data ini bersumber dari 20 sensor ini tentu saja memerlukan input dalam menghidupkan Capcitive Soil Moisture yang terhubung dengan satu pompa, dimana tegangan tersebut memiliki nilai yang pompa.
Dimana ketika sensor mendeteksi kurangnya berbeda-beda disetiap aksinya dalam menghidupkan kadar air pada tanah, maka pompa akan aktif dan tegangan pada pompa akan terdeteksi.
Journal of Applied Smart Electrical Network and Systems (JASENS) Elsa Nurul Mardiyati1.
Tresna Dewi2 .
Yurni Oktarina3 Journal of Applied Smart Electrical Network and System (JASENS ) Vol .
4 No.
53 - 59
2 Input Dataset dengan versi yang sedikit berbeda dari set pembelajaran Input dataset merupakan tahapan memasukan data asli, sehingga menghasilkan sekumpulan pohon yang yang akan digunakan pada model.
Data yang digunakan beragam.
Kemudian, prediksi dari semua pohon ini pada penelitian kali ini merupakan data tegangan input digabungkan menggunakan teknik agregasi .
Random forest mempunyai dua parameter utama, sensor satu hari, yang dimulai pada pukul 08.
00 WIB Ae 00 WIB, data ini diambil di setiap jamnya pada satu yaitu parameter m yang merupakan presentasi dari hari yang sama.
Jumlah data yang digunakan, sebanyak jumlah pohon yang akan dipakai dan parameter k yang 724 data yang terdiri dari tegangan input sensor, merupakan representasi dari banyaknya fitur maksimal tegangan pompa dan kategori .
ompa aktif atau pompa yang dipertimbangkan ketika proses percabangan pada pohon (Widjiyati, 2.
tidak akti.
Pada gugus data yang terdiri atas n amatan dan p penjelas, random forest dilakukan dengan cara 1 Data Proses (Breiman 2001.
Breiman & Cutler 2.
Exploratory Data Analysis (EDA) Lakukan penarikan contoh acak berukuran n dengan Exploratory Data Analysis (EDA) random Forest pemulihan pada gugus data.
Tahapan ini merupakan adalah proses analisis yang dilakukan untuk memahami tahapan bootstrap.
dan menganalisis karakteristik data sebelum diterapkan dalam model Random forest.
Untuk data yang digunakan 2.
Dengan menggunakan contoh bootstrap, pohon dalam pengujian kali ini berupa integer, float, dan string dibangun sampai mencapai ukuran maksimum .
anpa pemangkasa.
Pada setiap simpul, pemilihan pemilah dilakukan dengan memilih m peubah Data Cleaning penjelas secara acak, dimana m << p.
Pemilah Data cleaning merupakan tahapan pensederhanaan terbaik dipilih dari m peubah penjelas tersebut.
atau pembersihan data agar keberadaan data kosong Tahapan ini adalah tahapan random feature .
issing valu.
dapat terdeteksi dan setelah itu dilakukan pengisian terhadap data kosong.
Hal ini tentu 3.
Ulangi langkah 1 dan 2 sebanyak k kali, sehingga saja berfungsi untuk mengurangi kesalahan dalam terbentuk sebuah hutan yang terdiri atas k pohon.
mengolah dan memprediksi data .
Keberadaan Random forest bersifat ensemble learning.
Ensemble missing value dapat merugikan dalam analisis data dan learning adalah penggabungan dari beberapa algoritma mempengaruhi performa model prediktif.
Oleh karena machine learning untuk mendapatkan solusi prediksi itu, setelah berhasil mendeteksi missing value, langkah yang lebih baik.
Metode ini melakukan klasifikasi selanjutnya adalah melakukan pengisian atau imputasi dengan penggabungan model tree.
Random forest terhadap nilai yang kosong tersebut.
Pengisian ini dapat mampu mengklasifikasi data yang memiliki atribut yang seperti tidak lengkap dan cocok digunakan untuk menggantinya dengan nilai rata-rata, median, atau pengklasifikasian data sampel yang banyak .
Proses menggunakan teknik imputasi yang lebih kompleks klasifikasi pada Random forest melakukan split sesuai dengan konteks data .
data sampel yang ada ke dalam decision tree secara acak.
Dengan menggunakan random forest 3 Model Building Random Forest Random Forest (RF) adalah suatu teknik yang dapat menggabungkan .
hasil prediksi k pohon, meningkatkan tingkat keakuratan dengan melakukan yang mana klasifikasi dilakukan berdasarkan majority pembangkitan atribut untuk setiap node secara acak .
- vote .
uara terbanya.
Random forest memiliki beberapa keunggulan, 3 Model Evaluation termasuk kemampuannya untuk meningkatkan akurasi Model Evaluation merupakan tahapan melakukan ketika berhadapan dengan data yang tidak lengkap dan terhadap model random forest yang akan ketahanannya terhadap variasi data yang ekstrim.
Model evaluasi yang akan digunakan pada Dengan memanfaatkan seleksi fitur ini, random forest dapat secara efektif menangani data besar dengan penelitian kali ini terdiri dari dua kategori, yaitu Mean Squared Error (MSE) dan Root Mean Squared Error parameter yang kompleks .
Algoritma random forest menghasilkan pohon (RMSE).
MSE digunakan untuk mengetahui seberapa keputusan dengan menggunakan keacakan dalam proses baik model dalam memprediksi nilai, sedangkan RMSE konstruksi pohon.
Setiap pohon keputusan dilatih digunakan untuk mengukur rata-rata dari jarak antara nilai sebenarnya dan nilai hasil prediksi nantinya.
Journal of Applied Smart Electrical Network and Systems (JASENS) Elsa Nurul Mardiyati1.
Tresna Dewi2 .
Yurni Oktarina3 Journal of Applied Smart Electrical Network and System (JASENS ) Vol .
4 No.
53 - 59
Model evaluation lainnya yang digunakan adalah menghidupkan pompa.
Untuk data yang digunakan macro average dan weighted average.
Macro average dalam pengujian kali ini berupa data dalam bentuk merupakan evaluasi dengan menghitung matriks secara integer, float dan string.
bebas kemudian mengambil rata-ratanya untuk setiap kelas atau kategori.
Sedangkan weigthed average, akan menghitung rata-rata dengan memperhitungkan bobot pada setiap datanya.
4 Flowchart Gambar 3.
1 Grafik data yang digunakan Data tipe integer terdiri dari angka bilangan bulat baik yang positif maupun negatif dengan range tertentu.
Dengan kata lain, dalam data integer tidak ada huruf maupun bilangan desimal.
Sedangkan untuk tipe data float terdiri dari angka pecahan.
Data integer dan float merupakan data input yang terdiri dari data sensor dan tegangan pompa yang akan digunakan dalam .
Selanjutnya untuk data string ini sendiri merupakan tipe data yang dapat digunakan pada teks atau urutan karakter, yang pada pengujian kali ini digunakan pada input Pompa aktif dan Pompa Mati yang berisi teks AuYesAy dan AuNoAy.
Pilihan ini penting dalam memberikan interpretasi yang jelas terhadap keadaan sistem.
Gambar 2.
2 Flowchart penelitian mempermudah analisis, dan mendukung pengambilan Gambar 2.
2 merupakan flowchart dari penelitian keputusan yang efektif.
Penggunaan data string pada variabel tersebut juga yang akan di lakukan, di mulai dari melakukan input interpretasi hasil dengan lebih baik.
Ketika dataset dan dilanjutkan preprocessing dataset yang dibagi menjadi data training 80%, data validasi 10% dan melibatkan klasifikasi atau prediksi terkait kondisi data testing 10%.
Ditahap akhir model tersebut akan pompa, penggunaan data string memastikan bahwa hasil dievaluasi, jika nilai model evaluasi tidak optimal, maka dapat diartikan secara langsung sebagai keputusan yang data akan kembali berada pada proses training data, mudah dimengerti, mengurangi potensi kebingungan begitupun sebaliknya, jika model berada dalam kategori atau kesalahan interpretasi.
optimal maka proses akan selesai.
Hasil dan Pembahasan 1 Data Input Pada Gambar 3.
1, terlihat bahwa grafik tertinggi berada pada tegangan pompa off atau tidak memiliki tegangan, ini merupakan data yang dominan atau terbanyak yang digunakan pada percobaan pengolahan data kali ini, hal tersebut dikarenakan data 0.
merupakan data yang didapatkan dari data pompa yang akan hidup ketika sensor mendeteksi tanah dalam keadaan kering.
Data lainnya dalam kategori AuYesAy merupakan variasi data yang digunakan dalam Gambar 3.
2 Grafik dan boxplot hasil prediksi tegangan pompa (V) Journal of Applied Smart Electrical Network and Systems (JASENS) Elsa Nurul Mardiyati1.
Tresna Dewi2 .
Yurni Oktarina3 Journal of Applied Smart Electrical Network and System (JASENS ) Vol .
4 No.
53 - 59
Sesuai dengan Gambar 3.
2 boxplot dan grafik yang telah dihasilkan pada prediksi tegangan pompa .
, dapat dilihat bahwa tegangan pada pompa, memiliki grafik tertinggi berada pada angka 0 volt dan hasil lainnya berada pada angka 11 hingga 12 volt.
Analisis terhadap grafik tersebut mengindikasikan adanya variasi yang signifikan dalam data tegangan pada pompa.
Hal ini menunjukkan adanya variasi yang ada pada data tegangan pompa dengan sebagian besar prediksi berkumpul pada nilai-nilai yang lebih tinggi, kecuali untuk kasus khusus pada 0 volt yang merupakan data pompa mati.
Dapat dilihat pada boxplot Gambar 3.
3 panjang Gambar 3.
4 Grafik hasil prediksi pompa aktif whisker tidak sama antara sisi sebelah kanan dan sisi sebelah kiri.
Whisker kanan lebih panjang dibandingkan Dari hasil prediksi didapatkan grafik pompa aktif dan whisker kanan menandakan menandakan data mati, dimana grafik yang memperlihatkan pompa tidak cenderung miring ke kiri .
ositif skewnes.
karena data aktif memiliki kurva yang naik, hal ini tentu saja lainnya yang mendominasi berada pada angka 0.
dipengaruhi oleh nilai input dari sensor yang terhubung pada pompa.
Kenaikan kurva pada kondisi pompa tidak aktif bisa mengindikasikan adanya fluktuasi atau perubahan dalam nilai sensor yang diprediksi oleh random forest.
Gambar 3.
3 Grafik dan boxplot hasil prediksi input tegangan sensor Untuk data selanjutnya.
Gambar 3.
3 ini merupakan boxplot dan grafik dari hasil prediksi pada input sensor capcitive soil moisture, terlihat untuk input sensor itu sendiri memiliki nilai penyebaran data yang cukup merata, dengan data tertinggi berada pada kisaran angka 4,8 volt sampai dengan 5.
0 volt dan data prediksi terendah berada pada angka 0 yaitu pada saat kondisi pompa mati dan di ikuti dengan data lainnya yang terlihat pada boxplot.
Gambar 3.
5 Confusion Matrix Prediksi Dapat dilihat pada boxplot Gambar 3.
3 garis median tidak berada pada tengah kotak, sedangkan garis whisker memiliki panjang yang sama antara sisi sebelah kiri dan sisi sebelah kanan.
Hal ini berarti data tersebut memiliki penyebaran yang cukup luas, dimana hal ini dibuktikan dengan panjang Gambar 3.
6 Data hasil prediksi input Journal of Applied Smart Electrical Network and Systems (JASENS) Elsa Nurul Mardiyati1.
Tresna Dewi2 .
Yurni Oktarina3 Journal of Applied Smart Electrical Network and System (JASENS ) Vol .
4 No.
53 - 59
Ini merupakan hasil prediksi input menggunakan 4.
Kesimpulan random forest.
Berdasarkan hasil tersebut percobaan Dalam penelitian ini, prediksi tegangan input dari pada input prediksi sensor mendapatkan nilai evaluasi sensor kapasitif kelembaban tanah menggunakan menggunakan macro average dan weighted average metode Random forest guna mendukung konsep dengan nilai precision 1.
00, recall 1.
00, f1-score 1.
00 pertanian pintar menunjukkan hasil pengujian dan support 30.
Selanjutnya, pada kategori "tegangan mendapatkan hasil dengan tingkat akurasi sebesar 100% pompa (V)", hasil prediksi juga menunjukkan performa menciptakan harapan positif terhadap keberhasilan yang sangat baik dengan nilai precision, recall, dan f1- model dalam memprediksi kondisi tanah.
Hal ini score masing-masing sebesar 1.
Support sebanyak 15 memungkinkan petani untuk mengambil keputusan yang menandakan bahwa percobaan pada data tegangan lebih tepat waktu dan efisien dalam pengelolaan pompa dilakukan dengan menggunakan jumlah sampel tanaman.
Random forest dapat mengatasi masalah yang cukup signifikan.
Konsistensi nilai yang tinggi overfitting dan memberikan hasil yang stabil dan pada setiap metrik evaluasi menandakan kehandalan konsisten.
model dalam melakukan prediksi terhadap data yang Hasil penelitian menggunakan random forest ini juga mendapatkan nilai evaluasi model yang optimal dengan Matrix evaluasi lainnya yaitu menggunakan MSE nilai macro average dan weighted average dengan nilai dan RMSE.
Dimana semakin kecil nilai yang di precision 1.
00, recall 1.
00, f1-score 1.
00 dan support 45.
dapatkan maka akan semakin besar akurasi dari model Serta nilai MSE dan RMSE di angka 0,0000.
tersebut, hal ini menandakan model yang digunakan Keunggulan ini sangat penting dalam konteks dapat menghasilkan data yang akurat.
Nilai MSE dan pemodelan prediktif di mana ketepatan prediksi menjadi fokus utama, hal ini juga membuat random forest pada RMSE yang di dapat adalah 0.
0000 dan 0.
percobaan kali ini tidak lagi memerlukan bantuan Daftar Rujukan .
Suhardiyanto.
Teknologi Rumah Tanaman untuk Iklim Tropika Basah.
Bogor: IPB Press, 2009.
Na`am J.
Harlan J.
Madenda S.
and Wibowo E.
Identification of the Proximal Caries of Dental X-Ray Image with Multiple Morphology Gradient Method.
International Journal on Advanced Science.
Engineering and Information Technology (IJASEIT), 6.
, pp.
doi:10.
18517/ijaseit.
Muhammad Ali.
Muliadi dkk, "Random Forest Dengan Random Search Terhadap Ketidakseimbangan Kelas Pada Prediksi Gagal Jantung" Jurnal Informatika.
Vol.
10 No.
1 April 2023.
Halaman .
Suci Amaliah.
Muhammad Nusrang.
Aswi.
AuPenerapan Metode Random Forest Untuk Klasifikasi Varian Minuman Kopi Di Gambar 3.
7 Grafik hasil akurasi menggunakan ROC Kedai Kopi Konijiwa Bantaeng .
Kumar, dkk "IoT enabled system to monitor and control Dari Gambar 3.
7 merupakan gambar grafik tipe Receiver Operating Caracteristic (ROC) dari hasil .
Singh, dkk AuFormulation and validation of a mathematical model of the microclimate of a greenhouse.
Renewable EnergyAy prediksi menggunakan random forest didapatkan nilai akurasi prediksi sebesar 1.
Nilai akurasi yang di dapat .
Hariadi, "Sistem Pengendali Suhu.
Kelembapan dan Cahaya Dalam Rumah Kaca," vol.
10, pp.
82-93, 2007.
ini menunjukkan hasil bahwa model 100% berhasil .
Alvita, dkk.
AuPerbandingan Algoritma Random Forest.
Nayve memprediksi semua data pengujian dengan benar.
Bayes.
Dan Decision Tree Dengan Oversampling Untuk Klasifikasi Bakteri E.
ColiAy Seminar Nasional Mahasiswa Ilmu Hasil tersebut disebabkan oleh beberapa faktor, antar Komputer dan Aplikasinya (SENAMIKA).
lain yaitu overfitting dimana model mungkin cocok .
Vishnu Suresh, dkk AuForecasting Solar PV Output Using Convolutional Neural Networks with a SlidingWindow dengan data pelatihan dan "memorizing" data tersebut.
AlgorithmAy.
selanjutnya data training yang bersih dan ukuran dataset .
I Wayan Suartika, dkk AuKlasifikasi Citra Menggunakan yang kecil .
Convolutional Neural Network (Cn.
pada Caltech 101Ay.
Dewi.
Rusdianasari.
Kusumanto.
, & Siproni.
Pengolahan citra Application on Automatic Fruit Detection for Agriculture Industry.
Journal of Applied Smart Electrical Network and Systems (JASENS) Elsa Nurul Mardiyati1.
Tresna Dewi2 .
Yurni Oktarina3 Journal of Applied Smart Electrical Network and System (JASENS ) Vol .
4 No.
53 - 59
Indra dkk.
AuImplementasi Deep Learning Dengan Metode Convolutional Neural Network Untuk Identifikasi Objek Secara Real Time Berbasis AndroidAy.
Risma P.
Dewi T.
Oktarina Y.
, and Wijanarko Y.
, 2019.
Neural Network Controller Application on a Visual based Object Tracking and Following Robot.
Hadianto.
Novitasari, and A.
Rahmawati.
AuKlasifikasi Peminjaman Nasabah Bank Menggunakan Metode Neural Network,Ay J.
Pilar Nusa Mandiri, vol.
15, no.
2, pp.
163Ae170, 2019, doi: 10.
33480/pilar.
Supriyadi.
Gata.
Maulidah, and A.
Fauzi.
AuPenerapan Algoritma Random Forest Untuk Menentukan Kualitas Anggur Merah,Ay E-Bisnis J.
Ilm.
Ekon.
dan Bisnis, vol.
13, no.
2, pp.
67Ae 75, 2020, doi: 10.
51903/e-bisnis.
Levantesi and G.
Piscopo.
AuThe importance of economic variables on London real estate market: A random forest approach,Ay Risks, vol.
8, no.
4, pp.
1Ae17, 2020, doi:
3390/risks8040112 .
Larasati N.
Dewi T.
, and Oktarina Y.
, 2017.
Object Following Design for a Mobile Robot using Neural Network.
Lindawati.
Andi Ramadhan.
AuRandom Forest.
Adaptive Boosting, and Multi-Layer Perceptron for Android MalwareAy .
Dewi T.
Risma P.
Oktarina Y.
, and Roseno M.
, 2017.
Neural Network Design for a Mobile Robot Navigation a Case Study.
Farooq U.
Amar M.
Asad M.
Hanif A.
, and Saleh S.
, 2014.
AuDesign and Implementation of Neural Network of Based Controller for Mobile Robot Navigation in Unknown EnvironmentAy .
Perri.
Simonetti, and O.
Gervasi.
AuSynthetic data generation to speed-up the object recognition pipeline,Ay .
Yudha H.
Dewi T.
Hasana N.
Risma P.
Oktarina.
Kartini , 2019.
Performance Comparison of Fuzzy Logic and Neural Network Design for Mobile Robot Navigation .
Vasilev.
Ivan.
Python Deep Learning: Exploring Deep Learning Techniques and Neural Network Architectures with PyTorch.
Keras, and TensorFlow.
Wijaya.
Swastika, and O.
Kelana.
AuImplementasi
Transfer Learning Pada Convolutional Neural Network Untuk Diagnosis Covid-19 Dan Pneumonia Pada Citra XRay,Ay Journal of Applied Smart Electrical Network and Systems (JASENS)