Rekapitulasi Hasil Penelusuran Literatur

Mata Kuliah : Pembelajaran Mesin

NPM & Nama Mahasiswa-1 : Andi Syam Aswandi
NPM & NamaMahasiswa-2 : Miswar Rasyid
Kelas (A/B) : A

No Bibliography (Penulis, Judul Rumusan Tujuan Metode/ Hasil/ Rekomendasi Kesimpulan & Saran/ Bidang Penerapan
tahun, penerbit, DOI, URL) Masalah/ Fokus Algoritma Future research
kajian
1 Wowon Priatna, Rakhmat Implementasi Menguji Tujuan penelitian ini Algoritma Setelah dilakukan Adapun kesimpulan Perguruan Tinggi
Purnomo, Tri Dharma Putra Deep aplikasi e- adalah untuk ANN proses learning dalam penelitian ini
Tahun 2019, Jurnal Kajian Learning learning yang rekomendasi aplikasi e- dalam implementasi adalah untuk mengukur
Ilmiah, Untuk tepat untuk learning yang tepat Deep Learning efektivitas aplikasi e-
http://ejurnal.ubharajaya.ac.i Rekomendasi digunakan untuk digunakan menggunakan learning yang digunakan
d/index.php/JKI Aplikasi E- perguruan dalam pembelajaran algoritma ANN mengambil data dari
learning Yang tinggi untuk online dilingkungan untuk implementasi pihak universitas
Tepat Untuk perkuliahan perguruan tinggi. e-learning dari data aplikasi e-learning yang
Pembelajara online Banyaknya platform e- kuisioner yang telah sering
n Jarak Jauh learning yang di proses. Hasil digunakan dimana
digunakan oleh dosen- prediksi untuk pengambilan data untuk
dosen untuk kegiatan rekomendasi mengambil dataset
kuliah online berakibat aplikasi e-learning dilakukan dengan
mahasiswa dalam belajar yang tepat menyebar
terpaksa menggunakan digunakan untuk kuisioner kepada dosen
beberapa aplikasi e- pembelajaran dan mahasiswa
learning tergantung dari online sehingga menghasilkan
dosen yang mengajar berdasarkan nilai prediksi untuk
mata kuliah yang diambil, akurasi yang rekomendasi
untuk pihak universitas didapatkan dari aplikasi e-learning yang
juga akhirnya setiap aplikasi e- tepat setelah dilakukan
memberikan kebijakan learning. pembelajaran
dosen- menggunakan algoritma
dosen untuk laporan Artifical
pembelajaran jarak Neural Network untuk
 setiap selesai deep learning maka
memberikan materi. dihasilkan aplikasi
moodle dengan akurasi
97%
terpilih sebagai
rekomendasi aplikasi
yang akan digunakan di
perguruan tinggi
2 M. Ikbal Siami , Mawaddah Penerapan Deteksi h berfokus pada Metode Hasil pengujian Hasil penelitian Institut teknologi dan
Hamid. Deteksi penggunaan mengimplementasikan YOLOv4 model YOOv4 menunjukan Bisnis STIKOM
Penggunaan masker metode metode deep learning tingkat Precision 92 implementasi deteksi Ambon
29 Desember 2022 Masker pada YOLOv4 dengan YOLOv4 sebagai % dan Recall 88 %. wajah pada sistem
Sistem diperlukan model deteksi untuk presensi dengan model
Doi: 10.46510/jami.v3i2.118 Absensi untuk mendeteksi pemakaian YOLOv4 menunjukan
ISSN 2722-4406 (p)/2722- Karyawan mendeteksi masker oleh para kinerja yang sangat baik.
4414(e) menggunaka penggunaan karyawan sebelum
https://journal.akb.ac.id/ n Metode masker secara melakukan presensi
Deep real time masuk maupun presensi
Learning keluar.
3 Stephen Ekaputra Limantoro, Pemanfaatan deteksi mencari kombinasi metode Hasil Peneltian ini Berdasarkan hasil Pengendara sepeda
Yosi Kristian , Devi Dwi Deep pengendara arsitektur dan parameter convolutional Eksperimen eksperimen, deteksi motor dijalan raya
Purwanto Learning sepeda motor CNN yang terbaik. neural pertama terdiri atas pengendara sepeda
pada Video dari video dash networks tiga bobot yang motor dengan
Mei 2018 Dash Cam cam yang (CNN) sudah dilatih menggunakan CNN
untuk beresolusi sedangkan mampu menangani fitur
https://journal.ugm.ac.id/ Deteksi 1080 HD eksperimen kedua yang kompleks dan
v3/JNTETI/article/view/2766 Pengendara dengan CNN mengandung satu variatif
JNTETI (jurnal nasional Teknik Sepeda bobot yang sudah
elektro dan teknologi Motor dilatih. Kinerja
informasi) bobot terhadap
data pengujian pada
eksperimen 1 dan
eksperimen 2
diukur melalui f1-
 score masing-
masing 0,977,
0,988, 0,989, dan
0,986. Dari hasil
percobaan
menggunakan
sliding window,
eksperimen 2
memiliki tingkat
error yang lebih
rendah untuk
memprediksi
pengendara sepeda
motor dibandingkan
dengan eksperimen
1 karena data
pelatihan pada
eksperimen 1 lebih
banyak jumlahnya
dan mengandung
citra yang lebih
variatif.
4 Alyazia Aldhaheri, Fatima Deep Membahas mengadopsi teknik Deep metode tantangan yang Keberadaan perangkat Bidang Keamanan
Alwahedi, Mohamed Amine learning for metode deteksi Learning dalam deteksi intrusi belum terselesaikan IoT di mana-mana telah
Ferrag , Ammar Battah cyber threat intrusi keamanan IoT dan mutakhir saat ini di bidang terintegrasi dengan
detection in mutakhir untuk deteksi intrusi. keamanan IoT. mulus ke dalam rutinitas
10 October 2023 IoT networks: keamanan IoT, Mereka sehari-hari,
Elsevier B.V. on behalf of A review yang berlabuh mengidentifikasi memperkaya
KeAi Communications Co., (Pembelajara di Deep beberapa area di konektivitas dan
Ltd.
n mendalam Pembelajaran. mana penelitian kenyamanan. Namun
https://doi.org/10.1016/
j.iotcps.2023.09.003
untuk deteksi lebih lanjut demikian, pertumbuhan
ancaman diperlukan, seperti pertumbuhan
siber dalam mengembangkan eksponensial perangkat
jaringan IoT: model deep IoT memperkenalkan
Sebuah learning yang lebih tantangan keamanan
ulasan/tinjau efisien untuk yang mendesak yang
an) deteksi intrusi pada harus ditangani untuk
perangkat terbatas memastikan ketahanan
sumber daya, dan dan kepercayaan
mengembangkan dari ekosistem yang
metode baru untuk saling terhubung ini.
mendeteksi Makalah ini disusun
serangan yang tidak menjadi enam
tercakup oleh bagian, masing-masing
kumpulan data yang menjelaskan potensi
ada. Deep Learning dalam
memperkuat keamanan
Secara keseluruhan, IoT
artikel ini keamanan IoT. Deep
memberikan Learning memanfaatkan
gambaran kumpulan data yang
komprehensif sangat besar untuk
tentang pendekatan melatih model yang
deep learning untuk rumit,
deteksi intrusi di secara konsisten
jaringan IoT. Ini mengungguli teknik
adalah sumber daya tugas klasifikasi lainnya.
yang berharga bagi
peneliti dan praktisi Para penulis
yang tertarik untuk menyatakan bahwa
menggunakan deep mereka tidak memiliki
learning untuk keuangan yang bersaing
melindungi sistem atau hubungan pribadi
IoT dari serangan yang dapat
cyber. mempengaruhi
pekerjaan yang
dilaporkan dalam
makalah ini
 5 Kamel Arafet * and Rafael Berlanga, Digital Twins Focus kajian Mendapatkan Data Twins Approach Akan dilakukan Untuk mendapatkan Pembangkit Listrik
2021 in Solar pada dari pembangkit listrik through Time penghubungan Digital Twin, sebuah Tenaga Surya
Farms: An pengembangan Tenaga surya Fotovoltaik Series and antara DT ke system pendekatan yang
Approach system dengan pembelajaran Deep fisik Pembangkit didasarkan pada deep
through Time diagnostic dalam. Learning. listrik tenaga surya learning menggunakan
https://doi.org/10.3390/ Series and otomatis untuk autoencoder digunakan,
a14050156 Deep mendeteksi dengan demikian
Learning
kerusakan pada menggabungkan
pembangkit convolutional dan LSTM,
(Kembaran
listrik serta pengaruh
Digital di
parameter yang
Pembangkit
Listrik berbeda dan tujuan
Tenaga untuk mendapatkan
Surya: Digital Twin dengan
Sebuah kesalahan rekonstruksi
Pendekatan yang mendekati 0,1.
melalui Selanjutnya, beberapa
Rangkaian kan percobaan
Waktu dan dilakukan untuk
Pembelajaran menentukan pengaruh
Mendalam) prapemrosesan sinya
baik dalam
memperoileh DT
maupun dalam
mendetiksi anomali.
Dst

Note:

- Jumlah artikel ilmiah yang direview minimal 5 buah, 2 diantaranya adalah artikel internasional bereputasi
- Bidang Penerapan (kesehatan, bisnis, pemerintahan, pendidikan, dll)
Catatan:

1. Jumlah artikel Minimal 15 dan hendaknya berupa Publikasi pada 10 tahun terakhir
2. Minimal 5 artikel (dari 15 artikel) berupa artikel internasional