Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Journal of Artificial Intelligence and Digital Business Indonesian Journal of Multidisciplinary on Social and Technology
Annisa Nur Aulia Nadiva
Universitas Singaperbangsa Karawang
Computer Science & IT Economics, Econometrics & Finance Electrical & Electronics Engineering Engineering Social Sciences

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Analisis Perbandingan Performa Klasifikasi KNN dan SVM pada Dataset Sign Language MNIST: Citra Grayscale vs Binarized (Otsu Thresholding) Adi Pratama Putra; Annisa Nur Aulia Nadiva; Dunik Andriyani; Sulthan Fauzan Fackhri
Indonesian Journal of Multidisciplinary on Social and Technology Vol. 4 No. 2 (2026): Maret - Juni
Publisher : PT Ilmu Data Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69693/ijmst.v4i2.9933

Abstract

Pengenalan bahasa isyarat merupakan bidang penelitian penting untuk mendukung aksesibilitas komunikasi bagi individu penyandang gangguan pendengaran dan wicara. Penelitian ini menyajikan analisis perbandingan performa klasifikasi K-Nearest Neighbors (KNN) dan Support Vector Machine (SVM) pada dataset Sign Language MNIST dengan dua skema representasi citra: Grayscale asli dan citra Biner hasil Otsu Thresholding. Dataset terdiri dari 27.455 data latih dan 7.172 data uji, berupa citra gestur tangan American Sign Language (ASL) berukuran 28x28 piksel untuk 24 kelas huruf. Otsu Thresholding diterapkan menggunakan fungsi cv2.threshold() dengan flag THRESH_BINARY + THRESH_OTSU pada setiap citra secara individual. Normalisasi dilakukan dengan membagi nilai piksel dengan 255,0 sehingga berada dalam rentang [0,1]. Hasil eksperimen menunjukkan: KNN mencapai akurasi 80,59% pada Grayscale dan 79,87% pada Otsu dengan waktu 13,50 detik dan 13,02 detik; SVM mencapai akurasi 84,19% pada Grayscale dan 82,91% pada Otsu dengan waktu 158,10 detik dan 140,57 detik. Representasi Grayscale secara konsisten menghasilkan akurasi lebih tinggi pada kedua algoritma. SVM Grayscale menjadi konfigurasi terbaik dengan akurasi 84,19%. Classification report SVM Otsu menunjukkan weighted F1-Score 0,83 dengan variasi per kelas yang signifikan: kelas D (F1=1,00) terbaik, kelas R (F1=0,44) terburuk.
Sistem Pendukung Keputusan Pemilihan Restoran Menggunakan Metode TOPSIS: Implementasi Full-stack Ayunisa Yasmin; Annisa Nur Aulia Nadiva; Purwantoro Purwantoro; Jajam Haerul Jaman
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 5 No. 2 (2026): Mei-Juli
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v5i2.10588

Abstract

Perkembangan industri kuliner menuntut pemilihan mitra restoran yang objektif karena alternatif memiliki keunggulan dan kelemahan pada berbagai kriteria, seperti harga, kualitas layanan, dan reputasi. Pengambilan Keputusan yang hanya didasarkan pada intuisi berpotensi menghasilkan keputusan yang subjektif dan kurang konsisten. Penelitian ini bertujuan mengembangkan Sistem Pendukung Keputusan (SPK) untuk pemilihan restoran menggunakan metode Technique for Order Preference by Similarity to Ideal Solution (TOPSIS) yang diimplementasikan dalam arsitektur full-stack. Data yang digunakan berasal dari Restaurant Revenue Prediction Dataset (Therrien, 2024) yang terdiri atas 61 entitas restoran dengan enam kriteria penilaian, yaitu Rating, Average Meal Price, Service Quality Scorem Number of Reviews, Ambience Score, dan Chef Experience Years. Bobot setiap kriteria ditentukan berdasarkan hasil kuesioner terhadap sepuluh responden yang terdiri atas praktisi bisnis kuliner dan akademisi. Tahap pengolahan data meliputi penganganan missing value menggunakan metode mean substitution, normalisasi vector Euclidean, pembentukan matriks keputusan terbobot, penentuan solusi ideal positif dan negatif, serta perhitungan nilai preferensi menggunakan metode TOPSIS. Hasil penelitian menunjukkan bahwa sistem mampu menghasilkan peringkat restoran dengan nilai preferensi (Vi) berkisar antara 0,142 hingga 0,891 sehingga pemilihan alternatif dapat dilakukan secara lebih objektif dan terukur. Pengujian sensitivitas pada empat skenario pembobotan menunjukkan bahwa peringkat yang dihasilkan relative stabil terhadap perubahan bobot, terutama pada alternatif yang memiliki dominasi kriteria benefit maupun cost. Implementasi sistem berbasis full-stack juga memungkinkan perhitungan TOPSIS disajikan secara transparan serta mendukung penyajian rekomendasi restoran melalui antarmuka yang interaktif. Hasil penelitian menunjukkan bahwa metode TOPSIS efektif diterapkan sebagai pengambilan keputusan multikriteria untuk mendukung pemilihan mitra restoran pada skenario Corporate Dining Partnership.
Co-Authors Adi Pratama Putra Ayunisa Yasmin Dunik Andriyani Jaman, Jajam Haerul Purwantoro Purwantoro Sulthan Fauzan Fackhri