Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Jurnal Teknologi dan Sains Modern
Erna Dwi Astuti
Program Studi Teknik Informatika, Fakultas Teknik dan Ilmu Komputer, Universitas Sains Al-Qur’an Wonosobo, Indonesia
Agriculture, Biological Sciences & Forestry Chemical Engineering, Chemistry & Bioengineering Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management

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

Found 2 Documents
Search

 1 
Klasifikasi Jenis Kulit pada Citra Wajah untuk Rekomendasi Perawatan menggunakan Convolutional Neural Network (CNN) Chamada Sekar Cellya Lutvi; Erna Dwi Astuti; Muslim Hidayat
Jurnal Teknologi dan Sains Modern Vol. 3 No. 4 (2026): Available online
Publisher : CV. Science Tech Group

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69930/jtsm.v3i4.836

Abstract

Perawatan kulit wajah merupakan bagian penting dari kesehatan dan penampilan, namun banyak orang masih kesulitan menentukan jenis kulit dan produk skincare yang sesuai, sehingga berisiko menimbulkan iritasi maupun efek samping lain, ditambah keterbatasan jumlah ahli kecantikan atau dokter kulit yang membuat proses konsultasi memakan waktu lama. Penelitian ini bertujuan mengembangkan sistem klasifikasi jenis kulit wajah secara otomatis untuk mendukung pemberian rekomendasi perawatan yang tepat. Metode yang digunakan adalah Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2, memanfaatkan dataset citra wajah dari kaggle dan data lapangan yang terbagi ke dalam empat kategori jenis kulit, yaitu berjerawat, berminyak, kering, dan normal, dengan rasio pembagian data 80:10:10 untuk data latih, validasi, dan uji, serta dilengkapi proses augmentasi dan class weighting untuk mengatasi ketidakseimbangan kelas. Model kemudian diintegrasikan ke dalam aplikasi berbasis website menggunakan react.js dan python sebagai antarmuka klasifikasi bagi pengguna. Hasil pelatihan menunjukkan model mencapai training accuracy sebesar 82,57% dan validation accuracy sebesar 82,17%, sedangkan hasil evaluasi berdasarkan confusion matrix menghasilkan akurasi keseluruhan sebesar 89,40%. Pengujian lanjutan melalui antarmuka website menggunakan 60 citra wajah baru yang belum pernah digunakan dalam proses pelatihan menunjukkan bahwa sistem mampu mengenali dan mengklasifikasikan jenis kulit wajah dengan baik pada seluruh kategori yang diuji. Hasil ini menunjukkan bahwa metode CNN dengan arsitektur MobileNetV2 cukup efektif diterapkan untuk klasifikasi jenis kulit wajah dan dapat menjadi dasar sistem rekomendasi perawatan kulit yang lebih cepat, objektif, dan mudah diakses oleh masyarakat.
Komparasi Analisis Sentimen Pengguna Aplikasi ChatGPT dan Gemini di Google Play Store menggunakan Metode IndoBERT Okan Rahadian; Erna Dwi Astuti; Nur Hasanah
Jurnal Teknologi dan Sains Modern Vol. 3 No. 4 (2026): Available online
Publisher : CV. Science Tech Group

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69930/jtsm.v3i4.876

Abstract

Perkembangan aplikasi kecerdasan buatan generatif seperti ChatGPT dan Gemini telah menarik perhatian jutaan pengguna di Indonesia, sehingga menghasilkan ulasan dalam jumlah besar di Google Play Store yang sulit dianalisis secara manual. Penelitian ini bertujuan membandingkan sentimen pengguna terhadap ChatGPT dan Gemini menggunakan metode IndoBERT. Data dikumpulkan melalui scraping menggunakan Google Play Scraper sebanyak 5.000 ulasan untuk masing-masing aplikasi, kemudian melalui tahap preprocessing (case folding, cleaning, tokenizing, stopword removal, dan stemming), pelabelan otomatis berdasarkan rating menjadi kelas positif dan negatif, serta fine-tuning model indobenchmark/indobert-base-p1 dengan pembagian data latih dan uji 80:20. Hasil penelitian menunjukkan model ChatGPT memperoleh akurasi 91,32% dan model Gemini memperoleh akurasi 86,98%. Distribusi sentimen menunjukkan ulasan positif ChatGPT mencapai 81,51%, jauh lebih tinggi dibandingkan Gemini sebesar 65,55%, sedangkan proporsi sentimen negatif Gemini (34,45%) hampir dua kali lipat dibandingkan ChatGPT (18,51%). Dapat disimpulkan bahwa persepsi pengguna terhadap ChatGPT secara umum lebih positif dibandingkan Gemini, dan IndoBERT terbukti efektif digunakan untuk analisis sentimen ulasan berbahasa Indonesia yang bersifat informal. Penelitian ini turut mendukung pencapaian Tujuan Pembangunan Berkelanjutan (SDGs), khususnya SDG 4, SDG 9, dan SDG 16, melalui peningkatan literasi teknologi, kapasitas riset, serta transparansi dan perlindungan data pengguna.
Co-Authors Chamada Sekar Cellya Lutvi Muslim Hidayat Nur Hasanah Okan Rahadian