Claim Missing Document
Check
Articles

Found 4 Documents
Search
Journal : INTECOMS: Journal of Information Technology and Computer Science

Implementasi Deep Learning Untuk Deteksi Masker Reza Rizqi Ramdhani; Riza Ibnu Adam; Azhari Ali Ridha
INTECOMS: Journal of Information Technology and Computer Science Vol 4 No 2 (2021): INTECOMS: Journal of Information Technology and Computer Science
Publisher : Institut Penelitian Matematika, Komputer, Keperawatan, Pendidikan dan Ekonomi (IPM2KPE)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31539/intecoms.v4i2.2707

Abstract

Coronavirus Disease-19 (COVID-19) telah memberikan dampak yang besar pada banyak Negara di dunia sejak Desember 2019. Pemerintah Indonesia telah melakukan beberapa upaya untuk menekan penyebaran COVID-19 di antaranya adalah mewajibkan penggunaan masker. Tetapi masih terdapat pada beberapa daerah dimana presentase orang yang tidak menggunakan masker mencapai lebih dari 30%. Maka dari itu diperlukan sebuah sistem pendeteksi masker yang terhubung dengan pemerintah, agar pemerintah dapat melakukan pengawasan terhadap masyarakat di tempat umum. Tujuan penelitian ini adalah untuk mengimplementasi dan menguji model deteksi masker wajah dengan algoritma single shot multibox detector dan mobilenetv2. Penelitian ini terdiri dari beberapa tahapan, yaitu pengumpulan data, pre-processing, training model, testing model, dan implementasi model. Model yang dibangun dapat mencapai akurasi sebesar 99% baik pada tahap training maupun tahap testing
Perbandingan Metode MSD dan Cosine Similarity pada Sistem Rekomendasi Item-Based Collaborative Filtering Samsul Arif Zulvian; Kamal Prihandan; Azhari Ali Ridha
INTECOMS: Journal of Information Technology and Computer Science Vol 4 No 2 (2021): INTECOMS: Journal of Information Technology and Computer Science
Publisher : Institut Penelitian Matematika, Komputer, Keperawatan, Pendidikan dan Ekonomi (IPM2KPE)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31539/intecoms.v4i2.2781

Abstract

Perkembangan teknologi membantu manusia dalam mencari hal-hal yang diinginkan dengan cepat dan mudah. Contoh konkret yang banyak diterapkan saat ini adalah sistem rekomendasi. Sistem rekomendasi dapat membantu pengguna dalam menemukan item yang diinginkan tanpa perlu melihat seluruh item yang terdapat di dalam sebuah situs web atau platform lainnya. Collaborative Filtering adalah salah satu teknik yang memanfaatkan rating pengguna sebagai acuan untuk merekomendasikan item. Item-Based Collaborative Filtering merupakan teknik untuk menilai kemiripan suatu item dengan item yang lain. Mean Squared Difference (MSD) dan Cosine Similarity bisa dijadikan ukuran untuk menentukan tingkat kemiripan antar item. Berdasarkan hasil penelitian yang dilakukan dengan menggunakan dataset review produk Amazon tahun 2018 pada kategori video games, ditemukan bahwa metode MSD memiliki keunggulan dibandingkan dengan Cosine Similarity dengan selisih sebesar 0,42074604 detik untuk waktu fitting dan 0,05530257 detik untuk waktu uji.
Klasifikasi Jenis Kekerasan Pada Perempuan Dan Anak Dengan Algoritma Multinomial Naïve Bayes Giat Subroto; Nina Sulistiyowati; Azhari Ali Ridha
INTECOMS: Journal of Information Technology and Computer Science Vol 5 No 1 (2022): INTECOMS: Journal of Information Technology and Computer Science
Publisher : Institut Penelitian Matematika, Komputer, Keperawatan, Pendidikan dan Ekonomi (IPM2KPE)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31539/intecoms.v5i1.3598

Abstract

Laporan kasus tindak kekerasan dan pelecehan seksual pada perempuan dan anak yang diterima oleh Dinas Pemberdayaan Perempuan dan Perlindungan Anak (DP3A) dalam melakukan rekap dan pengelompokan laporan kasus masih dilakukan secara manual. Penelitian dilakukan untuk membuat model klasifikasi berdasarkan kronologi kejadian pada laporan kasus kedalam beberapa kategori jenis kekerasan dengan memanfaatkan Text Mining. Tahapan yang dilakukan sesuai dengan tahapan pada metode Knowledge Discovery in Database (KDD) yaitu data selection, preprocessing, transformation, modeling, dan evaluation. Pembobotan kata dilakukan menggunakan algoritma Term Frequency-Inverse Document Frequency (TF-IDF). Untuk menangani imbalance dataset dilakukan proses oversampling menggunakan algoritma Random Oversampling. Algoritma yang digunakan untuk melakukan klasifikasi yaitu algoritma Multinomial Naïve Bayes. Kata Kunci: Multinomial Naïve Bayes, Random Oversampling, Text Mining, TF-IDF
Analisis Sentimen Ulasan Aplikasi Mola Pada Google Play Store Menggunakan Algoritma Support Vector Machine Muhammad Diki Hendriyanto; Azhari Ali Ridha; Ultach Enri
INTECOMS: Journal of Information Technology and Computer Science Vol 5 No 1 (2022): INTECOMS: Journal of Information Technology and Computer Science
Publisher : Institut Penelitian Matematika, Komputer, Keperawatan, Pendidikan dan Ekonomi (IPM2KPE)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31539/intecoms.v5i1.3708

Abstract

MOLA is one of the video streaming platform applications on the google play store. The mola application has been downloaded 5 million times but only has a 3.2 rating. On the Google Play Store app rating is followed by user reviews of the app. There are quite a lot of reviews that are unstructured and contain opinions from users about their satisfaction with the application so that it is often taken into consideration by potential users to choose the application used. Based on this, sentiment analysis was carried out using the Support Vector Machine algorithm to find out how the sentiments of users towards the MOLA application on the google play store were carried out. This study uses the Knowledge Discovery in Database (KDD) method. The data used is a review of the MOLA application with as many 520 data consisting of 312 positive reviews and 208 negative reviews. The best results are obtained in scenario 1 (90:10) using the RBF (Radial Basis Function) kernel which produces 92.31% accuracy, 96.3% precision, 89.66% recall, and 92.86% f1-score. Keywords: Sentiment Analysis, Support Vector Machine, MOLA