Claim Missing Document
Check
Articles

Found 13 Documents
Search

Rekognisi Huruf Tulisan Tangan Menggunakan Convolutional Neural Network Rahmawan, Fadhel; Habibi, Roni; Setyawan, M. Yusril Helmi
Jurnal Sistem Cerdas Vol. 6 No. 3 (2023)
Publisher : APIC

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37396/jsc.v6i3.240

Abstract

The development of technology in the field of computer vision in recent years with the application of Technological developments in the field of computer vision in recent years with the application of convolutional neural networks have shown sophisticated performance with a high level of accuracy, such as object detection. The problem in the world of computer vision that has been looking for a solution for a long time is object classification in general images. How to duplicate the human ability to understand images, so that computers can recognize objects in images like humans. Therefore, the need for deep learning is one branch of machine learning where the algorithm used is inspired by the workings of the human brain. Some people may be more familiar with Convolution Neural Network. CNN is used to recognize and classify patterns in handwriting. The network assumes that the input used is an image. The network has a special layer called the convolution layer. In this layer, the images are inserted according to the predefined filters. In this study, various combinations of CNN architectural designs were carried out such as the number of convolution layers, stride size, number of epochs, type of kernel size optimizer. The research data comes from the National Institute of Standards and Technology (NIST) database, then the data is divided into three, namely 60% training data, 20% validation and 20% testing. The results of this experiment produce a very good accuracy value using 2 convolution layers, 50 epochs, with Adam optimizer producing an accuracy value of 99.5% when testing the model. Then evaluate the model using the confusion matrix, assigning a high value with an average value of 100% accuracy, while for the average value of precision with a value of 100%, for an average recall value of 100%, and finally an average value of f1 score of 100%.
KLASIFIKASI KELAYAKAN MAHASISWA MASUK PROGRAM MSIB KAMPUS MERDEKA: SYSTEM LITERATURE REVIEW Hayati, Kurnia; Habibi, Roni
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 7 No. 3 (2023): JATI Vol. 7 No. 3
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v7i3.6882

Abstract

Kampus merdeka adalah suatu program diberlakukan oleh Menteri Nadiem Makarin untuk mengoptimalkan eksistensi dari perguruan tinggi agar ketegangan pendidikan tinggi. Berbagai jenis programnya, seperti magang. Banyak mahasiswa yang melamar untuk program magang maupun yang lainnya, namun banyak yang tidak memenuhi kualifikasi. Menggunakan pendekatan Systematic Literature Review, klasifikasi adalah salah satu pendekatan untuk mengatasi masalah ini. Penelitian ini menggunakan bantuan tools publish or perish, terdapat 18 artikel yang termasuk termasuk kriteria inklusif dan eksklusif. Sumber dataset yang banyak digunakan berasal dari USA dengan dataset Kaggle. Akurasi, presisi, recall, dan F1 semuanya ditentukan melalui evaluasi kinerja. Dengan nilai akurasi sebesar 98,82 persen, model SVM dan metode machine learning memiliki akurasi tertinggi menurut temuan penelitian ini.
ANALISIS STRING MATCHING METHOD PADA PENGEMBANGAN APLIKASI E-SUBMISSION V2.0 MENGGUNAKAN ALGORITMA BOYER MOORE Atmojo, Ariyo; Habibi, Roni
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 7 No. 3 (2023): JATI Vol. 7 No. 3
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v7i3.6903

Abstract

Setiap saat untuk mengambil informasi yang dibutuhkan berdasarkan kata kunci yang diinginkan, setiap teks atau string yang terdapat dalam penyimpanan data (database) akan diurutkan, dipisahkan, dan diorganisir kembali. Akibatnya, penerapan algoritma Boyer-Moore dalam masalah pencocokan string dieksplorasi dalam penelitian ini. Ketika menganalisis teks dari kumpulan data, pencocokan string adalah masalah yang krusial. Dibandingkan dengan teknik pencocokan string lainnya, metode Boyer-Moore dikenal baik karena efisiensinya dalam mengidentifikasi pola-pola dalam teks berdasarkan kata kunci dengan memerlukan waktu yang lebih sedikit. Khususnya, sebagai mesin pencari, artikel ini berfokus pada pembahasan fase-fase kunci dalam proses pencocokan string dan ringkasan ide-ide kunci dari algoritma Boyer-Moore. Ide dasar di balik metode ini adalah mencocokkan pola dari kanan ke kiri daripada dari kiri ke kanan. Hal ini memungkinkan untuk menghindari beberapa karakter teks dan mengurangi jumlah perbandingan yang diperlukan. Penelitian ini menunjukkan nilai dari algoritma Boyer-Moore sebagai alat pencocokan string yang kuat dalam konteks penggunaan mesin pencari, membuka jalan bagi penelitian masa depan untuk memperluas aplikabilitasnya
KLASIFIKASI RUMAH TIDAK LAYAK HUNI STUDI PERBANDINGAN 9 MODEL MACHINE LEARNING Fadilla Musdalifa, Deriska; Andarsyah, Roni; Habibi, Roni
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 7 No. 3 (2023): JATI Vol. 7 No. 3
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v7i3.6908

Abstract

Rumah tidak layak huni (RTLH) merupakan masalah serius yang dihadapi oleh banyak masyarakat di berbagai negara. Identifikasi rumah tidak layak huni secara efektif dapat membantu dalam upaya perbaikan dan perencanaan perumahan yang lebih baik. Dalam menentukan keluarga yang berhak menerima bantuan RTLH sering mengalami masalah, seperti kurang tepat sasaran dalam penentuan RTLH. Dalam era kemajuan teknologi, model machine learning telah muncul sebagai alat yang kuat untuk mengatasi berbagai masalah kompleks, termasuk identifikasi rumah tidak layak huni. Tujuan dari penelitian ini adalah untuk melakukan komparasi antara beberapa model machine learning yang paling umum digunakan dalam identifikasi rumah tidak layak huni. Model-model tersebut meliputi K-Nearest Neighbors, Naïve Bayes, Support Vector Machine, pohon keputusan (Decision Tree), Logistic Regression, Random Forest, Neural Network, Gradient Boost, dan XGBoost. Data yang digunakan dalam penelitian ini berisi atribut-atribut rumah yang relevan seperti penghasilan, jumlah penghuni rumah, luas rumah, kondisi struktur bangunan, sanitasi, serta listrik. Evaluasi dilakukan dengan membandingkan performa model-model tersebut berdasarkan metrik evaluasi yang relevan, seperti akurasi, presisi, recall, dan F1-score. Hasil menunjukkan bahwa model Neural Network menjadi model yang optimal untuk di implementasikan dengan nilai akurasi 99,24%, presisi 98,66%, recall 100% serta F1-score 99,32%.
PERBANDINGAN METODE KLASIFIKASI UNTUK PENGELOMPOKAN RISIKO MAGANG MAHASISWA Febrisa Sidabutar, Audry; Habibi, Roni; Isti Rahayu, Woro
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 7 No. 3 (2023): JATI Vol. 7 No. 3
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v7i3.7026

Abstract

Program magang di perusahaan telah menjadi metode penting dalam mengembangkan keterampilan dan pengalaman kerja bagi mahasiswa di dunia nyata. Meskipun memberikan banyak manfaat seperti meningkatkan kemampuan interpersonal dan memperluas jaringan kontak, program magang juga melibatkan risiko tertentu. Oleh karena itu, penting bagi institusi pendidikan dan perusahaan penyelenggara untuk memiliki pemahaman menyeluruh terhadap semua aspek program ini dan melakukan evaluasi secara berkala guna mengurangi risiko yang terkait. Penelitian ini memiliki tujuan utama untuk menganalisis dan membandingkan model klasifikasi machine learning, yaitu SVM, Multinomial Naive Bayes, Decision Tree C.45, dan Random Forest, dalam melakukan klasifikasi dan prediksi risiko pada program magang mahasiswa. Data yang digunakan dalam penelitian ini diperoleh melalui kuisioner yang berisi pernyataan seputar program magang, dan penulis berhasil mengumpulkan tanggapan dari 119 responden. Evaluasi dilakukan dengan membandingkan performa model-model tersbut berdasarkan metrik evaluasi yang relevan, seperti akurasi, presisi, recall, dan F1-score. Hasil perbandingan model tersebut menunjukkan bahwa model SVM menjadi model yang optimal untuk diimplementasikan dengan nilai akurasi, presisi, recall, dan skor f1 tertinggi, yaitu 100%.
Penerapan Algoritma K-Means untuk Mengukur Efektivitas Media Informasi dan Kepuasan Pelanggan Dwiyanti, Zian Asti; Habibi, Roni
Jurnal Tekno Insentif Vol 18 No 2 (2024): Jurnal Tekno Insentif
Publisher : Lembaga Layanan Pendidikan Tinggi Wilayah IV

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36787/jti.v18i2.1689

Abstract

Penelitian ini mengkaji efektivitas media informasi di PT XYZ dengan menerapkan metodologi Extreme Programming dan CRISP-DM, memfokuskan pada peningkatan kepuasan pelanggan melalui pengembangan informasi yang responsif dan intuitif. Eksperimen menggunakan teknik klasterisasi K-Means menunjukkan bahwa struktur media yang baik meningkatkan aksesibilitas dan kepuasan pengguna. Analisis menunjukkan bahwa desain yang efektif dan responsif secara signifikan mendukung interaksi pengguna yang positif, memfasilitasi navigasi yang lebih baik dan memperkuat keefektivitasan komunikasi informasi terkini. Berdasarkan hasil pembahasan website ini meningkatkan pengalaman dalam menggunakan layanan PT XYZ dengan menyediakan semua informasi yang dibutuhkan dengan rata-rata hasil responden 5/5, mendukung pengalaman pengguna yang positif melalui tata letak yang jelas dan mudah dipahami serta responsivitas yang tinggi pada berbagai jenis perangkat dengan rata-rata responden 4,9/5.
Social Media-Based Sentiment Analysis: Electric Vehicle Usage in Indonesia Salsabila, Helmi; Habibi, Roni; Harani, Nisa Hanum
The Indonesian Journal of Computer Science Vol. 12 No. 3 (2023): The Indonesian Journal of Computer Science
Publisher : AI Society & STMIK Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33022/ijcs.v12i3.3250

Abstract

This research analyzes the sentiment regarding the use of electric vehicles in Indonesia through social media, utilizing over 10,000 data points from Twitter. The results indicate a variation of positive, negative, and neutral sentiments towards electric vehicles on social media. Female users play a significant role in expressing their views and actively participating in discussions related to electric vehicles. The locations with the highest user activity discussing electric vehicles are Indonesia, DKI Jakarta, Makassar, Tangerang, and Karawang. The peak activity was observed in September 2019, suggesting a significant interest in electric vehicles. The SVM algorithm achieved an accuracy of 88% for positive and neutral sentiments, but performed relatively lower for negative sentiments. This research lacks data on the gender and age of the respondents. Future studies should address these shortcomings to gain a deeper understanding of public perceptions regarding electric vehicles in Indonesia.
KINERJA ALGORITMA BACKPROPAGATION DAN RNN DALAM PREDIKSI BEBAN JARINGAN Annisah, Wulan Nur; Harani, Nisa Hanum; Habibi, Roni
Jurnal Teknik Informasi dan Komputer (Tekinkom) Vol 7 No 2 (2024)
Publisher : Politeknik Bisnis Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37600/tekinkom.v7i2.1586

Abstract

Bandwidth allocation optimization is crucial to ensure optimal network performance and user satisfaction. This research aims to identify the best machine learning algorithm between backpropagation and recurrent neural network (RNN) in predicting network load, using two different datasets. The main issue addressed is how to choose the right algorithm for network load prediction to optimize bandwidth allocation. The CRISP-DM methodology was used as the research framework, with four evaluation metrics: Mean Absolute Error (MAE), Mean Squared Error (MSE), Root Mean Squared Error (RMSE), and Mean Absolute Percentage Error (MAPE). The results showed that the backpropagation algorithm provided the best performance on the data with the lowest evaluation matrix: MAE 0.0203, MSE 0.0007, RMSE 0.0281, and MAPE 20%. In conclusion, the backpropagation algorithm is more suitable for predicting bandwidth requirements compared to RNN based on the evaluation metrics used, making it reliable for bandwidth allocation optimization.
PENGEMBANGAN PERANCANGAN SISTEM INFORMASI MANAJEMEN PROYEK (STUDI KASUS: UNIT TEKNOLOGI INFORMASI DAN KOMUNIKASI POLITEKNIK POS INDONESIA): PENGEMBANGAN PERANCANGAN SISTEM INFORMASI MANAJEMEN PROYEK (STUDI KASUS: UNIT TEKNOLOGI INFORMASI DAN KOMUNIKASI POLITEKNIK POS INDONESIA) Habibi, Roni; Maulana, Jaka
Competitive Vol. 12 No. 1 (2017): Jurnal Competitive
Publisher : PPM Universitas Logistik dan Bisnis Internasional

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Manajemen proyek meliputi perencanaan, pengorganisasian dan pengaturan tugas-tugas sumber daya. TIK(Teknologi Informasi Komunikasi) Poltekpos merupakan lembaga/unit yang berfungsi mengarahkan,mengimplementasikan dan mengembangkan strategi dan rencana Teknologi Informasi (TI). Dalam fungsiunit TIK, beberapa faktor yang perlu diperhatikan adalah kebutuhan pengelolaan sumber daya unit TIKakan pengambilan keputusan terhadap aktivitasnya.Kajian pengembangan tersebut akan menjadi input untuk melakukan implementasi manajemen proyekdengan acuan kerangka kerja SCRUM. Hasil kajian ini berupa perancangan manajemen proyek dalamimplementasi manajemen proyekTI. Metode Scrum merupakan framework manajemen proyek yangmengutamakan kolaborasi dan fleksibilitas. Scrum menggunakan metode empiris, atau dengan kata lainsetiap tahap di dalam scrum melibatkan inspeksi dan adaptasi data-data hasil inspeksi sebagai bahanpembelajaran guna mencari jalan keluar.Dari hasil pengembangan perancangan Sistem Infomasi Manajemen Proyek tersebut dapat diimplementasikan daya unit TIK sehingga dapat memberi kemudahan bagi Ketua unit TIK dan yang terlibatdalam memantau dan menentukan prioritas untuk penanganan aktivitas setiap proyek.
RISIKO MAGANG MAHASISWA DENGAN PENDEKATAN ALGORITMA CONTENT-BASED FILTERING DAN SUPPORT VECTOR MACHINE Habibi, Roni; Guslan, Darfial
Competitive Vol. 20 No. 1 (2025): Jurnal Competitive
Publisher : PPM Universitas Logistik dan Bisnis Internasional

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36618/competitive.v20i1.4195

Abstract

Penelitian ini menggunakan pendekatan kuantitatif untuk mengkaji penggunaan algoritma Content-Based Filtering (CBF) dan Support Vector Machine (SVM) dalam manajemen risiko magang mahasiswa. Metode penelitian yang digunakan adalah Crisp-DM (Cross-Industry Standard Process for Data Mining) yang membantu peneliti mengorganisasikan dan menganalisis data dengan langkah-langkah yang terstruktur. Dalam penelitian ini, peneliti mengumpulkan data dengan menggunakan kuesioner yang dirancang khusus yang bertujuan untuk memperoleh informasi mengenai risiko-risiko yang mungkin terjadi selama mahasiswa magang di perusahaan, faktor-faktor yang mempengaruhi keberhasilannya, dan bagaimana algoritma CBF dan SVM dapat digunakan untuk menganalisis risiko. Dengan menggunakan pendekatan kuantitatif dan Crisp-DM, penelitian ini bertujuan untuk memberikan informasi yang objektif dan terukur tentang penggunaan algoritma CBF dan SVM dalam manajemen risiko magang mahasiswa. Diharapkan penelitian ini dapat memberikan pemahaman yang lebih baik tentang bagaimana algoritma CBF dan SVM dapat membantu mengelola risiko dalam magang mahasiswa. Hasil penelitian ini juga diharapkan dapat memberikan saran praktis kepada organisasi yang lebih baik.