Article Per Year (5 Year)
p-Index From 2020 - 2025
2.405
P-Index
This Author published in this journals
All Journal Algoritme Jurnal Mahasiswa Teknik Informatika Informatics and Enginering Dedication MDP Student Conference
Yoannita, Yoannita
Unknown Affiliation
Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Electrical & Electronics Engineering Other

Published : 8 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search
Journal : Algoritme Jurnal Mahasiswa Teknik Informatika

 1 
Transfer Learning dengan MobileNetV3 untuk Deteksi Serangan Spoofing Wajah pada Foto Krisna Putra, Jelvin; Yoannita, Yoannita
Jurnal Algoritme Vol 5 No 2 (2025): April 2025 || Algoritme Jurnal Mahasiswa Teknik Informatika
Publisher : Program Studi Teknik Informatika Universitas Multi Data Palembang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35957/algoritme.v5i2.10954

Abstract

Deteksi serangan spoofing wajah menjadi tantangan dalam teknologi pengenalan wajah, terutama pada sistem presensi karyawan yang rentan terhadap penyalahgunaan, seperti penggunaan foto untuk memalsukan kehadiran. Penelitian ini mengembangkan metode deteksi spoofing berbasis transfer learning dengan memanfaatkan arsitektur MobileNetV3, yang dirancang untuk efisiensi pada perangkat dengan keterbatasan sumber daya, seperti perangkat seluler. Model yang dikembangkan dilatih menggunakan dataset dengan pembagian rasio 70:15:15 untuk pelatihan, validasi, dan pengujian, menggunakan pendekatan supervised learning. Hasil eksperimen menunjukkan bahwa varian MobileNetV3-Large dengan teknik fine-tuning, yang dilakukan dengan membuka kembali lapisan setelah lapisan ke-130, mampu mencapai akurasi 99,58% pada data pelatihan, 99,94% pada validasi, dan 99,77% pada pengujian. Selain itu, model ini memperoleh HTER sebesar 0,002254791432, yang menunjukkan efektivitas tinggi dalam mengidentifikasi serangan spoofing wajah.
CLASSIFICATION OF AMERICAN SIGN LANGUAGE USING SCALE INVARIANT FEATURE TRANSFORM FEATURES AND ARTIFICIAL NEURAL NETWORKS Alviando, Muhammad Restu; Al Rivan, Muhammad Ezar; Yoannita, Yoannita
Jurnal Algoritme Vol 1 No 1 (2020): Oktober 2021 || Algoritme Jurnal Mahasiswa Teknik Informatika
Publisher : Program Studi Teknik Informatika Universitas Multi Data Palembang

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (918.03 KB) | DOI: 10.35957/algoritme.v1i1.403

Abstract

American Sign Language (ASL) is a sign language in the world. This study uses the neural network method as a classification and the scale invariant feature transform (SIFT) as feature extraction. Training data and test data for ASL images were extracted using the SIFT feature, then ANN training was conducted using 17 training functions with 2 hidden layers. There are architecture used [250-5-10-24], [250-5-15-24] and [250-15-15-24] so there are 3 different ANN architectures. Each architecture is performed 3 times so that there are 9 experiments (3 x 3 trials run the program). Determination of the number of neurons concluded by the training function is selected by the best test results on the test data. Based on the training function and the extraction of SIFT features as input values ​​in the neural network it can be concluded that from 17 training functions, trainb with neuron architecture [250-5-10-24] becomes the best training function producing an accuracy value of 95%, precision of 15 % and recall 5%.
Perancangan Aplikasi Simulasi Penyelamatan Diri Dari Gempa Bumi Marzali, Azizurrahman; Udjulawa, Daniel; Yoannita, Yoannita
Jurnal Algoritme Vol 1 No 2 (2021): April 2021 || Algoritme Jurnal Mahasiswa Teknik Informatika
Publisher : Program Studi Teknik Informatika Universitas Multi Data Palembang

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (958.577 KB) | DOI: 10.35957/algoritme.v1i2.892

Abstract

Menurut The World Risk Index tahun 2019, Indonesia berada pada peringkat 37 dari 180 negara paling rentan bencana. Pada tanggal 5 Agustus 2018 gempa bumi di Lombok menelan korban sebanyak 259 orang meninggal dunia, dan 1.033 mengalami luka berat. Kurangnya kesiap siagaan dan edukasi mengenai bencana gempa bumi menjadi salah satu faktor penyebab banyaknya jumlah korban. Maka dari itu dibuatlah sebuah aplikasi simulasi yang ditujukan untuk mengedukasi masyarakat supaya dapat mengetahui apa saja yang harus dilakukan pada saat terjadi gempa bumi. Aplikasi ini dibuat menggunakan metode prototyping untuk melakukan identifikasi masalah yang ada pada setiap kejadian gempa bumi. Tujuan dari pembuatan aplikasi ini adalah untuk memberikan pengetahuan tentang bagaimana cara menyelamatkan diri dari gempa bumi. Aplikasi ini berbentuk game yang mempunyai sudut pandang First Person yang mempunyai empat stage dan setiap stage mempunyai beberapa misi. Pemain harus menyelesaikan seluruh misi pada setiap stage agar dapat melanjutkan ke stage selanjutnya. Hasil dari penelitian ini yaitu menghasilkan sebuah aplikasi simulasi dalam cara menyelamatkan diri dari gempa bumi. Berdasarkan uji Black-Box yang telah dilakukan, diperoleh hasil uji coba bahwa aplikasi ini dapat dijalankan dengan baik dan sesuai dengan tujuan.
Klasifikasi Ras Anjing Berdasarkan Citra Menggunakan Convolutional Neural Network Leovincent, Axel; Yoannita, Yoannita
Jurnal Algoritme Vol 3 No 2 (2023): April 2023 || Algoritme Jurnal Mahasiswa Teknik Informatika
Publisher : Program Studi Teknik Informatika Universitas Multi Data Palembang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35957/algoritme.v3i2.3389

Abstract

Dogs are mammals that are much loved and kept. Dogs have 355 breeds worldwide. Each race has its own differences, but in certain races have little or almost similar differences. This study classifies 120 dog breeds using the Convolutional Neural Network (CNN) with the ResNet-50 architectural model and the Adam optimizer. The dataset used consists of 20580 images. The dataset is divided into training data, validation data, and test data with a ratio of 60:20:20. The resolution image is 224x224 pixels in size. In this study, it yielded an accuracy of 99,35%.
Co-Authors Alviando, Muhammad Restu Athar, Muhammad Farid Azarya, Philips Denny Daniel Udjulawa Derry Alamsyah Dicky Pratama gasim, Gasim Krisna Putra, Jelvin Leovincent, Axel M Ezar Al Rivan Marzali, Azizurrahman Maximilliano, Wesley Pandi Pandi, Pandi Putra, Ronaldo Timoti, Gerry Jeven Tinaliah, Tinaliah Triana Elizabeth, Triana Wiwik Handayani Yohannes Yohannes