Articles
<![CDATA[Estimasi Arah Tatapan Mata Menggunakan Ensemble Convolutional Neural Network ]]>
<![CDATA[William Sugiarto]]>;
<![CDATA[Yosi Kristian]]>;
<![CDATA[Eka Rahayu Setyaningsih]]>
<![CDATA[ Teknika Vol 7 No 2 (2018): November 2018 ]]>
Publisher : <![CDATA[Center for Research and Community Service, Institut Informatika Indonesia (IKADO) Surabaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.34148/teknika.v7i2.126
<![CDATA[Studi arah tatapan mata adalah salah satu masalah dalam bidang computer vision. Pengetahuan akan arah tatapan mata dapat memberikan informasi berharga yang dapat dimanfaatkan untuk berbagai macam keperluan dalam bidang lainnya, khususnya dalam bidang interaksi manusia dengan komputer. Dalam paper ini nantinya akan meneliti arah tatapan mata menggunakan Ensemble Convolutional Neural Network dengan menggunakan dataset CAVE (Columbia Gaze Dataset). Convolutional Neural Netwok (CNN) merupakan sebuah bidang keilmuan dalam bidang machine learning yang berkembang cukup pesat khususnya untuk mengklasifikasi citra. Nantinya, paper ini akan menganalisa dan membandingkan hasil F1 score dan weighted kappa (w-kappa) score serta error dari klasifikasi dengan menggunakan 3, 9, dan 21 kelas. Dengan sama-sama menggunakan kanal RGB sebagai gambar input, maka dapat dibandingkan dan disimpulkan bahwa dengan menggunakan metode Ensemble Convolutional Neural Network dengan koefisien 1 untuk mata kiri, 1 untuk mata kanan, dan 3 untuk kedua mata untuk klasifikasi dengan 3 dan 9 kelas, serta dengan koefisien 1 untuk mata kiri, 1 untuk mata kanan, dan 5 untuk kedua mata untuk klasifikasi dengan 21 kelas dapat menghasilkan hasil F1 score dan w-kappa yang lebih baik, serta tingkat error yang lebih rendah daripada menggunakan koefisien dengan nilai lainnya.]]>
<![CDATA[YOLOv4 dan Mask R-CNN Untuk Deteksi Kerusakan Pada Karung Komoditi ]]>
<![CDATA[Eka Rahayu Setyaningsih]]>;
<![CDATA[Muhamad Sarwo Edy]]>
<![CDATA[ Teknika Vol 11 No 1 (2022): Maret 2022 ]]>
Publisher : <![CDATA[Center for Research and Community Service, Institut Informatika Indonesia (IKADO) Surabaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.34148/teknika.v11i1.419
<![CDATA[Industri pertanian memiliki berbagai cara dalam memproses produk mulai dari proses bertani hingga ke pemasaran produk. Salah satu proses yang terlibat di dalamnya adalah penyimpanan produk yang belum dipasarkan melalui beberapa media, contohnya karung untuk menyimpan komoditi. Karung memiliki ketahanan tertentu namun juga dapat memiliki kerusakan, baik ketika digunakan secara berlebihan ataupun ketika berada dalam kondisi penyimpanan secara bertumpuk. Guna membantu mengobservasi keadaan karung komoditi pada suatu penyimpanan, penelitian ini menggagas konsep program deteksi objek berupa karung dan lubang kerusakan yang ada pada suatu frame gambar. Penelitian ini mengusung dua metode sebagai perbandingan berupa You Only Look Once (YOLO) versi 4 dan Mask R-CNN. YOLOv4 merupakan metode deteksi objek yang menekankan konsep one-stage object detection dengan keunggulan pada waktu pemrosesan dan akurasi yang dihasilkan. Keluaran YOLOv4 berupa bounding box yang teridentifikasi pada objek. Mask R-CNN menggunakan konsep two-stage object detection dimana selain identifikasi objek dengan menghasilkan bounding box, terdapat masking terhadap objek yang merepresentasikan segmentasi terhadap objek yang dideteksi. Dataset yang digunakan merupakan hasil akuisisi kamera dengan jumlah yang disamakan pada masing-masing algoritma senilai 700 data training, 100 data validasi. Kelas objek yang dideteksi pada penelitian ini yaitu karung dan lubang pada karung. Pengujian terhadap kedua algoritma tersebut dilakukan terhadap sejumlah 20 data uji dengan perbandingan terhadap kalkulasi secara manual oleh mata manusia. Hasilnya didapatkan bahwa model dari YOLOv4 dapat memberikan performa lebih baik dengan akurasi 96,8%, sedangkan model Mask R-CNN mengalami kinerja yang kurang dapat diandalkan dengan akurasi 65,78% pada data uji yang sama]]>
<![CDATA[PENGARUH PENGGUNAAN TEKNOLOGI AUGMENTED REALITY LIVE TEXTURING PADA PEMBELAJARAN MEWARNAI ANAK USIA DINI DI PAUD HOLISTIK INTEGRATIF EL-FATH SUMENEP ]]>
<![CDATA[Johan Dharmawan]]>;
<![CDATA[Eka Rahayu Setyaningsih]]>
<![CDATA[ Alpen: Jurnal Pendidikan Dasar Vol. 5 No. 2 (2021): Juli-Desember 2021 ]]>
Publisher : <![CDATA[FKIP Universitas Wiraraja ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.24929/alpen.v5i2.98
<![CDATA[Kegiatan Mewarnai di tingkat Pendidikan Anak Usia Dini khususnya Kelompok Bermain sering kali kurang mendapat perhatian oleh peserta didik. Penyampaian pengarahan untuk rentang usia pada Kelompok Bermain agak sulit dalam kegiatan Mewarnai. Augmented Reality (AR) merupakan salah satu kemajuan teknologi informasi yang membantu menampilkan gambar 2D pada lembar mewarnai menjadi 3D sehingga terlihat nyata. Dengan menggunakan media bantu AR Live Texturing pada kegiatan Mewarnai diharap dapat meningkatkan minat peserta didik dalam pembelajaraan mewarnai. Penelitian ini dilakukan pada anak didik Pendidikan Anak Usia Dini Holistik Integratif EL-FATH Sumenep dengan tingkat Kelompok Bermain usia 2-4 Tahun. Penelitian dilakukan dengan membagi menjadi kelompok eksperimen 23 anak dan kelompok kontrol 22 anak, dimana kelompok eksperimen menggunakan AR Live Texturing sebagai media pengarahan. Hasil penelitian menunjukkan tidak ada perbedaan signifikan terhadap minat dan motivasi dari peserta didik karena hanya ingin melihat gambar 3D pada media AR yang dipakai untuk pengarahan, sehingga peserta didik tidak fokus pada pengarahan guru dan kegiatannya.]]>
<![CDATA[Analisis Kinerja Smoothing pada Naive Bayes untuk Pengkategorian Soal Ujian ]]>
<![CDATA[Indah Listiowarni]]>;
<![CDATA[Eka Rahayu Setyaningsih]]>
<![CDATA[ Jurnal Teknologi dan Manajemen Informatika Vol 4, No 2 (2018): Juli 2018 ]]>
Publisher : <![CDATA[Universitas Merdeka Malang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (535.613 KB)
|
DOI: 10.26905/jtmi.v4i2.2080
<![CDATA[Cognitive domain taxonomy bloom is a reference to classify examination based on difficulty levels on education world, the result of those categories will be used to compile a variety of exam questions. In this research, Naive bayes classifier will be used to categorize the text about biology exam for high school. Chi-square is feature selection method that will be used to remove an unuse features on examination, and increase speed of process text categorization. In addition, naive bayes classifier is a method that causing missclassification result of categorization text, this case will be happen if testing data is not found in training data, so we need another method to minimize it, that method called by smoothing method. In this research we will test perfomance and impact of smothing method for naive bayes classifier and chi-square as feature selection method. The smoothing methods to be compared on this research are : Laplace, Dirichlet and Two Stage smoothing. DOI: https://doi.org/10.26905/jtmi.v4i2.2080]]>
<![CDATA[Question Generator Menggunakan Pendekatan Rule Based Heuristik pada Cerita Anak-Anak ]]>
<![CDATA[Sumantri Sumantri]]>;
<![CDATA[Abd Wahab Syahroni]]>;
<![CDATA[Eka Rahayu Setyaningsih]]>;
<![CDATA[Hari Sutiksno]]>
<![CDATA[ InfoTekJar : Jurnal Nasional Informatika dan Teknologi Jaringan Vol 5, No 1 (2020): InfoTekJar September ]]>
Publisher : <![CDATA[Universitas Islam Sumatera Utara ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30743/infotekjar.v5i1.2969
<![CDATA[Pembelajaran tentang pola kalimat sangatlah penting agar bisa dipahami oleh seorang guru khususnya guru bahasa Indonesia, seorang guru bahasa Indonesia dituntut dapat menerangkan pelajaran terkait dengan pola kalimat pada jenjang pendidikan Dasar. Penguasaan dan pemahaman kalimat merupakan standar kompetensi seorang guru. Pada setiap tingkat materi tentang pola kalimat diajarkan sesuai dengan taraf perkembangan siswa-siswinya, sering kali kurangnya kemampuan penguasaan materi tentang pola kalimat menjadi salah satu penyebab rusaknya pemahaman, lebih lanjut pengaruh rusaknya pemahaman pembelajar itu berdampak pada keterampilan lainnya seperti bicara dan menulis Dengan kata lain, pemahaman kalimat akan membantu pengajar menyampaikan materi di kelas rendah dan di kelas tinggi..Dalam penelitian ini, teknik chunking digunakan untuk memecah kalimat menjadi potongan kata atau frasa (kategori) dengan membuat chunk grammar yang berupa aturan (rule) yang mengindikasikan cara kalimat tersebut dipecah menjadi potongan frasa. Frasa yang dibentuk antara lain Frasa Nominal (NP), Frasa Verbal (VP), Frasa Adjektiva (AP), Frasa Adverbial (ADVP), Frasa Preposisional (PP) dan Frase Numeralia (NUMP). Selanjutnya akan dibuatkan algorithma penentuan klausa (fungsi) antara lain Subjek (S), Predikat (P), Objek (O), Pelengkap (PEL) dan Keterangan (K). Dari hasil chunking ini akan di buat pertanyaan munggunakan teknik QUESTION GENERATOR yang akan di seleksi menggunakan metode HEURISTIK.Pemrosesan hasil QUESTION GENERATOR kalimat Bahasa Indonesia yang berupa level kalimat menjadi pertanyaan mendapatkan akurasi sebesar 72,44 %.]]>
<![CDATA[Combination of Genetic Algorithm and Brill Tagger Algorithm for Part of Speech Tagging Bahasa Madura ]]>
<![CDATA[Nindian Puspa Dewi]]>;
<![CDATA[Joan Santoso]]>;
<![CDATA[Ubaidi Ubaidi]]>;
<![CDATA[Eka Rahayu Setyaningsih]]>
<![CDATA[ Proceeding of the Electrical Engineering Computer Science and Informatics Vol 7, No 2: EECSI 2020 ]]>
Publisher : <![CDATA[IAES Indonesia Section ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.11591/eecsi.v7.2034
<![CDATA[Part of speech (POS) is commonly known as word types in a sentence such as verbs, adjectives, nouns, and so on. Part of Speech (POS) Tagging is a process of marking the word class or part of speech in every word in a sentence. Part of Speech Tagging has an important role to be used as a basis for research in Natural Language Processing. That is why research on Part of Speech Tagging for Bahasa Madura as an effort to preserve and develop the use of regional languages. In this research, POS Tagging is done using the Brill Tagger Algorithm which is combined with the Genetic Algorithm. Brill Tagger is a POS Tagging Algorithm that has the best level of accuracy when implemented in other languages. Genetic Algorithms used in the contextual learner process with consideration in previous studies can increase the speed of the training process so that it is more efficient. The results of this study are then compared with the results of the previous study so that we can find out suitable algorithms used for the development of text processing in Bahasa Madura. From a series of experiments, the average accuracy obtained by using Brill Tagger is 86.4% with the highest accuracy of 86.7%, while using GA Brill Tagger shows an average accuracy of 86.5% with the highest accuracy of 86.6%. Testing by observing OOV (Out of Vocabulary) achieves an average accuracy of 67.7% for Brill Taggers and 64.6% for GA Brill Taggers. Testing by considering multiple POS with Brill Tagger produces an average accuracy of 73.3% while testing using GA Brill Tagger produces an average accuracy of 90.9%. This shows that the accuracy with GA Brill Tagger is better than Brill Tagger, especially if considering multiple POS. This is because GA Brill Tagger can generate rules for handling the existence of multiple POS more than pure Brill Tagger.Part of speech (POS) is commonly known as word types in a sentence such as verbs, adjectives, nouns, and so on. Part of Speech (POS) Tagging is a process of marking the word class or part of speech in every word in a sentence. Part of Speech Tagging has an important role to be used as a basis for research in Natural Language Processing. That is why research on Part of Speech Tagging for Bahasa Madura as an effort to preserve and develop the use of regional languages. In this research, POS Tagging is done using the Brill Tagger Algorithm which is combined with the Genetic Algorithm. Brill Tagger is a POS Tagging Algorithm that has the best level of accuracy when implemented in other languages. Genetic Algorithms used in the contextual learner process with consideration in previous studies can increase the speed of the training process so that it is more efficient. The results of this study are then compared with the results of the previous study so that we can find out suitable algorithms used for the development of text processing in Bahasa Madura. From a series of experiments, the average accuracy obtained by using Brill Tagger is 86.4% with the highest accuracy of 86.7%, while using GA Brill Tagger shows an average accuracy of 86.5% with the highest accuracy of 86.6%. Testing by observing OOV (Out of Vocabulary) achieves an average accuracy of 67.7% for Brill Taggers and 64.6% for GA Brill Taggers. Testing by considering multiple POS with Brill Tagger produces an average accuracy of 73.3% while testing using GA Brill Tagger produces an average accuracy of 90.9%. This shows that the accuracy with GA Brill Tagger is better than Brill Tagger, especially if considering multiple POS. This is because GA Brill Tagger can generate rules for handling the existence of multiple POS more than pure Brill Tagger]]>
<![CDATA[Feature Selection Chi-Square dan K-NN pada Pengkategorian Soal Ujian Berdasarkan Cognitive Domain Taksonomi Bloom ]]>
<![CDATA[Indah Listiowarni]]>;
<![CDATA[Eka Rahayu Setyaningsih]]>
<![CDATA[ Jurnal Komputer Terapan Vol. 4 No. 1 (2018): Jurnal Komputer Terapan Mei 2018 ]]>
Publisher : <![CDATA[Politeknik Caltex Riau ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (715.948 KB)
<![CDATA[Examination merupakan tolak ukur akhir bagi peserta didik dengan tujuan untuk mengidentifikasi kemampuan cognitive dan daya tangkap selama menjalankan kegiatan belajar mengajar di kelas, sehingga ketika diadakan sebuah ujian diperlukan susunan soal yang tepat. Taksonomi bloom merupakan sebuah taksonomi yang digunakan di dunia pendidikan berisi enam level cognitive berdasarkan tingkat kesulitannya. Pada penelitian ini akan berkonsentrasi pada pengkategorian data soal ujian biologi tingkat SMA berdasarkan cognitive domain taksonomi bloom, dan metode yang digunakan adalah K-Nearest Neighbour (KNN) sebagai metode classifier,dan metode feature selection Chi-Square (X2)yang bertujuan untuk menyeleksi fitur yang diperlukan. Dua jenis dataset akan digunakan pada penelitian ini, pada dataset pertama metode yang digunakan berhasil mencapai nilai F-measure tertinggi :79,36%, sedangkan pada dataset kedua,berhasil mencapai nilai F-measure tertinggi :61,56%]]>
<![CDATA[SVM UNTUK SENTIMENT ANALYSIS CALON KEPALA DAERAH BERDASAR DATA KOMENTAR VIDEO DEBAT PILKADA DI YOUTUBE ]]>
<![CDATA[Muhammad Harris Syafa'at]]>;
<![CDATA[Eka Rahayu Setyaningsih]]>;
<![CDATA[Yosi Kristian]]>
<![CDATA[ Antivirus : Jurnal Ilmiah Teknik Informatika Vol 15 No 2 (2021): November 2021 ]]>
Publisher : <![CDATA[Universitas Islam Balitar ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.35457/antivirus.v15i1.1539
<![CDATA[YouTube is a social media that is widely used by people to share videos that contain various types of content. Unregistered users can view videos, while registered users can upload videos and provide an unlimited number of comments. Mostly, videos on YouTube are music clips (video clips), movie trailers, educational videos, review videos, discussion videos, and debate or dialogue. Users’ comments and opinions on YouTube can be used as an indicator to see their inclination to a particular regional head candidate; therefore, comments can be a source of data on public opinion and sentiment in a social study. Inside the candidate team for regional head elections, sentiment analysis is used as a rationale for determining policies and campaign tactics to increase the popularity of their candidate and to test whether the candidate is well accepted in the public eye. Support Vector Machine (SVM) is a sentiment analysis model. SVM belongs to the algorithm group with the supervised technique. The three groups of the categorization used in SVM will look for the maximum value of the hyperplane which divides the test room into separate classes. SVM is a computational algorithm that requires a large operation because it includes discretization, normalization, and repeated product point operations. It is expected that Support Vector Machine (SVM) can automatically process comment data on the debate video of regional head candidates posted on YouTube, and then continually classify sentiment analysis of people’s comments on the regional head candidates. Additionally, this study is significant to become a further reference for those interested in developing SVM.]]>
<![CDATA[Rent Car Online Boro ]]>
<![CDATA[Adi Viranata]]>;
<![CDATA[Eka Rahayu Setyaningsih]]>;
<![CDATA[Tjwanda Putera Gunawan]]>
<![CDATA[ Journal of Information System,Graphics, Hospitality and Technology Vol. 2 No. 02 (2020): Journal of Information System, Graphics, Hospitality and Technology ]]>
Publisher : <![CDATA[Institut Sains dan Teknologi Terpadu Surabaya (d/h Sekolah Tinggi Teknik Surabaya) ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.37823/insight.v2i02.94
<![CDATA[Perkembangan website pada masyarakat sekarang sangat berkembang dikarenakan banyaknya website yang dibutuhkan di dalam kegiatan sehari-hari. Dibandingkan jaman dahulu, sekarang telah banyak orang yang melakukan aktifitas sehari-hari melakukan secara online. Mulai dari kebutuhan kecil hingga kebutuhan yang besar dilakukan secara online tanpa harus keluar rumah. Website rent car online pada penelitian ini adalah salah satu solusi untuk keperluan sehari-hari yang dilakukan secara online tanpa harus keluar rumah. Dilengkapi dengan fitur status order pada halaman customer yang membuat customer dapat memantau orderannya kapanpun dan dimanapun. Semua sistem pengerjaan mulai dari operator, sopir, dan admin semuanya dibuat secara efisien dan kompleks sehingga proses sewa mobil menjadi mudah dan menyenangkan. Sistem ini diharapkan dapat membantu mempermudah customer untuk melakukan penyewaan yang dilakukan secara online tanpa harus keluar dari rumah. Dengan sistem pembayaran yang kompleks dan sistem order yang mudah dan menyenangkan. Semua sistem dari pemesanan, proses pengiriman, hingga pengembalian dilakukan secara online.]]>
<![CDATA[PREPROCESSING DATA DAN REPRESENTASI ORGANISME ALGORITMA SYMBIOTIC ORGANISMS SEARCH PADA PERMASALAHAN PENJADWALAN PRAKTIKUM PERGURUAN TINGGI ]]>
<![CDATA[Hendrawan Armanto]]>;
<![CDATA[C. Pickerling]]>;
<![CDATA[Eka Rahayu Setyaningsih]]>
<![CDATA[ MULTITEK INDONESIA Vol 11, No 1 (2017): Juni ]]>
Publisher : <![CDATA[Universitas Muhammadiyah Ponorogo ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (252.829 KB)
|
DOI: 10.24269/mtkind.v11i1.494
<![CDATA[Pada era saat ini, penjadwalan tidak saja diperlukan untuk dunia usaha akan tetapi juga diperlukan pada dunia pendidikan. Banyak sekolah atau perguruan tinggi di Indonesia yang mengalami kesulitan dalam melakukan penjadwalan manual dan membutuhkan solusi dalam melakukan penjadwalan yang cepat dan optimal. Hal tersebut yang menjadi dasar penelitian dengan fokus penjadwalan laboratorium perguruan tinggi. Penjadwalan yang diteliti disini adalah penjadwalan dengan menggunakan algoritma Symbiotic Organisms Search, tetapi untuk penelitian awal ini akan lebih difokuskan kepada preprocessing data serta representasi organisme terhadap kasus penjadwalan praktikum. Hal tersebut dilakukan dikarenakan tanpa adanya data serta representasi yang tepat maka hasil yang diperoleh juga tidak optimal. Setelah melalui beberapa ujicoba diketahui bahwa dengan preprocessing data serta pemilihan representasi yang tidak tepat akan menurunkan hasil dari algoritma symbiotic organisms search hingga 17% bahkan dapat memberikan hasil yang salah dalam melakukan penjadwalan praktikum perguruan tinggi.]]>
