Article Per Year (5 Year)
p-Index From 2021 - 2026
4.293
P-Index
This Author published in this journals
All Journal Jurnal Teknologi dan Manajemen Informatika Jurnal Teknologi Informasi dan Ilmu Komputer International Journal of Advances in Intelligent Informatics Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) ILKOM Jurnal Ilmiah EDUMATIC: Jurnal Pendidikan Informatika Journal of Intelligent Decision Support System (IDSS) Computer Science and Information Technologies Indonesian Journal of Data and Science Idealis : Indonesia Journal Information System Jurnal Teknik Informatika (JUTIF) Journal of Applied Data Sciences Buletin Sistem Informasi dan Teknologi Islam Jurnal Informatika: Jurnal Pengembangan IT International Journal of Artificial Intelligence in Medical Issues The Indonesian Journal of Computer Science Linier: Literatur Informatika dan Komputer
Darwis, Herdianti
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Dentistry Education Electrical & Electronics Engineering Engineering Health Professions Mathematics Medicine & Pharmacology Public Health

Published : 32 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 32 Documents
Search

 1   2   3   4 
Ensemble semi-supervised learning in facial expression recognition Purnawansyah, Purnawansyah; Adnan, Adam; Darwis, Herdianti; Wibawa, Aji Prasetya; Widyaningtyas, Triyanna; Haviluddin, Haviluddin
International Journal of Advances in Intelligent Informatics Vol 11, No 1 (2025): February 2025
Publisher : Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26555/ijain.v11i1.1880

Abstract

Facial Expression Recognition (FER) plays a crucial role in human-computer interaction, yet improving its accuracy remains a significant challenge. This study aims to enhance the robustness and effectiveness of FER systems by integrating multiple machine learning techniques within a semi-supervised learning framework. The primary objective is to develop a more effective ensemble model that combines Long Short-Term Memory (LSTM), Convolutional Neural Networks (CNN), Support Vector Classifier (SVC), and Random Forest classifiers, utilizing both labeled and unlabeled data. The research implements data augmentation and feature extraction techniques, utilizing advanced architectures such as VGG19, ResNet50, and InceptionV3 to improve the quality and representation of facial expression data. Evaluations were conducted across three dataset scenarios: original, feature-extracted, and augmented, using various label-to-unlabeled ratios. The results indicate that the ensemble model achieved a notable accuracy improvement of 87% on the augmented dataset compared to individual classifiers and other ensemble methods, demonstrating superior performance in handling occlusions and diverse data conditions. However, several limitations exist. The study’s reliance on the JAFFE dataset may restrict its generalizability, as it may not cover the full range of facial expressions encountered in real-world scenarios. Additionally, the effect of label-to-unlabeled ratios on the model's performance requires further exploration. Computational efficiency and training time were also not evaluated, which are critical considerations for practical implementation. For future research, it is recommended to employ cross-validation methods for more robust performance evaluation, explore additional data augmentation techniques, optimize ensemble configurations, and address the computational efficiency of the model to better advance FER technologies.
COMBINATIONS OF FEATURE EXTRACTIONS AND MACHINE LEARNING ALGORITHMS FOR SKIN CANCER CLASSIFICATION Asfar, A. Muh. Fitrah; Hasnawi, Mardiyyah; Darwis, Herdianti
Jurnal Teknik Informatika (Jutif) Vol. 5 No. 6 (2024): JUTIF Volume 5, Number 6, Desember 2024
Publisher : Informatika, Universitas Jenderal Soedirman

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52436/1.jutif.2024.5.6.2514

Abstract

One of the most common causes of death worldwide is skin cancer and its incidence is increasing. To achieve optimal treatment and improve clinical outcomes for patients, precision skin cancer detection and classification approaches are required, which can be achieved through the application of feature extraction and machine learning algorithms. The development of such algorithms to identify important patterns from skin cancer image datasets enables early detection and more accurate classification and more effective treatment. Although previous studies have tried to detect skin cancer using feature extraction techniques such as HFF, HOG, and GLCM, some weaknesses still need to be improved. This research aims to combine various feature extraction methods such as Gray Level Co-occurrence Matrix, Histogram Oriented Gradients, and Local Binary Patterns and machine learning algorithms such as Support Vector Machine, Random Forest, and Gaussian Naïve Bayes in the classification process between Melanoma and Nevus skin cancers. In this research, the number of datasets used is 17,397 derived from the ISIC Dataset. The results showed that the Histogram Oriented Gradients method with Support Vector Machine algorithm achieved the highest accuracy of 92%. The combination of Gray Level Co-occurrence Matrix and Local Binary Patterns with Random Forest algorithm also achieved an accuracy of 92%, the combination of Gray Level Co-occurrence Matrix, Histogram Oriented Gradients, and Local Binary Patterns with Random Forest algorithm also resulted in an accuracy of 92%. These findings suggest that the combination of various feature extraction methods and machine learning algorithms can improve accuracy in skin cancer classification, which in turn can contribute to early detection and more effective treatment.
Studi Perbandingan Kombinasi GMI, HSV, KNN, dan CNN pada Klasifikasi Daun Herbal Alfitriana Riska; Purnawansyah; Darwis, Herdianti; Astuti, Wistiani
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.v12i3.3210

Abstract

Tumbuhan herbal memiliki banyak variasi yang dapat dikenali melalui ciri uniknya secara visual. Namun, cara ini sulit diterapkan pada tumbuhan yang memiliki ciri hampir sama. Penelitian ini membandingkan kinerja metode K-Nearest Neighbour (KNN) dan Convolutional Neural Network (CNN) dalam klasifikasi fitur daun herbal yang diekstraksi dengan menggunakan Geometric Moment Invariant (GMI) dan Hue Saturation Value (HSV). Dataset yang digunakan adalah dataset citra daun katuk (Sauropus androgynus) dan daun kelor (Moringa oleifera) dengan skenario citra terang dan citra gelap. Pembagian data untuk tiap skenario adalah 80% untuk training dan 20% untuk testing. Metode KNN diuji menggunakan nilai dan evaluasi kinerja KNN dan CNN meliputi accuracy, precision, recall, dan f1-score. Hasil penelitian menunjukkan bahwa CNN tanpa ekstraksi fitur dan CNN dengan kombinasi ekstraksi fitur HSV memperoleh performa terbaik dengan rata-rata nilai precision, recall, f1-score dan accuracy sebesar 98% untuk skenario gelap maupun terang.
Klasifikasi Penyakit Bawang Merah Menggunakan Naive Bayes dan CNN dengan Fitur GLCM Arfah, Jumrayanti; Purnawansyah; Darwis, Herdianti; Sastra, Ramdan
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.v12i3.3236

Abstract

Tanaman bawang merah merupakan salah satu tanaman penting dalam industri pertanian. Penyakit pada tanaman bawang merah dapat mengakibatkan kerugian yang signifikan bagi petani dan produsen. Penelitian ini bertujuan untuk mengklasifikasikan penyakit bawang merah pada daun bawang merah yang disebabkan oleh bercak ungu dan moler. Pengumpulan data citra bawang merah dilakukan secara langsung yang dilanjutkan dengan tahap pre-processing sebelum pengklasifikasian penyakit pada tanaman bawang merah. Algoritma Naive Bayes dan CNN dengan ekstraksi fitur GLCM digunakan dalam penelitian ini untuk melakukan perbandingan klasifikasi antara dua metode tersebut dalam mengklasifikasikan penyakit tanaman bawang merah yaitu bercak ungu dan moler. Hasil pengujian dengan menggunakan citra sebanyak 160 penyakit moler dan 160 penyakit bercak ungu menunjukkan bahwa kedua algoritma klasifikasi Naive Bayes dan CNN dengan ekstraksi fitur GLCM mampu mengklasifikasikan penyakit moler dan penyakit bercak ungu pada daun bawang merah dengan akurasi yang baik sebesar 100%. Onion plants are one of the important crops in the agricultural industry. Diseases in onion plants can result in significant losses for farmers and producers. This research aims to classify onion diseases on onion leaves caused by priole blotch and molāris. The of onion image data colaction was performed directly, followed by a pre-processing stage before classifying diseases in onion plants. The Naive Bayes algorithm and CNN with GLCM feature extraction are used in this study to compare the classification between the two methods in classifying onion diseases. The test results using a total of 160 priole blotch and 160 molāris diseases show that both the Naive Bayes and CNN classification algorithms with GLCM feature extraction are capable of classifying priole blotch and molāris diseases on onion leaves with a perfect accuracy of 100%.
Klasifikasi Penyakit Bawang Merah Menggunakan Naïve Bayes dan Convolutional Neural Network Dian; Purnawansyah; Darwis, Herdianti; Nurhayati, Lilis
The Indonesian Journal of Computer Science Vol. 12 No. 4 (2023): The Indonesian Journal of Computer Science (IJCS)
Publisher : AI Society & STMIK Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33022/ijcs.v12i4.3265

Abstract

Bawang merah rentan terhadap serangan penyakit yang dapat mengganggu pertumbuhan dan mengakibatkan hasil panen yang tidak maksimal bahkan gagal panen, seperti bercak ungu dan moler. Penelitian ini bertujuan untuk mengklasifikasikan penyakit bawang merah dengan mengimplementasikan meetode naïve bayes (gaussian , bernoulli, dan multinomial) dan CNN pada citra bawang merah yang diekstraksi menggunakan fourier descriptor. Metode FD – CNN memperoleh tingkat accuracy 98% dalam mengklasifikasikan penyakut bawang merah, moler dan bercak ungu, sedangkan metode CNN tanpa menggunakan ekstraksi menghasilkan nilai accuracy sebesar 97%. Adapun pada metode naïve bayes, pengklasifikasian yang memiliki accuracy paling tinggi adalah metode gaussian naïve bayes sebesar 95% sedangkan yang paling rendah yaitu metode bernoulli naïve bayes dengan tingkat accuracy sebesar 42%. Dengan demikian, dapat disimpulkan bahwa CNN, FD-CNN, dan FD-GNB efektif untuk meningkatkan performa klasifikasi pada citra daun bawang merah.
Support Vector Machine untuk Analisis Sentimen Masyarakat Terhadap Penggunaan Antibiotik di Indonesia Darwis, Herdianti; Wanaspati, Nugraha; Anraeni, Siska
The Indonesian Journal of Computer Science Vol. 12 No. 4 (2023): The Indonesian Journal of Computer Science (IJCS)
Publisher : AI Society & STMIK Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33022/ijcs.v12i4.3320

Abstract

Peningkatan penggunaan antibiotik secara global termasuk di Indonesia, seringkali irasional dan tanpa resep berpotensi menyebabkan resistensi bakteri. Analisis sentimen data Twitter menggunakan query "antibiotik" dapat membantu mengungkap opini publik. Penelitian ini bertujuan untuk menerapkan algoritma Support Vector Machine (SVM) dengan kernel linear, RBF, dan polynomial, menggabungkan berbagai metode seperti pelabelan dengan RoBERTa, pelatihan dengan 5 cross validation, dan tokenizing bigram. Tiga skenario digunakan dalam penelitian ini dan yang menghasilkan nilai akurasi tertinggi yaitu skenario ketiga yang menggunakan slangword dari ramaprakoso dan stopword dari sastrawi sebagai refrensi library untuk filtering, nilai setiap kernel: akurasi 99,88%, presisi 99,88%, recall 99,88%, dan f1 score 99,88%. Metode SMOTE juga mempengaruhi hasil ini. Dari hasil pengujian, dapat disimpulkan bahwa SVM efektif untuk analisis sentimen.
Metode SVM dan Naive Bayes untuk Analisis Sentimen ChatGPT di Twitter Atmajaya, Dedy; Febrianti, Annisa; Darwis, Herdianti
The Indonesian Journal of Computer Science Vol. 12 No. 4 (2023): The Indonesian Journal of Computer Science (IJCS)
Publisher : AI Society & STMIK Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33022/ijcs.v12i4.3341

Abstract

Pertumbuhan pesat platform media sosial telah memberikan jalur baru bagi individu untuk mengungkapkan pendapat dan sentimen mereka. Analisis sentimen dari konten yang dibuat oleh pengguna di platform seperti Twitter menjadi semakin penting dalam memahami opini publik dan tren sosial. Penelitian ini bertujuan untuk membandingkan kinerja dua algoritma machine learning, Support Vector Machine (SVM) dan Naive Bayes, dalam menganalisis sentimen pengguna Twitter mengenai ChatGPT, sebuah model bahasa canggih. Sentimen akan diberi label menggunakan dua alat analisis sentimen yang terkenal, Vader dan Roberta. Penelitian ini menggunakan data Twitter sebanyak 1000 dataset yang terkait dengan ChatGPT dan mengevaluasi akurasi, presisi, dan recall dari model SVM dan Naive Bayes. Hasil penelitian ini menunjukkan perbedaan yang jelas dalam kinerja model: SVM yang digabungkan dengan Vader mencapai tingkat akurasi, presisi, dan recall sebesar 59%, dengan F1-score sebesar 55%. Secara signifikan lebih unggul dibandingkan dengan model sebaliknya, dimana SVM dengan label RoBERTa menghasilkan akurasi sebesar 55%, presisi sebesar 58%, recall sebesar 55%, dan F1-score sebesar 52%. Naive Bayes menunjukkan kinerja yang relatif lebih rendah. Dengan menggunakan Vader, Naïve Bayes mencapai tingkat akurasi dan recall sebesar 47%, presisi sebesar 46%, dan F1-score yang lebih rendah sebesar 32%. Sedangkan, menggunakan RoBERTa dengan Naive Bayes menunjukkan penurunan akurasi menjadi 43%, recall sebesar 43%, presisi sebesar 18%, dan F1-score sebesar 26%. Pengendalian SVM dinilai memiliki kinerja yang lebih unggul dalam mengolah analisis sentimen pengguna Twitter mengenai opini tentang ChatGPT.
Klasifikasi Daun Herbal Menggunakan Metode CNN dan Naïve Bayes dengan Fitur GLCM Adela Regita Azzahra; Purnawansyah; Darwis, Herdianti; Widyawati, Dewi
The Indonesian Journal of Computer Science Vol. 12 No. 4 (2023): The Indonesian Journal of Computer Science (IJCS)
Publisher : AI Society & STMIK Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33022/ijcs.v12i4.3362

Abstract

Tanaman herbal menunjukkan variasi berbagai ukuran dan bentuk yang berbeda untuk setiap jenis. Penelitian ini bertujuan untuk mengklasifikasikan citra daun dari daun katuk (Sauropus Androgynus) dan daun kelor (Moringa). Dalam penelitian ini digunakan Gray Level Co-Occurrence Matrix (GLCM) untuk mengektraksi fitur contrast, correlation, homogeneity, dissimilarity, dan Angular Second Moment (ASM). Adapun pada klasifikasi diterapkan metode Convolutional Neural Network (CNN) dan Naïve Bayes dengan kernel Gaussian, multinomial, dan Bernoulli. Jumlah citra yang digunakan dalam riset ini adalah 480 citra, dengan perincian 80% untuk data training dan 20% sebagai data testing. Berdasarkan hasil pengujian dan perbandingan yang telah dilakukan didapatkan kesimpulan bahwa penerapan metode CNN tanpa ekstraksi fitur terbukti lebih efisien dalam proses klasifikasi citra daun herbal, dengan nilai precision, recall, f1-score dan accuracy mencapai 98% pada situasi cahaya terang.
Klasifikasi Daun Herbal Menggunakan K-Nearest Neighbor dan Convolutional Neural Network dengan Ekstraksi Fourier Descriptor Basri, Haerunnisa; Purnawansyah, Purnawansyah; Darwis, Herdianti; Umar, Fitriyani
Jurnal Teknologi dan Manajemen Informatika Vol. 9 No. 2 (2023): Desember 2023
Publisher : Universitas Merdeka Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26905/jtmi.v9i2.10350

Abstract

The number of herbal plants in Indonesia is 30,000, but only about 1,200 plants are used in medicine. The large number of herbal plants makes it difficult for people to distinguish one type of herbal plant from another. From these conditions, this research has conducted tests to compare the performance of the K-Nearest Neighbor (KNN) and Convolutional Neural Network (CNN) methods using Fourier Descriptor (FD) feature extraction on herbal plants, namely moringa (moringa oleifera) and katuk (sauropus androgynus). The amount of data used is 480 data using image conditions, namely dark and light images which are then divided into 20% testing data and 80% training data. Classification is done using the KNN method using 5 distance calculations (Euclidean, Chebyshev, Manhattan, Minkowski, and Hamming) and CNN with FD feature extraction. From the tests that have been carried out, it is found that the use of FD feature extraction for the KNN method produces the best performance on both light and dark image data. While the use of the CNN method, for dark image data, the best accuracy results are obtained with FD feature extraction and CNN. Meanwhile, for bright image data, the best performance accuracy results are obtained in the CNN method without going through feature extraction. Of these three methods, using FD and KNN feature extraction is more recommended because it produces 100% accuracy in moringa and katuk images with light and dark intensity.
Analisis Sentiment Publik Mengenai Neuralink dari Twitter dengan Menerapkan Naïve Bayes: Multinomial, Gaussian, dan Complement Azwan Triyadi; Purnawansyah; Darwis, Herdianti
The Indonesian Journal of Computer Science Vol. 13 No. 5 (2024): The Indonesian Journal of Computer Science (IJCS)
Publisher : AI Society & STMIK Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33022/ijcs.v13i5.4278

Abstract

Elon Musk owns the business Neuralink, which attempts to build brain-machine interfaces. This study categorizes public opinion towards the use of Neuralink goods, including whether people agree (positive), disagree (negative), or feel neither way. Without accessing the Twitter API, the Twint Python Libraries were utilised to retrieve a dataset of 3000 using the keyword “neuralink”. What datasets are included in positive, neutral, or negative categories are designated using RoBERTa. Term Frequency Inverse Document Frequency (TF-IDF) is utilized for feature extraction, while Synthetic Minority Over-sampling Technique (SMOTE) is employed to handle class imbalance. Complement Naive Bayes, achieved accuracy of 81%, followed by Multinomial Naive Bayes, which achieved accuracy of 80%, and Gaussian Naive Bayes, which achieved accuracy of 75%. The model Complement Naïve Bayes was used in this study to attain the maximum accuracy, and accuracy increases when employing SMOTE compared to other Naïve bayes variants.
Co-Authors Adela Regita Azzahra Adnan, Adam Aji Prasetya Wibawa Alfitriana Riska Amaliah, Tazkirah Amelia, Ayu Annisa Febrianti Arfah, Jumrayanti Asfar, A. Muh. Fitrah Astuti, Wistiani Atmajaya, Dedy Atussaliha, Nur Almar' Azwan Triyadi Backar, Sunarti Passura Basri, Haerunnisa Basri, Nur Anisa Dian Fitrah Yusti Randana Harlinda Harlinda, Harlinda Hasanuddin, Tasrif Haviluddin Haviluddin Irawati Irawati Irawati jabir, sitti rahmah Lilis Nur Hayati lilis nurhayati Lokapitasari Belluano, Poetri Lestari Luluang, Muhammad Zaqly Magfirah, Magfirah Malik, Muh Aristsyah Mardiyyah Hasnawi Moleo, Alif Safa Munaf, Adryan Dwiprawira Nafalski, Andrew Nia Kurniati Nur wahidah Purnawansyah Purnawansyah Purnawansyah Puspitasari, Rahma Rachman Manga, Abdul Rahma, Reyna Aprilia Rahmasari, Putri Aulia Raja, Roesman Ridwan Salim, Yulita Samir, Mutmainnah Sastra, Ramdan Siska Anraeni Triyanna Widiyaningtyas Triyanna Widyaningtyas, Triyanna Umar, Fitriyani Veithzal Rivai Zainal Wanaspati, Nugraha Wati, Silmi Nur Zaskia Widyawati, Dewi Zahirah, Dinna Zulkifli, Muh. Rifqi