Article Per Year (5 Year)
p-Index From 2020 - 2025
0.444
P-Index
This Author published in this journals
All Journal JIKO (Jurnal Informatika dan Komputer) Jurnal Saintekom : Sains, Teknologi, Komputer dan Manajemen
Prayogi, Kurnia
Unknown Affiliation
Computer Science & IT Decision Sciences, Operations Research & Management

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Klasifikasi Sentimen Terhadap Kualitas Aplikasi Bahan Ajar Digital Akademik Universitas Terbuka di Google Play Fatmasari, Rhini; Gata, Windu; Kusuma Wardhani, Nia; Prayogi, Kurnia; Binti Husna, Modesta
Jurnal Saintekom : Sains, Teknologi, Komputer dan Manajemen Vol 14 No 1 (2024): Maret 2024
Publisher : STMIK Palangkaraya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33020/saintekom.v14i1.591

Abstract

Terbuka University is a leading institution that implements the optimization of digital transformation, especially in distance learning systems. To improve the quality of service to students and stakeholders, Terbuka University has developed the Terbuka University Digital Learning Materials application. This application offers several learning modules that can be accessed through the Google Play Store. This research aims to classify data using different labels related to reviews of the Terbuka University Digital Learning Materials application using the Long Short-Term Memory classification algorithm. Evaluation is conducted to find accuracy, f1-score, precision, and recall values. The research results show that classification with Long Short-Term Memory achieves an accuracy of 76.72% with the Vader label, and the accuracy with the TextBlob label reaches 74.21%. Confusion matrix evaluation shows precision results of 0.91 and recall of 0.78, with an f1-score of 0.84 for the Vader label. For the TextBlob label, the precision is 0.96, recall is 0.45, and the f1-score is 0.61. This research contributes positively to understanding the evaluation and classification of reviews of the Terbuka University Digital Learning application. Implementing the Long Short-Term Memory algorithm with the Vader label can be an effective choice to improve service and learning quality through the application.
Augmentasi Gambar untuk Identifikasi Labu dengan Menggunakan Teachable Machine Prayogi, Kurnia; Putra, Zico Pratama
JURNAL INFORMATIKA DAN KOMPUTER Vol 9, No 1 (2025): Februari 2025
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat - Universitas Teknologi Digital Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26798/jiko.v9i1.1375

Abstract

Penggunaan Google Teachable Machine pada dasarnya melibatkan algoritma Convolutional Neural Network (CNN), yang memungkinkan model untuk belajar mengenali objek, mengekstrak fitur, dan melakukan klasifikasi dengan akurasi tinggi. Implementasi ini diharapkan dapat meningkatkan efisiensi dan akurasi proses identifikasi labu dalam sektor pertanian, mengurangi kesalahan manusia, dan meningkatkan produktivitas. Selain itu, penelitian ini memberikan wawasan praktis tentang bagaimana teknologi pembelajaran mesin yang dapat diterapkan dalam kehidupan sehari – hari, memperluas aksesibilitas teknologi ini kepada lebih banyak individu. Berdasarkan analisis dan pengujian dengan menggunakan berbagai parameter seperti epoch, model pelatihan menunjukkan akurasi mendekati 100%, sementara akurasi pengujian hanya berkisar antara 60% - 80%. Konfigurasi batch size 64, learning rate 0.001, dan epoch 100 menghasilkan hasil terbaik dengan akurasi pengujian stabil di sekitar 80%. Diharapkan di masa mendatang, penelitian ini dapat diperluas lebih lanjut dengan melakukan penyesuaian parameter secara lebih teliti untuk mencapai kinerja yang optimal dalam menangani data yang baru atau belum pernah dilihat sebelumnya.
Co-Authors Binti Husna, Modesta Gata, Windu Nia Kusuma Wardhani Putra, Zico Pratama Rhini Fatmasari, Rhini