Articles
<![CDATA[Matrix Space: Desain Permainan Ular Tangga berbasis Model Pembelajaran VAK ]]>
<![CDATA[Mubaraq, Ziady]]>;
<![CDATA[Junaeti, Enjun]]>;
<![CDATA[Rahman, Eka Fitrajaya]]>;
<![CDATA[Prabawa, Harsa Wara]]>;
<![CDATA[Wihardi, Yaya]]>
<![CDATA[ MATHEMA: JURNAL PENDIDIKAN MATEMATIKA Vol 5, No 2 (2023): MATHEMA ]]>
Publisher : <![CDATA[Universitas Teknokrat Indonesia ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.33365/jm.v5i2.2910
<![CDATA[Efisiensi, peningkatan kualitas, dan transformasi diidentifikasi sebagai potensi keunggulan dalam pemanfaatan teknologi untuk meningkatkan pembelajaran dan pengajaran. Potensi ini menarik para peneliti untuk mengembangkan teknologi yang dapat meningkatkan kualitas pembelajaran. Namun, terdapat beberapa permasalahan terkait jenis intervensi teknologi, pendekatan pencapaian pemahaman, dan pembuktian efektivitasnya yang memerlukan pemikiran yang lebih mendalam. Tujuan dari penelitian ini adalah mengimplementasikan konsep permainan ular tangga dalam perancangan media pembelajaran Sistem Persamaan Linier. Desain dan pengembangan multimedia ini didasarkan pada tahapan model pembelajaran VAK dengan menggunakan framework ADDIE, untuk meningkatkan pemahaman ekstrapolasi mahasiswa Pendidikan Ilmu Komputer. Hasil penelitian menunjukkan bahwa mutimedia yang dibangun mampu meningkatkan pemahaman ekstrapolasi mahasiswa secara significan. Sehingga multimedia layak digunakan sebagai media pembelajaran Sistem Persamaan Linier.Kata Kunci: Model Pembelajaran VAK, permainan ular tangga, pemahaman ekstrapolasi, Sistem Persamaan Linier.]]>
<![CDATA[Klasifikasi Genre Musik Dengan Mel Frequency Cepstral Coefficient Dan Spektogram Menggunakan Convolutional Neural Network ]]>
<![CDATA[Fardhani, Sifa Marcella]]>;
<![CDATA[Wihardi, Yaya]]>;
<![CDATA[Piantari, Erna]]>
<![CDATA[ JATIKOM: Jurnal Aplikasi dan Teori Ilmu Komputer Vol 4, No 1 (2021) ]]>
Publisher : <![CDATA[Universitas Pendidikan Indonesia (UPI) ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.17509/jatikom.v4i1.41465
<![CDATA[Musik sudah menjadi suatu kebutuhan bagi sebagian besar orang karena manfaatnya yang dapat menimbulkan relaksasi dan dapat menjadi hiburan bagi sebagian orang. Kebutuhan akan informasi yang terkandung dalam musik yang didengarkan seringkali dibutuhkan, salah satunya adalah informasi dari jenis genre musik yang sedang didengarkan. Untuk mengetahui jenis genre musik tersebut maka pada penelitian ini dilakukan klasifikasi genre musik yang diharapkan akan memenuhi kebutuhan tersebut dengan melalui proses pengenalan pola dari masing-masing genre. Metode Convolutional Neural Network (CNN) digunakan untuk melatih pola dari jumlah 500 data lagu GTZAN berbahasa Inggris dan 500 data lagu berbahasa Indonesia yang mencakup 5 genre. Teknik ekstraksi fitur digunakan pada praproses data untuk mendapatkan hasil ekstraksi Mel-Frequency Cepstral Coefficient (MFCC) dan spektogram. Kemudian arsitektur CNN akan dibandingkan dengan dua jenis data masukan yang berbeda, yaitu data berbentuk vektor sebagai representasi dari hasil ekstraksi MFCC dan data berbentuk citra spektogram. Setelah itu, data akan melalui proses validasi untuk mengetahui nilai evaluasi dari kinerja model yang dihasilkan masing-masing arsitektur dengan data masukan berbeda. Hasil validasi terbaik ditunjukkan oleh eksperimen dengan data masukan spektogram menggunakan dataset GTZAN yang memiliki nilai akurasi sebesar 76%.]]>
<![CDATA[Mesin Rekomendasi Film Menggunakan Metode Deep Autoencoder ]]>
<![CDATA[Maulana, Muhamad Adie]]>;
<![CDATA[Wihardi, Yaya]]>;
<![CDATA[Piantari, Erna]]>
<![CDATA[ JATIKOM: Jurnal Aplikasi dan Teori Ilmu Komputer Vol 4, No 2 (2021) ]]>
Publisher : <![CDATA[Universitas Pendidikan Indonesia (UPI) ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.17509/jatikom.v4i2.41503
<![CDATA[Layanan penyedia jasa berbasis internet seperti Netflix, Iflix, Amazon Prime, dan lainnya telah mengalami peningkatan total waktu tonton secara drastis dalam kurun waktu sepuluh tahun kebelakang. Pada tahun 2017, pengguna layanan Netflix secara kolektif telah menonton konten Netflix selama 140 juta jam per hari dan mendapatkan pendapatan sebesar 11 milyar dollar amerika [1]. Hampir 80% waktu yang ditonton di Netflix berasal dari mesin rekomendasi yang dibangun oleh Netflix. Hampir semua mesin rekomendasi menggunakan metode collaborative filtering, namun metode Restricted Boltz-mann machines untuk membangun collaborative filtering [2], menunjukkan hasil prediksi yang konsisten meskipun data pelatihan meningkat, sehingga masalah skabilitas dapat teratasi. Konsep yang diadopsi dari model deep learning adalah kemampuan metode ini untuk mengekstraksi fitur robust secara unsupervised melalui rekonstruksi input autoencoder. Berdasarkan hasil pengujian dengan data uji 6040 user, 3883 item (film), dan 1.000.209 rating menghasilkan nilai loss yang rendah yaitu 0.7322 dan nilai RMSE 0,7227 dengan menggunakan metode autoencoder yang telah dimodifikasi.]]>
<![CDATA[Deteksi Sepeda Motor di Jalan Raya Menggunakan Faster R-CNN Berbasis VGG16 ]]>
<![CDATA[Yudha, Moch Dian Lazuardi]]>;
<![CDATA[Setiawan, Wawan]]>;
<![CDATA[Wihardi, Yaya]]>
<![CDATA[ JATIKOM: Jurnal Aplikasi dan Teori Ilmu Komputer Vol 4, No 2 (2021) ]]>
Publisher : <![CDATA[Universitas Pendidikan Indonesia (UPI) ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.17509/jatikom.v4i2.41499
<![CDATA[Penelitian ini bertujuan untuk mengembangkan sistem deteksi objek dengan masukan berupa data citra dalam ukuran bebas. Pengembangan model sistem deteksi objek dilakukan penerapan Machine Learning untuk mengatasi deteksi objek pada sebuah citra dengan metode Faster R-CNN yang berbasis algoritma VGG16. Sistem yang dikembangkan menghasilkan bounding box pada sebuah objek yang berada didalam citra. Pengembangan sistem dilakukan dalam bahasa pemrograman Python dengan memanfaatkan beberapa library seperti Keras. Eksperimen dilakukan dengan mengukur nilai loss dari data training yang dimasukan kedalam sistem. Hasil eksperimen menunjukan bahwa informasi yang dihasilkan terbukti dapat mendeteksi objek pada sebuah citra yang diberikan. Sistem ini dapat menghasilkan informasi berdasarkan data citra yang telah di-training dengan sistem ini. ]]>
<![CDATA[Age Estimation Untuk Intelligent Advertising Pada Poster Digital Menggunakan Convolutional Neural Network ]]>
<![CDATA[Muhyi, Galih Abdul]]>;
<![CDATA[Wihardi, Yaya]]>;
<![CDATA[Piantari, Erna]]>
<![CDATA[ JATIKOM: Jurnal Aplikasi dan Teori Ilmu Komputer Vol 7, No 1 (2024) ]]>
Publisher : <![CDATA[Universitas Pendidikan Indonesia (UPI) ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.17509/jatikom.v7i1.27878
<![CDATA[Sebagai bagian dari intelligent advertising, age estimation digunakan untuk menyesuaikan iklan dari hasil estimasi usia audience. Age estimation (AE) dapat dibangun menggunakan deep learning menggunakan ConvNet dengan kendala seperti data training wajah usia tua yang sedikit dan ketidak seimbangan dataset di dalamnya serta membutuhkan jumlah data yang besar. Salah satu solusi dari permasalahan ini adalah melakukan data augmentasi menggunakan model generatif ACGAN untuk melakukan generate gambar sesuai dengan kelas. Intelligent advertising pada poster digital hanya disimulasikan pada komputer. Simulasi intelligent advertising berfungsi dengan baik terlepas dari terbatasnya iklan dan tidak konsistennya hasil estimasi usia. Hasil dari penggunaan model generatif ACGAN untuk data augmentation berhasil meningkatkan performa hasil pada model AE terlepas dari rendahnya skor IS dan FID serta kualitas gambar yang dihasilkan. Hasil data augmentation lebih terlihat pada model B dengan peningkatan akurasi cumulative score sebesar 4,8% dan skor MAE sebesar 1,297.]]>
<![CDATA[Implementation of Computational Thinking in Data Structure Subject Using Problem-based Learning Models ]]>
<![CDATA[Rafli, Muhammad]]>;
<![CDATA[Sutarno, Heri]]>;
<![CDATA[Wihardi, Yaya]]>
<![CDATA[ Jurnal Guru Komputer Vol 4, No 2 (2023): JGrKom: September 2023 ]]>
Publisher : <![CDATA[Universitas Pendidikan Indonesia ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.17509/jgrkom.v4i2.30450
<![CDATA[Computational thinking skills are one of the skills required in the 21st century. Computational thinking can teach students to think logically, critically, and use appropriate and efficient strategies in solving problems. However, computational thinking skills require an appropriate learning approach. Learning process must be designed to hone problem-solving skills and to acquire essential knowledge and concepts of the subject matter. This study aims to develop a computational approach media with thinking and problem-based learning and to improve students cognitive. This study uses a Comprehensive Life Cycle (SHM) methodology to develop the media. One-group pretest-postest was used for the research design. Media with computational thinking and problem-based learning approach have been developed and has obtained a score of 90% or "Very Good" by experts on media testing and get a percentage score of 92% or "Very Good" by experts on material testing. The use of media with Computational Thinking and problem-based learning approach can improve student cognitive with an increase in the average N-gain of students by 0.42 which is in the "Medium" category. On the other hand, student responses to the learning media resulted in a score of 84%.]]>
<![CDATA[Augmented Reality in STEM Using Personalized Learning to Promote Student’s Understanding ]]>
<![CDATA[Mukhlis, Rizki]]>;
<![CDATA[Erlangga, Erlangga]]>;
<![CDATA[Wihardi, Yaya]]>;
<![CDATA[Raflesia, Sarifah Putri]]>
<![CDATA[ Computer Engineering and Applications Journal Vol 13 No 2 (2024) ]]>
Publisher : <![CDATA[Universitas Sriwijaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.18495/comengapp.v13i2.473
<![CDATA[The current curriculum highlights the premise of self-directed learning performed by students. Additionally, technological uses in educational settings prove to be a challenging task in a sense of implementing them in learning media and materials used in the classroom. This study aims at investigating the utilization of augmented reality (AR) in STEM (Science, Mathematics, Engineering, and Technology) using personalized learning. This study employed pre-experimental research design, specifically adopting One-Group Pretest-Posttest Design. The findings highlight that students’ pretest scores on average reached 51,6 and significantly improved to 82,67 in their posttest, whereas students’ gain score reached 0,64 which is considered as moderate. Their perspectives towards the use of augmented reality with personalized learning were significantly positive with the percentage of 82,1%. It is evident that the use of augmented reality with personalized learning is a viable option when it comes to affecting the learning outcomes.]]>
<![CDATA[Exemplar Based Convolutional Neural Network for Face Search on CCTV Video Recording ]]>
<![CDATA[Winda Mauli Kristy]]>;
<![CDATA[Yaya Wihardi]]>;
<![CDATA[Erlangga Erlangga]]>
<![CDATA[ Journal of Computers for Society Vol 4, No 2 (2023): JCS: September 2023 ]]>
Publisher : <![CDATA[Universitas Pendidikan Indonesia ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.17509/jcs.v4i2.71185
<![CDATA[Many techniques can perform effective face searches, but generally, these methods require numerous samples, particularly when using deep learning approaches. However, there are scenarios where face searches must be conducted with limited samples, such as those obtained from CCTV video recordings, making prior training infeasible. In these situations, a method based on exemplars must be implemented. This investigation utilizes a convolutional neural network (CNN) approach coupled with two unique matching techniques: cross-correlation matching (CCM) and normalized cross-correlation matching (NCC). The study makes use of the Chokepoint Face Dataset, training the data through the optimization of triplet loss. The goal of the study is to evaluate the performance of these combined methods. Two different architectures are created and tested within each method to determine the accuracy of each architecture. The CNN-NCC method has been found to yield accuracy rates that surpass those of the CNN-CCM method by 2 to 17.9%. Nevertheless, it is important to note that the accuracy of the results is greatly influenced by the variations observed in the CCTV video recordings.]]>
<![CDATA[Detection of Motorcycles on Highways Using Faster R-CNN Based on VGG16 ]]>
<![CDATA[Moch Dian Lazuardi Yudha]]>;
<![CDATA[Wawan Setiawan]]>;
<![CDATA[Yaya Wihardi]]>
<![CDATA[ Journal of Computers for Society Vol 4, No 1 (2023): JCS: June 2023 ]]>
Publisher : <![CDATA[Universitas Pendidikan Indonesia ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.17509/jcs.v4i1.71179
<![CDATA[This research aims to develop an object detection system with input in the form of image data in free size. The development of an object detection system model was carried out by applying Machine Learning to overcome object detection in an image using the Faster R-CNN method based on the VGG16 algorithm. The system developed produces a bounding box for an object in the image. System development was carried out in the Python programming language by utilizing several libraries such as Keras. Experiments were carried out by measuring the loss value of the training data entered into the system. The experimental results show that the resulting information is proven to be able to detect objects in a given image. This system can produce information based on image data that has been trained with this system. This study used two experiments which obtained a loss value of 0.0601 in the first study and 0.1211 in the second study.]]>
<![CDATA[Klasifikasi Penyakit Daun Tanaman Tomat Menggunakan EfficientFormer ]]>
<![CDATA[Wihardi, Yaya]]>;
<![CDATA[Erlangga, Erlangga]]>;
<![CDATA[Himmah, Amirah Dzatul]]>;
<![CDATA[Siregar, Herbert]]>
<![CDATA[ Jurnal Aplikasi dan Teori Ilmu Komputer Vol 7, No 2 (2024): September 2024, Jurnal Aplikasi dan Teori Ilmu Komputer (Jatikom) ]]>
Publisher : <![CDATA[Universitas Pendidikan Indonesia (UPI) ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.17509/jatikom.v7i2.80339
<![CDATA[Tomatoes are crucial crops for Indonesian farmers, but they often suffer from diseases caused by fungi, bacteria, and viruses, leading to potential 40% yield loss. Current methods of spotting these diseases by eye result in costly and ineffective use of pesticides. This study focuses on a new way to classify tomato plant diseases using EfficientFormer. This method aims for high accuracy and fast inference time. The model reached an impressive 92% accuracy and takes just 0.4 seconds to identify diseases. This new approach could help farmers spot tomato plant diseases more accurately and quickly, potentially reducing economic losses and excessive pesticide use in Indonesia.]]>
