Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Jurnal Teknologi Informasi dan Ilmu Komputer Journal of Information Systems Engineering and Business Intelligence Indonesian Journal on Computing (Indo-JC) eProceedings of Engineering
Anditya Arifianto
Universitas Telkom
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering

Published : 26 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 26 Documents
Search

 1   2   3 
Pengenalan Ekspresi Wajah Menggunakan LGBP dan SVM Erwin Yulizar Fardani; Anditya Arifianto; Kurniawan Nur Ramadhan
eProceedings of Engineering Vol 5, No 3 (2018): Desember 2018
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak Ekspresi wajah merupakan komunikasi non-verbal. Ekspresi wajah memuat informasi tentang emosi dan kondisi kejiwaan seseorang. Karena memuat informasi tentang emosi pada seseorang, maka dapat digunakan pada bidang periklanan, apakah dengan iklan suatu produk orang menjadi tertarik atau tidak. Untuk hal itu penulis melakukan analisis mengenai pengenalan ekspresi wajah menggunakan metode penggabungan Local Gabor Binary Pattern (LGBP) dan Support Vector Machine (SVM). Analisis menggunakan wajah dari database Japanese Female Facial Expression (JAFFE). Hasil utama dari program yang dibuat menampilkan label dari ekspresi dari wajah yang dimasukan ke program dengan akurasi sistem sebesar 69%. Kata Kunci: Pengenalan ekspresi, Local Gabor Binary Pattern (LGBP), Support Vector Machine (SVM), Japanese Female Facial Expression (JAFFE). Abstract Facial expressions are non-verbal communication. Facial expressions contain information about one's emotions and mental state. Because it contains information about an emotion on a person, it can be used in the advertising field, whether by advertising a product people become interested or not. To that end, the authors conducted an analysis of facial expression recognition using the method of merging Local Gabor Binary Pattern (LGBP) and Support Vector Machine (SVM). The analysis uses faces from the Japanese Female Facial Expression (JAFFE) database. The main results of the program created display the label of the expression of the faces entered into the program with 69% accuracy. Keywords: Expression Recognition, Local Gabor Binary Pattern (LGBP), Support Vector Machine (SVM), Japanese Female Facial Expression (JAFFE).
Pengenalan Wajah Menggunakan Convolutional Neural Network Halprin Abhirawa; Jondri Jondri; Anditya Arifianto
eProceedings of Engineering Vol 4, No 3 (2017): Desember, 2017
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Wajah merupakan salah satu dari ciri atau identitas unik yang dimiliki oleh manusia. Dalam mengenali wajah terdapat banyak metode yang bisa diimplementasikan. Salah satu dari implementasinya adalah dengan menggunakan Convolutional Neural Network (CNN). Convolutional Neural Network atau yang biasa disebut CNN merupakan bagian dari Deep Learning yang melakukan proses pembelajaran untuk mencari representasi terbaik. Dataset yang digunakan adalah The Extended Yale Face Database B, yang berupa dataset foto wajah. Dengan menggunakan proses dropout diperoleh hasil terbaik dengan tingkat akurasi pengenalan setinggi 89.73%. Sedangkan apabila dilakukan pengujian terhadap data testing akan diperoleh hasil akurasi pengenalan setinggi 75.79%. Kata kunci : Face Recognition, Deep Learning, Convolutional Neural Network, dropout
Automatic Image Annotation Menggunakan Metode Speeded Up Robust Feature Dan Support Vector Machine Nurul Halimatul Azizah; Febryanti Sthevanie; Anditya Arifianto
eProceedings of Engineering Vol 4, No 2 (2017): Agustus, 2017
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Tersedianya citra dalam jumlah yang cukup banyak menyebabkan dibutuhkannya sistem untuk mengorganisasikan citra sesuai dengan kategori tertentu untuk memudahkan user untuk mencari citra yang dibutuhkan. Pencarian citra menggunakan teks saat ini masih kurang efektif karena pemberian teks terhadap citra oleh masing-masing orang masih terlalu subyektif dan memakan waktu yang cukup lama. Pencarian dengan menggunakan citra sebagai query menggunakan fitur yang terdapat pada citra juga masih kurang efektif karena membutuhkan citra sebagai query dan hasilnya masing kurang sesuai. Sistem Automatic Image Annotation merupakan sistem yang dapat mengatasi kekurangan yang tedapat pada pencarian citra menggunakan teks dan pencarian citra menggunakan citra query, dengan cara memberikan anotasi secara otomatis terhadap citra menggunakan fitur yang terdapat pada citra. Dalam penelitian tugas akhir ini, akan dibangun sebuah sistem Automatic Image Annotation menggunakan metode ekstraksi ciri Speeded Up Robust Features (SURF) dan metode klasifikasi Support Vector Machine (SVM) menggunakan Bag-of-Visual-Words. Dari hasil pengujian, akurasi tertinggi didapat menggunakan nilai threhsold 0, jumlah klaster 500, dan menggunakan jenis SVM one-against-all dengan hasil F1 Score rata-rata sebesar 0,9001. Kata kunci : Automatic Image Annotation, SURF, SVM, visual words.
Klasifikasi Ras Berdasarkan Citra Wajah Menggunakan Convolutional Neural Network Rizza Aulia Rahman; Anditya Arifianto; Kurniawan Nur Ramdhani
eProceedings of Engineering Vol 7, No 1 (2020): April 2020
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak Salah satu fungsi penting identifikasi ras dalam kehidupan sehari-hari adalah untuk keperluan kontrol kesehatan yang dilakukan oleh pemerintah. Namun, tidak mudah untuk menentukan ras dari masing-masing orang secara langsung, terlebih apabila jumlah masyarakat yang banyak sehingga juga akan memakan waktu lama. Salah satu cara yang dapat dilakukan untuk menyelesaikan masalah tersebut adalah dengan menggunakan sistem otomatis. Sistem otomatis disini adalah berupa perangkat lunak yang dapat digunakan untuk mengidentifikasi ras berdasarkan citra wajah seseorang. Dalam penelitian ini metode yang digunakan adalah Convolutional Neural Network (CNN). Melalui penelitian ini, didapatkan sebuah struktur CNN yang optimal untuk mengklasifikasikan ras. Struktur CNN tersebut memberikan akurasi training sebesar 91.63% setelah dilatih dengan sekitar 5400 citra wajah dan akurasi testing sebesar 89.739% untuk 600 citra wajah. Selain itu, ketika diuji dengan dataset citra baru, CNN tersebut menghasilkan akurasi klasifikasi sebesar 76.67% untuk 30 citra wajah. Kata kunci : ras, klasifikasi, citra wajah, convolutional neural network, CNN Abstract One of the main purpose of race identification in daily life is for the government health control program. But, it is not easy to determine the race of each person directly, it will take a long time, especially because high number of people in the society. One of the technique that could be implemented to solve this problem is by utilizing an automated software system that could identify the person’s race based on their face image. For this research, the Convolutional Neural Network (CNN) is used for the software. The result of this research is an optimal structure of CNN for race classification. The best CNN structure, give 91.63% as the training accuracy value after trained using around 5400 facial images and 89.739% as the testing accuracy value on 600 facial images. Also, when the CNN is tested to classify a new face dataset, it gives 76.67% classification accuracy on 30 facial images. Keywords: race, classification, face image, convolutional neural network, CNN
Pembangunan Aplikasi Mobile Pengenalan Objek Untuk Pendidikan Anak Usia Dini Supriadi, Muhammad Fadhlan; Rachmawati, Ema; Arifianto, Anditya
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 8 No 2: April 2021
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2021824363

Abstract

Penggunaan ponsel sudah sangat erat dengan kehidupaan anak usia dini sehingga menimbulkan beberapa dampak negatif bagi anak usia dini terutama berkurangnya interaksi dengan dunia sekitarnya. Salah satu teknologi yang dapat dikembangkan pada ponsel adalah computer vision. Salah satu penggunaan computer vision adalah object recognition yang memberikan solusi untuk membantu mengenali objek. Pada penelitian ini dibangun sistem pengenalan objek benda di dalam rumah yang diaplikasikan pada ponsel yang diharapkan membantu anak usia dini mengenali benda disekitarnya. MobileNet merupakan salah satu feature extraction yang memiliki kinerja yang baik dan ringan digunakan pada perangkat ponsel. Arsitektur MobileNet terdiri dari layer depthwise convolution dan layer pointwise convolution dalam mengekstraksi fitur. Percobaan ini juga menggunakan arsitektur Single Shot Multibox Detector (SSD) sebagai metode dalam mendeteksi objek. Pre-trained model dari dataset COCO digunakan pada eksperimen, untuk mengenali 20 jenis objek benda di dalam rumah. Dari hasil eksperimen, MobileNetV2 menghasilkan nilai mean Average Precision (mAP) yang lebih baik dibandingkan dengan MobileNetV1 dan InceptionV2, yaitu sebesar 99,34%. Abstract Mobile phone usage has been very close to early childhood life, so giving rise to some negative impact on early childhood, especially reduced interaction with the surrounding world. One of the technologies that can be developed on the cellphone is computer vision. One of the uses of computer vision is object recognition that provides solutions to help to recognize objects. This research builds a system for recognition objects inside in house that is developed on a cellphone that is expected to help early childhood recognize objects in the surrounding. MobileNet is one of feature extraction that has good performance and efficient use on a cellphone. MobileNet architecture consists of a depthwise convolution layer and pointwise convolution layer in extracting features. The experiment also uses the architecture of Single Shot Multibox Detector (SSD) as a method of detecting objects. We used MobileNet architecture as a pre-trained model that had previously been trained on COCO datasets, and implement transfer learning for 20 types of objects commonly found inside the house. The experimental result indicates that the mean Average Precision (mAP) of MobileNetV2 could exceed MobileNetV1 and InceptionV2 of 99.34%.
Sentiment Analysis on a Large Indonesian Product Review Dataset Romadhony, Ade; Al Faraby, Said; Rismala, Rita; Wisesty, Untari Novia; Arifianto, Anditya
Journal of Information Systems Engineering and Business Intelligence Vol. 10 No. 1 (2024): February
Publisher : Universitas Airlangga

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20473/jisebi.10.1.167-178

Abstract

Background: The publicly available large dataset plays an important role in the development of the natural language processing/computational linguistic research field. However, up to now, there are only a few large Indonesian language datasets accessible for research purposes, including sentiment analysis datasets, where sentiment analysis is considered the most popular task. Objective: The objective of this work is to present sentiment analysis on a large Indonesian product review dataset, employing various features and methods. Two tasks have been implemented: classifying reviews into three classes (positive, negative, neutral), and predicting ratings. Methods: Sentiment analysis was conducted on the FDReview dataset, comprising over 700,000 reviews. The analysis treated sentiment as a classification problem, employing the following methods: Multinomial Naí¯ve Bayes (MNB), Support Vector Machine (SVM), LSTM, and BiLSTM. Result: The experimental results indicate that in the comparison of performance using conventional methods, MNB outperformed SVM in rating prediction, whereas SVM exhibited better performance in the review classification task. Additionally, the results demonstrate that the BiLSTM method outperformed all other methods in both tasks. Furthermore, this study includes experiments conducted on balanced and unbalanced small-sized sample datasets. Conclusion: Analysis of the experimental results revealed that the deep learning-based method performed better only in the large dataset setting. Results from the small balanced dataset indicate that conventional machine learning methods exhibit competitive performance compared to deep learning approaches.   Keywords: Indonesian review dataset, Large dataset, Rating prediction, Sentiment analysis
Co-Authors Abdan Hafidh Ahnafi Adam Geraldy Katab Ade Romadhony Agung Toto Wibowo Al Faraby, Said Bandy Cipta Nur Ramadhan Dea Taradipa Ardiagarianti Ema Rachmawati Enki Probo Sidhi Erwin Yulizar Fardani Febryanti Sthevanie Fransisca Arvevia Intan Angelia Friendly Halomoan Sipayung Halprin Abhirawa Jody Jody Jondri Jondri Kurniawan Nur Ramadhan Kurniawan Nur Ramadhani Kurniawan Nur Ramdhani M. Adhi Satria M. Ardi Firmansyah Muh Aswan Abidin1 Muhammad Miftah Muslim Zulfikar Naufal Dzaky Anwari Ni Gusti Ayu Mirah Eka Darmayanti Nurul Halimatul Azizah Pima Hani Safitri Rachmi Azanisa Putri Rama Patria Himawan Rita Rismala Riyad Rivandi Rizza Aulia Rahman Supriadi, Muhammad Fadhlan Tjokorda Agung Budi Wiharja Tjokorda Agung Budi Wirayuda Untari Novia Wisesty Varian Vianandha Zeyhan Aliyah