Article Per Year (5 Year)
p-Index From 2020 - 2025
2.504
P-Index
This Author published in this journals
All Journal IJCCS (Indonesian Journal of Computing and Cybernetics Systems) JURNAL PENGABDIAN KEPADA MASYARAKAT Edu Komputika Journal Kinetik: Game Technology, Information System, Computer Network, Computing, Electronics, and Control JMM (Jurnal Masyarakat Mandiri) ILKOM Jurnal Ilmiah JETL (Journal Of Education, Teaching and Learning) JTIM : Jurnal Teknologi Informasi dan Multimedia JINAV: Journal of Information and Visualization Jurnal Publikasi Ilmu Komputer dan Multimedia Jurnal Komunikasi Global
Nurhopipah, Ade
Department Of Informatics, Universitas Amikom Purwokerto
Aerospace Engineering Arts Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Energy Engineering Languange, Linguistic, Communication & Media Library & Information Science Mathematics Social Sciences Other

Published : 15 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 15 Documents
Search

 1   2 
Exploring Pre-Trained Model and Language Model for Translating Image to Bahasa Ade Nurhopipah; Jali Suhaman; Anan Widianto
IJCCS (Indonesian Journal of Computing and Cybernetics Systems) Vol 17, No 4 (2023): October
Publisher : IndoCEISS in colaboration with Universitas Gadjah Mada, Indonesia.

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22146/ijccs.76389

Abstract

In the last decade, there have been significant developments in Image Caption Generation research to translate images into English descriptions. This task has also been conducted to produce texts in non-English, including Bahasa. However, the references in this study are still limited, so exploration opportunities are open widely. This paper presents comparative research by examining several state-of-the-art Deep Learning algorithms to extract images and generate their descriptions in Bahasa. We extracted images using three pre-trained models, namely InceptionV3, Xception, and EfficientNetV2S. In the language model, we examined four architectures: LSTM, GRU, Bidirectional LSTM, and Bidirectional GRU. The database used was Flickr8k which was translated into Bahasa. Model evaluation was conducted using BLEU and Meteor. The performance results based on the pre-trained model showed that EfficientNetV3S significantly gave the highest score among other models. On the other hand, in the language model, there was only a slight difference in model performance. However, in general, the Bidirectional GRU scored higher. We also found that step size in training affected overfitting. Larger step sizes tended to provide better generalizations. The best model was generated using EfficientNetV3S and Bidirectional GRU with step size=4096, which resulted in an average score of BLEU-1=0,5828 and Meteor=0,4520.
Indeks Literasi Digital Kader TP PKK Ade Nurhopipah; Primandani Arsi
Jurnal Komunikasi Global Vol 13, No 1 (2024)
Publisher : Program Studi Ilmu Komunikasi FISIP Universitas Syiah Kuala

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24815/jkg.v13i1.36633

Abstract

Peningkatan kualitas literasi digital merupakan upaya penting terbentuknya Masyarakat digital sehat. Langkah awal yang perlu dilakukan adalah identifikasi sejauh mana kompetensi pengguna dunia digital. Penelitian ini melakukan pengukuran Indeks Literasi Digital dengan target kader Tim Penggerak Pemberdayaan Kesejahteraan Keluarga (TP PKK) di Desa Tambaksari Kidul, Kembaran, Banyumas. Target ini dipilih karena mereka merupakan salah satu pihak yang berperan signifikan dalam menentukan keberhasilan pendidikan non-formal. Tujuan penelitian ini dilakukan untuk memberikan gambaran tentang tingkat literasi kader PKK dibandingkan dengan Indeks Literasi Digital nasional di Indonesia. Instrumen yang digunakan adalah survei yang mengadopsi instrumen Kementerian Komunikasi dan Informatika berdasarkan Road Map Literasi Digital Indonesia 2020-2024. Sebanyak 93 responden berpartisipasi dalam penelitian ini yang menggunakan jenis teknik total sampling. Hasil analisis menunjukan bahwa indeks tertinggi adalah pada pilar budaya digital dengan skor 4,05 dan indeks terendah adalah pada pilar keamanan digital dengan skor 2,83. Kesimpulan dari analisis yang dilakukan Skor total Indeks Literasi Digital responden adalah 3,52, sedikit di bawah indeks nasional pada tahun 2022 yaitu sebesar 3,54.Improving digital literacy quality is essential to create a healthy digital society. The first step is to identify the extent of the user's competence in the digital world. This research measures the Digital Literacy Index targeting the Family Welfare Empowerment Team (TP PKK) cadres, in Tambaksari Kidul Village, Kembaran, Banyumas. This target was chosen because they are one of the parties who play a significant role in determining the success of non-formal education. This research aims to provide an overview of the literacy level of PKK cadres compared to the national Digital Literacy Index in Indonesia. The instrument used was a survey that adopted the Ministry of Communications and Information Technology's instrument based on the Indonesian Digital Literacy Road Map 2020-2024. 93 respondents participated in this research using a total sampling technique. The results show that the highest index is in the digital culture pillar, with a score of 4.05, and the lowest index is in the digital security pillar, with a score of 2.83. The respondents' total Digital Literacy Index score is 3.52, slightly below the national index in 2022, which is 3.54.
PERBANDINGAN METODE RESAMPLING PADA IMBALANCED DATASET UNTUK KLASIFIKASI KOMENTAR PROGRAM MBKM Nurhopipah, Ade; Magnolia, Cindy
Jurnal Publikasi Ilmu Komputer dan Multimedia Vol 2 No 1 (2023): Januari : Jurnal Publikasi Ilmu Komputer dan Multimedia
Publisher : Pusat Riset dan Inovasi Nasional

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55606/jupikom.v2i1.862

Abstract

Imbalanced dataset yaitu kondisi di mana dataset didominasi oleh salah satu kelas adalah permasalahan yang umum ditemukan dalam aplikasi di dunia nyata. Pada penelitian ini, permasalahan tersebut terjadi pada dataset yang dikumpulkan untuk klasifikasi empat jenis komentar publik terhadap program Merdeka Belajar Kampus Merdeka (MBKM). Dataset tersebut memiliki Imbalanced Rasio yang tinggi sebesar 5:1 dan kinerja klasifikasi yang rendah dengan F-Measure di antara 0,6209 sampai 0,6672. Masalah ini mendasari tujuan penelitian, yaitu mencoba mengeksplorasi beberapa teknik resampling untuk melihat pengaruhnya terhadap kinerja model klasifikasi. Metode resampling yang diteliti adalah undersampling dengan Near Miss dan Tomek Links, oversampling dengan SMOTE dan ADASYN, dan kombinasi undersampling dan oversampling dengan Random Combination Sampling (RCS). Penelitian ini menggunakan empat classifier yaitu Random Forest, Logistic Regression, SVM dan MLP untuk melihat stabilitas efek metode resampling. Berdasarkan analisis yang dilakukan, dapat disimpulkan bahwa metode Near Miss pada penelitian ini tidak memberikan efek positif dalam peningkatan kinerja model. Sebaliknya, metode lainnya dapat memperbaiki kinerja model classiifier dengan meningkatkan nilai F-Measure. Kinerja terbaik diperoleh pada model klasifikasi SVM dengan dataset hasil resampling metode SMOTE. Setelah melalui analisis optimasi model dan metode resampling diperoleh nilai F-Measure maksimal sebesar 0.9524.
Penanganan Imbalanced Dataset untuk Klasifikasi Komentar Program Kampus Merdeka Pada Aplikasi Twitter Magnolia, Cindy; Nurhopipah, Ade; Kusuma, Bagus Adhi
Edu Komputika Journal Vol 9 No 2 (2022): Edu Komputika Journal
Publisher : Jurusan Teknik Elektro Universitas Negeri Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15294/edukomputika.v9i2.61854

Abstract

Imbalanced dataset merupakan hal yang sering ditemukan secara alami dalam proses penambangan data. Kondisi ini sangat mempengaruhi keakuratan klasifikasi data seperti yang terjadi dalam klasifikasi komentar program Kampus Merdeka yang peneliti lakukan. Penelitian ini akan fokus pada penanganan Imbalanced dataset untuk meningkatkan kinerja klasifikasi komentar yang berasal dari aplikasi Twitter. Data diklasifikasikan ke dalam empat kelas yaitu kelas 0 (untuk informasi), kelas 1 (untuk opini), kelas 2 (untuk pertanyaan), dan kelas 3 (untuk out of topic). Metode yang digunakan untuk balancing dataset adalah Undersampling, Oversampling menggunakan SMOTE dan ADASYN, serta Random Combination Sampling. Evaluasi performa dilakukan menggunakan algoritma Support Vector Machine (SVM) dengan perbandingan komposisi data training dan testing 80:20. Metode pembobotan data yang digunakan adalah Term Frequency-Inverse Document Frequency (TF-IDF) dengan nilai max_features 3000, 5000, dan 7000. Hasil pengujian awal menunjukan bahwa nilai akurasi dan F1-score pada Imbalanced dataset secara berurut-urut adalah 0,7 dan 0,7. Sedangkan metode penanganan Imbalanced dataset dapat meningkatkan nilai F1-score, kecuali pada penerapan metode Undersampling. Metode terbaik ditunjukan oleh penerapan ADASYN dengan nilai akurasi dan F1-score berurut-urut sebesar 0,9 dan 0,9. Penggunaan max_features pada TF-IDF juga mempengaruhi hasil performa klasifikasi, dengan max_features terbaik ditunjukan pada jumlah 5000.
Analysis of Detecting the Authenticity of Money Using the Edge Detection Method Widianto, Nabella Putri; Indartono, Kuat; Nurhopipah, Ade
JINAV: Journal of Information and Visualization Vol. 5 No. 1 (2024)
Publisher : PT Mattawang Mediatama Solution

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35877/454RI.jinav2372

Abstract

One of the factors contributing to the increasing number of banknotes counterfeiting crimes is the technological advancements that have been made in the digital printing industry. Duplications that are very similar and even difficult to distinguish from the original banknote sheet are made easily due to high-quality duplication. Viewing, feeling, and looking carefully at a banknote is the traditional way to check the authenticity of a banknotes. And of course, due to the limitations of human capabilities, such methods are ineffective for many banknotes. Effectively and efficiently, edge detection can be completed by image processing or image processing methods. Using the camera, both real and fake banknotes are transferred. This results in two photos saved as JPG files representing both banknotes. After that, the conversion process to greyscale is carried out, edge observations are made on the image, and then a histogram of both images is created. The results of the histogram were compared and texture was analyzed as judged by the brightness and sharpness of the image. Keywords: Edge Detection, Fake Money, Histogram, Real Money, Texture Analysis.
Co-Authors Agus Harjoko Anan Widianto Arif Munandar Dani Arifudin Ferdiyansyah, Achmad Indra Alan Nugroho Irfan Rifai Azziz Jali Suhaman Jali Suhaman Jali Suhaman Jali Suhaman Jali Suhaman Krisno, Krisno Kuat Indartono Kusuma, Bagus Adhi Larasati, Nurriza Amalia Magnolia, Cindy Moza Tri Humanita Mutiara, Dwi Ayu Nuraida, Ida Primandani Arsi Uswatun Hasanah Uswatun Hasanah Uswatun Hasanah Widianto, Nabella Putri Wiga Maulana Baihaqi