Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal JTIULM (Jurnal Teknologi Informasi Universitas Lambung Mangkurat) Jurnal Sains Komputer dan Teknologi Informasi
Rafie Rafie
STMIK Indonesia Banjarmasin
Computer Science & IT Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Engineering

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

Found 2 Documents
Search

 1 
Klasifikasi Bunga Menggunakan Naïve Bayes Berdasarkan Fitur Warna Dan Texture Rafie Rafie
Jurnal Sains Komputer dan Teknologi Informasi Vol 4 No 1 (2021): Jurnal Sains Komputer dan Teknologi Informasi
Publisher : Institute for Research and Community Services Universitas Muhammadiyah Palangkaraya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33084/jsakti.v4i1.3173

Abstract

Pemrosesan gambar sangat berbeperan pernting dalam mengekstraksi informasi yang berguna dari gambar. Klasifikasi bunga diperlukan untuk mengatasi masalah klasifikasi bunga secara manual serta mempersingkat waktu dalam identifikasi bunga, dalam kasus klasifikasi bunga, pemrosesan gambar adalah langkah penting untuk identifikasi spesies tanaman yang dibantu komputer. Klasifikasi citra bunga di dasarkan pada fitur tingkat rendah seperti warna dan tekstur untuk mendefinisikan dan menggambarkan konten gambar. Penelitian ini bertujuan untuk mengklasifikasi bunga berdasarkan jenis bunga menggunakan Teknik pemrosesan citra. Ektraksi fitur yang digunakan awalnya adalah Hue, Saturation, Value untuk mendapatkan citra warna. Sedangkan untuk mendapatkan citra texture adalah GLCM (Gray Level Co-occurrence Matrik) yaiut Contrast, Correlation, Energy dan Homogenity, kemudian setelah percobaan fitur warna di tambah 3 lagi yaitu Red, Green Blue. Data latih bunga yang digunakan berjumlah 200 gambar yang terdiri dari 4 class bunga (kansas, marguerite, roses dan tulips), masing-masing bunga mewakili dari 50 gambar. Hasil percobaan pertama menunjukkan akurasi menggunakan Naïve Bayes distribusi normal sebesar 66 %, setelah beberapa kali percobaan hingga mendapatkan hasil akurasi tertinggi sebesar 77%, hasil ini diperoleh dengan menerapkan 6 fitur warna dan 4 fitur texture dan menggunakan Naïve Bayes distribusi kernel.
Real-Time K-Means Clustering with Firebase ML Kit: Segmenting Barber Shop Customers by Booking Behavior and Churn Risk Rafie Rafie; Helda Yunita; Amrul Hadiyanoor
Jurnal Teknologi Informasi Universitas Lambung Mangkurat (JTIULM) Vol. 10 No. 1 (2025)
Publisher : Fakultas Teknik Universitas Lambung Mangkurat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20527/jtiulm.v10i1.461

Abstract

This study addresses the challenges of high churn rates and the need for real-time customer behavior analysis in barber shops by developing a K-Means model integrated with Firebase ML Kit. The research analyzes 70,000 booking records from an Android application, focusing on features such as booking frequency, average cancellations, and recency day. The model achieves optimal performance with 5 clusters, validated by a Silhouette Score of 0.58 and a Davies-Bouldin Index of 0.541. Key segments like "Inactive Members" and "High Volume Churners" are successfully identified, enabling targeted business strategies such as reactivation campaigns and priority booking offers. The system is implemented in a mobile application, providing real-time customer segmentation and actionable insights. This approach offers a scalable solution to enhance customer retention and operational efficiency in the barber shop industry
Co-Authors Amrul Hadiyanoor Helda Yunita