Article Per Year (5 Year)
p-Index From 2020 - 2025
0.817
P-Index
This Author published in this journals
All Journal Jurnal Ilmiah Informatika Komputer International Journal of Advances in Intelligent Informatics Jurnal Informatika Universitas Pamulang Prosiding SeNTIK STI&K
Antonius Angga Kurniawan
Universitas Gunadarma
Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Languange, Linguistic, Communication & Media

Published : 6 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 6 Documents
Search

 1 
TOWARDS ADVANCED DEVELOPMENT OF CYBORG INTELLIGENCE R, Dewi Agushinta; Rindani, Fiena; Kurniawan, Antonius Angga; Anggari, Elevanita; Akbar, Rizky
Jurnal Ilmiah Informatika Komputer Vol 23, No 3 (2018)
Publisher : Universitas Gunadarma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35760/ik.2018.v23i3.2375

Abstract

The creation of machines with human intelligence is an primary and beneficial aim of artificial intelligence research. One interesting method in developing artificial intelligence is combining a biological method and machine intelligence. Cyborg Intelligence is a new scientific model for the integration of biological and machinery. Brain Machine Interface (BMI) provides an opportunity to integrate both intelligence at various levels. Based on BMI, neural signals can be read for the control of motor actuators and sensory information coding machine can be sent to a specific area of the brain. In fact, Distributed Adaptive Control Theory of Mind and Brain technology is the most advanced brain-based cognitive architecture successfully applied in a wide range of robot tasks. It is expected that by analyzing the cyborg intelligence development can help and facilitate to enhance the knowledge of cyborg intelligence.
ANALISIS PERFORMA PROGRESSIVE WEB APPLICATION (PWA) PADA PERANGKAT MOBILE Kurniawan, Antonius Angga
Jurnal Ilmiah Informatika Komputer Vol 25, No 1 (2020)
Publisher : Universitas Gunadarma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35760/ik.2020.v25i1.2510

Abstract

Diantara aplikasi web dan aplikasi native terdapat kesenjangan yang menimbulkan permasalahan. Aplikasi web membutuhkan browser dan koneksi yang baik untuk membuka aplikasi, sedangkan aplikasi native membutuhkan penyedia aplikasi seperti Google PlayStore dan App Store. Pengguna juga memerlukan ruang memori yang cukup untuk sebuah aplikasi yang diinginkan dan tidak semua aplikasi mendukung perangkat yang digunakan. Untuk mengatasi kesenjangan ini, Google menciptakan metode baru dalam pengembangan web. Metode itu adalah Progressive Web Application (PWA). Tujuan dari penelitian ini adalah untuk menganalisis fitur dan kemampuan dari PWA dengan melakukan uji coba pada situs web PWA di mobile dengan aspek penilaian performance, accessibility, best practices, seo, page size, load time, dan penerapan PWA itu sendiri seperti (fast and reliable, installable, pwa optimization). Pengujian juga dilakukan dengan membuktikan fitur dari PWA pada sebuah aplikasi web e-commerce menggunakan mobile. Hasil yang didapatkan menunjukkan bahwa PWA memiliki kemampuan dan fitur yang sangat baik sebagai pengembangan dari aplikasi web dan dapat membantu kesenjangan antara aplikasi web dan aplikasi native.
Implementasi Deep Learning Menggunakan Metode CNN dan LSTM untuk Menentukan Berita Palsu dalam Bahasa Indonesia Antonius Angga Kurniawan; Metty Mustikasari
Jurnal Informatika Universitas Pamulang Vol 5, No 4 (2020): JURNAL INFORMATIKA UNIVERSITAS PAMULANG
Publisher : Teknik Informatika Universitas Pamulang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32493/informatika.v5i4.6760

Abstract

This research aims to implement deep learning techniques to determine fact and fake news in Indonesian language. The methods used are Convolutional Neural Network (CNN) and Long Short Term Memory (LSTM). The stages of the research consisted of collecting data, labeling data, preprocessing data, word embedding, splitting data, forming CNN and LSTM models, evaluating, testing new input data and comparing evaluations of the established CNN and LSTM models. The Data are collected from a fact and fake news provider site that is valid, namely TurnbackHoax.id. There are 1786 news used in this study, with 802 fact and 984 fake news. The results indicate that the CNN and LSTM methods were successfully applied to determine fact and fake news in Indonesian language properly. CNN has an accuracy test, precision and recall value of 0.88, while the LSTM model has an accuracy test and precision value of 0.84 and a recall of 0.83. In testing the new data input, all of the predictions obtained by CNN are correct, while the prediction results obtained by LSTM have 1 wrong prediction. Based on the evaluation results and the results of testing the new data input, the model produced by the CNN method is better than the model produced by the LSTM method.
Multidisciplinary classification for Indonesian scientific articles abstract using pre-trained BERT model Antonius Angga Kurniawan; Sarifuddin Madenda; Setia Wirawan; Ruddy J. Suhatril
International Journal of Advances in Intelligent Informatics Vol 9, No 2 (2023): July 2023
Publisher : Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26555/ijain.v9i2.1051

Abstract

Scientific articles now have multidisciplinary content. These make it difficult for researchers to find out relevant information. Some submissions are irrelevant to the journal's discipline. Categorizing articles and assessing their relevance can aid researchers and journals. Existing research still focuses on single-category predictive outcomes. Therefore, this research takes a new approach by applying a multidisciplinary classification for Indonesian scientific article abstracts using a pre-trained BERT model, showing the relevance between each category in an abstract. The dataset used was 9,000 abstracts with 9 disciplinary categories. On the dataset, text preprocessing is performed. The classification model was built by combining the pre-trained BERT model with Artificial Neural Network. Fine-tuning the hyperparameters is done to determine the most optimal hyperparameter combination for the model. The hyperparameters consist of batch size, learning rate, number of epochs, and data ratio. The best hyperparameter combination is a learning rate of 1e-5, batch size 32, epochs 3, and data ratio 9:1, with a validation accuracy value of 90.8%. The confusion matrix results of the model are compared with the confusion matrix results by experts. In this case, the highest accuracy result obtained by the model is 99.56%. A software prototype used the most accurate model to classify new data, displaying the top two prediction probabilities and the dominant category. This research produces a model that can be used to solve Indonesian text classification-related problems.
Pembuatan Website Pariwisata Indonesia Disertai Rekomendasi Tempat Wisata dan Pramuwisata Menggunakan Ruby On Rails Antonius Angga Kurniawan; Hijria Permana; Gerry Hadiwijaya; Metty Mustikasari; Latifah
Prosiding Seminar SeNTIK Vol. 1 No. 1 (2017): Prosiding SeNTIK 2017
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat

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

Abstract

Indonesia memiliki kekayaan alam yang melimpah. Namun, beberapa masyarakat Indonesia masih belum mengetahui kekayaan tersebut. Hal ini disebabkan pesona pariwisata Indonesia yang belum secara maksimal dipromosikan. Pemilihan tempat wisata yang dituju menjadi salah satu faktor penting dalam berwisata. Salah satu yang menjadi pertimbangan wisatawan adalah informasi dan rekomendasi dari wisatawan terdahulu. Kurangnya informasi terhadap suatu tempat wisata tak jarang menyebabkan calon wisatawan ragu untuk berwisata. Tujuan dalam pembuatan website sistem informasi pariwisata ini adalah untuk membantu pengguna dalam mengetahui informasi pariwisata yang ada di Indonesia. Pada website yang dibangun, pengguna dapat memberikan rekomendasi tempat wisata dalam bentuk ulasan serta ungkapan “suka” atau “tidak suka”. Selain itu, pengguna disediakan pemilihan tempat wisata berdasarkan ulasan dan wisata populer serta informasi pramuwisata yang terdapat di suatu tempat wisata. Pengklasifikasian tempat wisata pada website yang dibangun, dikelompokkan berdasarkan daerah dan kategori. Website tersebut dibangun menggunakan framework Ruby on Rails dengan bahasa pemrograman Ruby, Database SQLite, Slim, dan Sass. Hasil uji coba menyatakan bahwa website layak digunakan untuk mempromosikan pariwisata di Indonesia
KLASIFIKASI HAMA SERANGGA BERBASIS CNN DENGAN PENDEKATAN TRANSFER LEARNING MOBILENETV2 Alysia Naifah Aileen; Antonius Angga Kurniawan; Mutiara Romana Kusuma
Jurnal Ilmiah Informatika Komputer Vol 30, No 1 (2025)
Publisher : Universitas Gunadarma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35760/ik.2025.v30i1.14302

Abstract

Hama serangga merupakan salah satu ancaman utama bagi sektor pertanian, yang dapat menurunkan produktivitas dan menyebabkan kerugian ekonomi signifikan. Identifikasi manual jenis hama memerlukan keahlian khusus dan memakan waktu, sehingga dibutuhkan solusi otomatis berbasis teknologi. Penelitian ini mengembangkan sistem klasifikasi hama serangga menggunakan transfer learning dengan arsitektur MobileNetV2. Tahapan penelitian mencakup pra-pemrosesan data, pembagian dataset, augmentasi, pelatihan model, evaluasi, dan integrasi ke dalam aplikasi web. Dataset dibagi menjadi subset pelatihan, validasi, dan pengujian. Augmentasi data dilakukan melalui rescale, rotasi, pergeseran, sudut kemiringan, horizontal flip, dan zoom untuk meningkatkan variasi data. Dua model diuji: model pertama (40 epoch, augmentasi intensif) menerapkan transformasi data secara agresif—seperti rotasi besar dan zoom tinggi—sehingga menyebabkan overfitting (akurasi pelatihan 90,25%, validasi 68,29%). Sebaliknya, model kedua (50 epoch, augmentasi moderat) menggunakan transformasi yang lebih realistis dan terbatas, menghasilkan performa lebih stabil (akurasi pelatihan 94,88%, validasi 89,84%). Evaluasi menggunakan confusion matrix dan classification report menunjukkan model kedua lebih andal dalam mengklasifikasikan berbagai jenis hama. Model terbaik disimpan dalam format HDF5 dan digunakan dalam aplikasi web untuk klasifikasi otomatis berbasis gambar. Temuan ini menekankan pentingnya konfigurasi augmentasi dan jumlah epoch yang optimal dalam menghindari overfitting dan meningkatkan akurasi model klasifikasi citra.
Co-Authors Akbar, Rizky Alysia Naifah Aileen Anggari, Elevanita Dewi Agushinta R. Gerry Hadiwijaya Hijria Permana Latifah Metty Mustikasari Mutiara Romana Kusuma Rindani, Fiena Ruddy J Suhatril Sarifuddin Madenda Setia Wirawan