Article Per Year (5 Year)
p-Index From 2021 - 2026
1.497
P-Index
This Author published in this journals
All Journal Jurnal Pengabdian UntukMu NegeRI IT JOURNAL RESEARCH AND DEVELOPMENT INTECOMS: Journal of Information Technology and Computer Science JURTEKSI Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer) Jurnal Computer Science and Information Technology (CoSciTech)
Yoze Rizki
Universitas Muhammadiyah Riau
Religion Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Engineering Law, Crime, Criminology & Criminal Justice Social Sciences

Published : 16 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : IT JOURNAL RESEARCH AND DEVELOPMENT

 1 
Mesin Penerjemah Interaktif Dengan Animasi 3D Berbasis Augmented Reality Arbi Haza Nasution; Yoze Rizki; Salhazan Nasution; Rafi Muhammad
IT Journal Research and Development Vol. 4 No. 1 (2019)
Publisher : UIR PRESS

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (353.17 KB) | DOI: 10.25299/itjrd.2019.vol4(1).3439

Abstract

Bahasa Inggris adalah salah satu bahasa yang digunakan sebagai alat komunikasi universal, karenanya tanpa kemampuan bahasa Inggris seorang akan mengalami kesulitan berkomunikasi secara baik dan benar pada ruang lingkup internasional. Penelitian ini mengembangkan aplikasi mesin penerjemah berbasis augmented reality yang dapat memberikan edukasi kepada siswa dengan media yang berbeda agar meningkatkan minat siswa dalam belajar bahasa Inggris. Aplikasi ini menggunakan library vuforia sdk yang mampu menampilkan karakter 3 dimensi dengan teknik markerless dalam bentuk augmented reality. Hasil akhir dari penelitian ini berupa aplikasi yang dapat digunakan pada smartphone dengan sistem operasi android, berdasar hasil pengujian terhadap aplikasi didapat kesimpulan bahwa aplikasi ini dapat menampilkan karakter 3 dimensi pada cahaya yang redup dengan intensitas cahaya 28 lux pada jarak 10cm-60 cm dan sudut penglihatan 10°-90°, setelah dilakukan peninjauan terhadap aplikasi 99% koresponden menyatakan aplikasi ini baik, maka aplikasi ini dapat membantu siswa mempelajari kembali bahasa Inggris selain disekolah.
Klasifikasi Pola Kain Tenun Melayu Menggunakan Faster R-CNN Yoze Rizki; Reny Medikawati Taufiq; Harun Mukhtar; Dinia Putri
IT Journal Research and Development Vol. 5 No. 2 (2021)
Publisher : UIR PRESS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25299/itjrd.2021.vol5(2).5831

Abstract

Motif tenun melayu sangat beragam. Keberagaman ini membuat sulit membedakan motif-motif kain tenun tersebut. Klasifikasi data diperlukan untuk mengidentifikasi karakteristik objek yang terkandung dalam basis data agar kemudian dikategorikan ke dalam kelompok yang berbeda. Tujuan penelitian yang dicapai dalam penelitian ini yaitu untuk mengetahui performa pengenalan dan klasifikasi motif tenun melayu menggunakan Faster R-CNN dengan model arsitektur VGG, dengan cara mengukur persentase dari tingkat akurasi, presisi, dan recall yang akan divalidasi menggunakan K-Fold Cross Validation. Penelitian ini menggunakan algoritma deteksi objek Faster R-CNN sebagai metode pengenalan dan klasifikasi pola kain berbasis citra digital. Faster R-CNN merupakan salah satu metode yang digunakan untuk mengenali objek pada citra digital. Kemampuan pengenalan objek ini digenean untuk mengenali dan mengklasifikasi motif-motif kain tenun melayu. Jumlah dataset yang digunakan berjumlah 100 citra yang diacak untuk masing-masing dari 5 (lima) fold pada K-fold cross validation. Data tersebut dibagi menjadi 80 data train dan 20 data test. Setelah dilakukan persiapan data, pre-processing, serta implementasi, dilakukan pengujian dengan hasil bahwa dari data latih yang berupa citra kain tenun melayu, didapatkan skor rata-rata training loss dari step pertama hingga step terakhir sebesar 1,915. Klasifikasi karakteristik pengenalan motif tenun melayu menggunakan Metode deteksi objek Faster R-CNN melalui validasi K-Fold Cross Validation dengan nilai k=5, didapatkan akurasi 82.14%, presisi 91.38% dan recall 91.36%.
Co-Authors Aminuyati Arbi Haza Nasution, Arbi Haza Arif Budiman Bagas Tri Ramadana Desti Mualfah Diah Angraina Fitri Dinia Putri Elvina Rahmadani Febby Apri Wenando Hafid, Afdhil Hari Sepdian Harun Mukhtar Hasanuddin Hasanuddin Hayami, Regiolina Januar Al Amien M Djodi Andikarama M. Rizki Amanda Pratama Mochamad Hariadi Muhammad Abdul Al Aziz Muhammad Rifaldo Mukhlis Ali Rahman Nasution Rafi Muhammad Reny Medikawati T Reny Medikawati Taufik Salhazan Nasution Soni Taufiq, Reny Medikawati Unik, Mitra Yulia Fatma Yulia Fatma