Claim Missing Document
Check
Articles

Found 21 Documents
Search
Journal : Journal of Informatics and Computer Science (JINACS)

Penerapan Algoritma Support Vector Machine untuk Klasifikasi Motif Citra Batik Solo Berdasarkan Fitur Multi-Autoencoders Rezky Arisanti Putri; Naim Rochmawati
Journal of Informatics and Computer Science (JINACS) Vol 1 No 01 (2019)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1174.035 KB) | DOI: 10.26740/jinacs.v1n01.p56-63

Abstract

Abstrak—Batik merupakan kain tradisional warisan kebudayaan masyarakat Indonesia. Penggunaan kain batik sebagai bahan pakaian telah populer sejak kerajaan Majapahit. Sebelum sepopuler sekarang, batik telah menjadi pilihan masyarakat Indonesia sebagai bahan pakaian tradisional karena memiliki ciri khas di setiap motifnya. Motif batik memiliki keberagaman dengan ciri yang menonjol pada setiap lilinnya. Sebagai wujud upaya pelestarian batik, penelitian mengenai klasifikasi batik dilakukan untuk mendeteksi motif citra batik. Berdasarkan hal tersebut, penelitian ini dilakukan menggunakan metode pembelajaran berdasarkan data citra batik dengan harapan dapat memberikan hasil klasifikasi motif citra batik yang lebih akurat dan efisien serta tingkat akurasi terbaik. Adapun metode penelitian yang digunakan yaitu Algoritma Support Vector Machine sebagai Algoritma klasifikasi dan Multi-Autoencoder sebagai proses ekstraksi fitur. Jaringan Multi-Autoencoder yang dirancang merupakan penggabungan dari dua atau tiga model Autoencoder. Model Autoencoder yang dibuat menggunakan ekstraksi dari citra Edge, citra Grayscale, dan citra SIFT. Selanjutnya, akan diklasifikasi menggunakan Algoritma Algoritma Support Vector Machine. Penelitian ini menggunakan data citra batik sejumlah 2.256 gambar yang terbagi menjadi 7 class yaitu motif Parang, Buketan, Ceplok, Kawung, Truntum, Semen Rante, dan Sidomukti. Data gambar batik dibagi menjadi data learning dan data testing dengan presentase sebesar 80% untuk learning dan 20% untuk testing. Percobaan dilakukan berulang untuk mendapatkan model Multi-Autoencoder terbaik untuk proses klasifikasi. Penelitian ini menghasilkan tingkat akurasi sebesar 29,581% untuk kombinasi citra Edge-SIFT; 18,407% untuk citra Edge-Grayscale; 29,157% untuk citra Grayscale-SIFT; serta 30,159% untuk kombinasi citra Edge-SIFT-Grayscale.Kata Kunci—Klasifikasi Motif Batik; Batik Solo; Support Vector Machine; Autoencoder; Multi-Autoencoder.
Klasifikasi Cerita Bahasa Indonesia menggunakan Metode Hybrid PSO-KNN (Modified Binary Particle Swarm Optimization dengan K-Nearest Neighbor) Anita Rahayu; Naim Rochmawati
Journal of Informatics and Computer Science (JINACS) Vol 1 No 01 (2019)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (802.002 KB) | DOI: 10.26740/jinacs.v1n01.p64-69

Abstract

Abstrak— Penentuan kategori suatu cerita merupakan hal yang penting agar cerita yang dibaca sesuai dengan keinginan pembaca. Selama ini proses penentuan kategori suatu cerita masih dilakukan secara manual sehingga perlu adanya pengklasifikasian kategori cerita secara otomatis. Metode klasifikasi atau kategorisasi teks merupakan proses yang secara otomatis meletakkan dokumen teks ke dalam suatu kategori berdasarkan isi dari teks tersebut. Pada penelitian ini peneliti mengusulkan sebuah metode hybrid PSO-KNN yaitu penggabungan metode Modified Binary Particle Swarm Optimization dengan K-Nearest Neighbor. Metode PSO-KNN akan mengatasi permasalahan pengklasifikasian teks sekaligus mengatasi kelemahan KNN yang menggunakan seluruh fitur saat proses pembentukan model (learning). PSO-KNN akan mengurangi dimensi dari dokumen dengan memilih token-token sebagai fitur yang paling baik namun isi yang dikandung dokumen tetap terjaga karena fitur yang dipilih sangat merepresentasikan dokumen tersebut. Penerapan metode PSO-KNN berhasil mengkategorikan 5 kategori cerita Bahasa Indonesia sebanyak 150 data dengan tingkat akurasi sebesar 53% dan total fitur optimal sebanyak 88 fitur. Berdasarkan hasil penelitian yang dilakukan dapat disimpulkan bahwa metode PSO-KNN berhasil melakukan pengklasifikasi kategori cerita pendek serta mengurangi fitur saat proses pembentukan model dan meningkatkan nilai akurasi. Kata Kunci— Klasifikasi teks, cerita pendek, modified binary particle swarm optimization, k-nearest neighbor, loocv
Klasifikasi Citra Buah Menggunakan Convolutional Neural Network Febian Fitra Maulana; Naim Rochmawati
Journal of Informatics and Computer Science (JINACS) Vol 1 No 02 (2019)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (257.966 KB) | DOI: 10.26740/jinacs.v1n02.p104-108

Abstract

Abstrak— Deep Learning merupakan sebuah pengembangan dari teknologi Machine Learning yang menggunakan algoritma yang dibuat berdasarkan pada hukum matematik yang bekerja layaknya otak manusia. Salah satu pemanfaatan dari deep learning adalah dalam bidang image processing atau pengolahan citra digital. Image Processing dimanfaatkan untuk membantu manusia dalam mengenali dan/atau mengklasifikasi objek dengan cepat, tepat, dan dapat melakukan proses dengan banyak data secara bersamaan. Salah Satu algoritma dari Deep learning yang digunakan dalam image processing adalah Convolutional Neural Network (CNN). Algoritma CNN terdiri dari 3 layer utama yaitu Convolutional Layer, Pooling Layer, dan Fully Connected Layer. Pada penelitian ini menggunakan arsitektur CNN dengan perpaduan 3 Convolutional Neural Network dan 2 Fully Connected Layer. Pada tahap pembuatan system klasifikasi yang menggunakan deep learning terdapat beberapa tahapan proses utama yaitu pengumpulan data, perancangan system, training, dan testing. Dataset yang diolah adalah dataset citra buah-buahan yang berasal dari dataset Fruit-360. Kelas data yang digunakan yaitu sejumlah 15 kelas dari 111 kelas pada dataset fruit-360.  Hasil dari proses learning didapatkan model CNN dengan akurasi 100% dan loss sebesar 0,012. Pada proses pengujian model CNN yang mengguakan 45 sampel citra buah didapatkan akurasi sebesar 91,42%. Sehingga dapat disimpulkan bahwa metode CNN yang dirancang pada penelitian ini dapat mengklasifikasi citra dengan baik. Kata Kunci— Deep Learning, Image Processing, Convolutional Neural Network, Fruit-360.
Analisis Kepribadian Melalui Tulisan Tangan Menggunakan Metode Support Vector Machine Ulifatur Rosyidah; Naim Rochmawati
Journal of Informatics and Computer Science (JINACS) Vol 1 No 02 (2019)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (873.346 KB) | DOI: 10.26740/jinacs.v1n02.p91-96

Abstract

Abstrak— Analisis Tulisan Tangan atau yang dikenal dengan sebutan Grafologi merupakan suatu metode yang digunakan untuk mengidentifikasi kepribadian dari seseorang melalui pola tulisan tangan dengan cara mengevaluasi berbagai fitur dari tulisan tangan. Tulisan tangan dapat menjadi cerminan dari kepribadian masing-masing individu. Telah ada beberapa penelitian yang berkaitan dengan tulisan tangan dengan menggunakan metode yang berbeda-beda. Beberapa penelitian ada yang menggunakan fitur tulisan tangan berupa spacing, size, slant, shape, loop, dot, pressure, signature, zones dan page margin serta menggunakan fuzzy sugeno. Penelitian lain menggunakan fitur tulisan tangan berupa Alignment, Pen pressure, Thickness dan Shape dengan metode Neural Network. Pada penelitian ini akan menggunakan enam fitur tulisan tangan yakni ukuran huruf (size) , kemiringan tulisan (slant), garis dasar (baseline), tekanan penulisan (pen pressure), jarak antar baris (line spacing) dan jarak antar kata (word spacing) serta menggunakan metode Support Vector Machine dengan kernel linier. Hasil dari penelitian ini berupa enam kepribadian dan hasil akurasi. Enam kepribadian tersebut meliputi emosional, komunikasi, konsentrasi, mental energi, keharmonisan dan sosial. Penelitian ini memberikan nilai akurasi yang baik dengan menggunakan fungsi kernel linier. Estimasi akurasi yang didapat mencapai 99,9%.Kata Kunci— Klasifikasi kepribadian, tulisan tangan, Grafologi, Support Vector Machine.
Klasifikasi Kesahihan Hadits Berdasarkan Perawi Hadits Menggunakan Principal Component Analysis (PCA) dan Backpropagation Neural Network (BPNN) Ulin Nuha; Naim Rochmawati
Journal of Informatics and Computer Science (JINACS) Vol 1 No 03 (2020)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (422.978 KB) | DOI: 10.26740/jinacs.v1n03.p138-143

Abstract

Abstrak—Hadits merupakan sumber hukum kedua bagi umat muslim setelah Al-Qur’an. Hampir seluruh tata cara beribadah dalam islam dijelaskan dalam hadits secara mendetail. Penilitian ini dapat membantu umat muslim menemukan jenis kesahihan dari hadits yang beredar sekarang. Penulis mengklasifkasikan hadits menurut kesahihannya bersadasarkan perawi hadits menggunakan metode Backpropagation Neural Network sebagai classifier dan Principal Component Analysis sebagai pereduksi dimensi fitur. Ada tiga target kategori yang digunakan dalam penelitian ini yaitu sahih, hasan, dan dhaif. Set data hadits sahih diambil dari kitab Sahih Bukhori, hasan dari kitab Sahih Sunan Tirmidzi, dan dhaif dari kitab Dhaif Abu Daud. Penulis memanfaatkan fungsi split dan unique dari bahasa pemrograman python untuk mengambil dan memfilter nama-nama perawi yang ada pada set data. Nama-nama perawi yang sudah terseleksi dikonversi menggunakan Tf-Binary. Setelah mencoba beberapa model pada proses validasi, didapatkan bahwa hasil akurasi yang terbaik adalah dengan menggunakan model PCA sebanyak 1500 fitur dari 3330 dan BPNN menggunakan satu hidden layer dengan jumlah node sebanyak 100 yakni sebesar 86,53%. Kata Kunci— Klasifikasi Hadits, Backpropagation Neural Network, Principal Component Analysis, PCA, BPNN.
Transliterasi Aksara Jawa Tulisan Tangan ke Tulisan Latin Menggunakan CNN Fandi Ilham; Naim Rochmawati
Journal of Informatics and Computer Science (JINACS) Vol 1 No 04 (2020)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (606.957 KB) | DOI: 10.26740/jinacs.v1n04.p200-208

Abstract

Abstrak— Aksara jawa adalah hal yang menarik untuk diteliti. Namun sayangnya aksara jawa sudah tidak banyak lagi diminati. Maka dari itu, dengan adanya penelitian ini diharapkan dapat lebih menarik minat masyarakat umum untuk melakukan penelitian terhadap aksara jawa. Dalam penelitian ini kami mencoba mengusulkan sistem untuk melakukan pengenalan tulisan tangan aksara jawa dengan benar. Sistem segmentasi yang dirancang menerapkan kombinasi dua metode yaitu projection profile dan connected component labeling. Kedua metode tersebut adalah metode untuk segmentasi yang masih memiliki beberapa kekurangan untuk kasus aksara jawa. Kami mencoba menggabungkan dua metode tersebut untuk menutupi kekurangan-kekurangan sebelumnya. Metode klasifikasi yang digunakan adalah metode pembelajaran mendalam convolutional neural network. Data uji yang digunakan berupa 20 citra tulisan tangan aksara jawa yang diambil menggunakan kamera smartphone. Penelitian ini memperoleh hasil akurasi 90% pada tahap segmentasi karakter. Sehingga dapat diambil kesimpulan jika kombinasi metode projection profile dan connected component labeling dapat melakukan segmentasi citra dengan baik. Metode convolutional neural network pada saat melakukan learning terhadap data pembelajaran mendapatkan akurasi 0,9962. Pada saat pengujian, metode CNN mendapatkan akurasi 80% menggunakan 20 citra pengujian. Hal ini membuktikan bahwa CNN adalah metode yang baik untuk digunakan dalam pengenalan karakter.   Kata Kunci— projection profile, connected component labeling, aksara jawa, segmentasi, OCR
Implementasi Markerless Tracking Augmented Reality Pada Pengenalan Buah Menggunakan Metode User Defined Target Achmad Chairuddin; Naim Rochmawati
Journal of Informatics and Computer Science (JINACS) Vol 1 No 04 (2020)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (591.055 KB) | DOI: 10.26740/jinacs.v1n04.p209-216

Abstract

Abstrak— Dalam belajar, manusia dapat melalui berbagai cara yaitu, mendengar, melihat, membaca, dan mengamati. Dalam pembalajaran dibutuhkan perangkat yang dapat menunjang pembelajaran tersebut agar mudah dipahami, oleh karena itu pembelajaran erat dikaitkan dengan teknologi. Teknologi Augmented Reality adalah teknologi yang dapat diterapkan pada pembelajaran karena Augmented Realitymenggabungkan antara objek dunia maya dan dunia nyata sehingga menampilkan informasi lebih interaktif dan mudah untuk dipahami. Dengan markerless tracking menampilkan objek tidak perlu menggunakan marker khusus sehingga lebih fleksibel dalam penggunaannya, aplikasi yang akan dibuat adalah aplikasi pengenalan buah berbasis augmented reality. Didalam penelitian ini akan dilakukan pengujian pada metode markerless tracking dimana variabel yang akan diuji adalah jenis permukaan benda, intensitas cahaya, jarak, dan sudut yang berbeda-beda sehingga akan diketahui hasil dari penelitian ini apakah Aplikasi AR Pengenalan Buah yang dibuat dapat terbaca atau tidak. Dari penelitian ini dihasilkan bahwa target yang dapat dipindai dengan baik oleh kamera smartphoneaugmented reality menggunakan metode user defined target adalah target jenis permukaan yang memiliki motif atau tekstur didukung dengan kondisi intensitas cahaya yang baik, serta sudut kamera semakin tegak lurus semakin baik dalam memindai. Kata Kunci— Augmented Reality, Markerless Tracking, User Defined Target, Pengenalan Buah.
Opinion Mining Terhadap Pemberitaan Corona di Instagram menggunakan Convolutional Neural Network Ahmad Rizki Maulana; Naim Rochmawati
Journal of Informatics and Computer Science (JINACS) Vol 2 No 01 (2020)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (919.605 KB) | DOI: 10.26740/jinacs.v2n01.p53-59

Abstract

Abstrak—Keadaan Indonesia di tengah pandemi yang sedang terjadi saat ini menjadi berita yang sangat dibutuhkan oleh masyarakat Indonesia. Penyebaran berita saat ini sudah banyak dilakukan melalui media sosial, karena kemudahan akses dan jangkauan pasar yang sangat luas menjadikan media sosial sebagai lahan untuk menyebarkan berita. Perusahaan penyedia berita nasional telah ikut bergabung di beberapa platform media sosial. Instagram merupakan salah satu media sosial dengan pengguna terbanyak di Indonesia. Pemberitaan mengenai corona di Indonesia melalui Instagram mengizinkan pembacanya untuk dapat mengetahui reaksi pembaca lainnya terhadap berita tersebut. Opinion miningadalah suatu analisis yang dilakukan terhadap opini untuk diklasifikasikan kedalam beberapa kelas. Convolutional Neural Networkmerupakan algoritma yang dapat menganalisis dan mengklasifikasikan opini kedalam kelas yang telah ditentukan. Penelitian ini melakukan proses opinion miningmenggunakan data komentar di Instagramterhadap unggahan pemberitaan terkait corona pada tiga akun berita nasional, yaitu @kompascom,@cnnindonesia,dan@detikcom.Prosesklasifikasi yang dilakukan menggunakan algoritma Convolutional Neural Networkmengasilkan akurasi sebesar 88% pada data training, 82% pada data testing, nilai presisi sebesar 96% dan recall sebesar68%. Kata Kunci—Opinion Mining, CNN, Komentar Instagram, Corona
Penerapan Algoritma Gustafson-Kessel untuk Clustering Tweets Mention Akun Go-jek dan Grab Indonesia Firda Ariani Alim Putri; Naim Rochmawati
Journal of Informatics and Computer Science (JINACS) Vol 2 No 03 (2021)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1134.634 KB) | DOI: 10.26740/jinacs.v2n03.p204-212

Abstract

Kepopuleran Twitter yang tinggi bisa digunakan untuk berbagai keperluan dalam banyak aspek, seperti untuk kampanye politik, alat pembelajaran, maupun sebagai media komunikasi darurat. Selain itu, tidak sedikit perusahaan yang memanfaatkan Twitter sebagai alat adversiting, menyebarkan informasi dan promosi. Salah satunya adalah Go-Jek dan Grab Indonesia. Sebagai pelaku bisnis yang memiliki banyak pengikut (followers), dituntut untuk memahami jenis konten yang mendapat respon positif dari followers agar dapat menentukan strategi pemasaran yang tepat. Selain itu perlu memahami keluhan yang sering dibicarakan para pengikut (followers) dalam sebuah tweet, sehingga dapat memperbaiki sistem menjadi lebih baik lagi. Clustering data tweet mention akun @gojekindonesia dan @GrabID menggunakan algoritma Fuzzy Gustafson-Kessel dan indeks validitas Xie-Beni menghasilkan masing-masing 2 cluster optimum. Wordcloud cluster data tweets mention akun @gojekindonesia berisikan keluhan pengguna Go-Jek, sedangkan wordcloud cluster data tweets mention akun @GrabID berisikan ajakan belanja dan promo. Hasil pengujian metode Fuzzy Gustafson-Kessel pada data tweets @gojekindonesia menghasilkan accuracy sebesar 89%, precision sebesar 87%, recall sebesar 92%, dan F-Measure sebesar 89%. Kemudian pada data tweets @GrabID menghasilkan accuracy sebesar 73%, precision sebesar 65%, recall sebesar 76%, dan F-Measure sebesar 70%. Kata Kunci— Fuzzy Gustafson Kessel, Index Xie Beni, Clustering, Twitter, Gojek, Grab.
Penerapan NBC dan SVM Terhadap Klasifikasi Opini Sistem Pendidikan Menggunakan Data Twitter Nadya Hidayatun Najah; Naim Rochmawati
Journal of Informatics and Computer Science (JINACS) Vol 2 No 03 (2021)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (971.703 KB) | DOI: 10.26740/jinacs.v2n03.p213-219

Abstract

Penyebaran berita saat ini dapat diakses dengan mudah melalui media sosial. Twitter merupakan salah satu media sosial yang sangat populer di kalangan pengguna internet. Di sini pengguna dapat dengan bebas berkomentar dan menulis mengenai berita apapun. Salah satu berita yang banyak dibicarakan adalah mengenai sistem pendidikan yang dibuat oleh pemerintah khususnya kurikulum pendidikan. Dari media sosial tersebut, mengizinkan penggunanya untuk dapat mengetahui reaksi pengguna lain terhadap berita yang sedang dibicarakan. Untuk mengklasifikasikan bentuk sentimen yang diberikan apakah itu sentimen positif, negatif, atau netral dapat menggunakan text mining, yaitu proses menggali informasi dalam sekumpulan dokumen besar secara otomatis. Kurikulum pendidikan dipilih untuk dilakukan klasifikasi sentimen karena pembahasan kurikulum pendidikan sangat sensitif terhadap opini-opini masyarakat. Dalam mengklasifikasikannya penulis menggunakan algoritma Naïve Bayes Classifier (NBC) dan Support Vector Machine (SVM). Dari proses pengklasifikasian dengan Naïve Bayes Classifier menghasilkan accuracy 64%, precision 100%, recall 54%, dan F-Measure 70%, sedangkan dengan Support Vector Machine menghasilkan accuracy 96%, precision 96%, recall 100%, dan F-Measure 98%. Hal ini menunjukkan bahwa metode SVM mampu mengklasifikasikan data komentar lebih baik daripada menggunakan metode NBC. Kata Kunci— Naïve Bayes Classifier, Supportc Vector Machine, Klasifikasi, Twitter, Kurikulum Pendidikan