Article Per Year (5 Year)
p-Index From 2020 - 2025
1.116
P-Index
This Author published in this journals
All Journal Jurnal Informatika dan Teknik Elektro Terapan Jurnal Ilmiah KOMPUTASI Jurnal Ilmiah Matrik Jurnal Tera
Elfitrin Syahrul
Universitas Gunadarma
Automotive Engineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Mechanical Engineering

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

Found 6 Documents
Search

 1 
Instance Segmentation Rumput laut dengan Metode Longline Menggunakan Citra UAV dan Detectron2 Faisal Akbar; Lulu Chaerani M.; Nuryuliani; Elfitrin Syahrul; Nur Azmi Ratna Setyawidati
Jurnal Ilmiah KOMPUTASI Vol. 21 No. 1 (2022): Jurnal Ilmiah Komputasi Volume: 21 No. 1, Maret 2022
Publisher : Lembaga Penelitian STMIK Jakarta STI&K

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

Abstract

Target produksi budidaya rumput laut di Indonesia saat ini terus meningkat, didukung oleh luas lahan yang masih berpotensi dimanfaatkan sebagai lahan budidaya rumput laut dan kebutuhan pasar baik di dalam maupun luar negri. Dukungan teknologi untuk memonitoring secara intensif dan ekstensif diperlukan agar produksi dapat tercapai untuk memenuhi kebutuhan pasar tersebut. Tujuan dari penelitian ini adalah untuk mendeskripsikan hasil akuisisi dan mengetahui sejauh mana kemampuan unmanned aerial vehicle (UAV) jenis multirotor untuk mendeteksi pertumbuhan rumput laut yang ditinjau dari efisiensi teknologi, tingkat akurasi dan biaya. Daerah yang akan dikaji merupakan daerah budidaya dengan karakteristik perairan dangkal (< 10 m) dengan substrat dasar perairan pasir berlumpur. Metodologi penelitian terdiri atas akuisisi data menggunakan UAV jenis multirotor, visualisasi dan proses pengolahan citra menggunakan deep learning framework detectron2 dengan algoritma mask RCNN dan platform cloud base. Hasil penelitian ini menunjukan dengan iterasi sebanyak 600 detectron2 mampu untuk mendeteksi rumput laut dengan baik walaupun akurasi yang didapatkan masih lebih rendah dibandingkan dengan iterasi lebih dari 600 tetapi dengan waktu pelatihan yang lebih singkat dan belum terjadi overfitting menjadi nilai lebih. Selanjutnya dalam tulisan ini akan disampaikan kelebihan dan kekurangan dari pemanfaatan deep learning dengan framework detectron2 menggunakan citra UAV ini dalam mendeteksi rumput laut dan bagaimana mengoptimalkan kemampuan dan menyiasati kelemahan ftamework tersebut.
Instance Segmentation Rumput laut dengan Metode Longline Menggunakan Citra UAV dan Detectron2 Faisal Akbar; Lulu Chaerani M.; Nuryuliani; Elfitrin Syahrul; Nur Azmi Ratna Setyawidati
Jurnal Ilmiah Komputasi Vol. 21 No. 1 (2022): Jurnal Ilmiah Komputasi Volume: 21 No. 1, Maret 2022
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32409/jikstik.21.1.2802

Abstract

Target produksi budidaya rumput laut di Indonesia saat ini terus meningkat, didukung oleh luas lahan yang masih berpotensi dimanfaatkan sebagai lahan budidaya rumput laut dan kebutuhan pasar baik di dalam maupun luar negri. Dukungan teknologi untuk memonitoring secara intensif dan ekstensif diperlukan agar produksi dapat tercapai untuk memenuhi kebutuhan pasar tersebut. Tujuan dari penelitian ini adalah untuk mendeskripsikan hasil akuisisi dan mengetahui sejauh mana kemampuan unmanned aerial vehicle (UAV) jenis multirotor untuk mendeteksi pertumbuhan rumput laut yang ditinjau dari efisiensi teknologi, tingkat akurasi dan biaya. Daerah yang akan dikaji merupakan daerah budidaya dengan karakteristik perairan dangkal (< 10 m) dengan substrat dasar perairan pasir berlumpur. Metodologi penelitian terdiri atas akuisisi data menggunakan UAV jenis multirotor, visualisasi dan proses pengolahan citra menggunakan deep learning framework detectron2 dengan algoritma mask RCNN dan platform cloud base. Hasil penelitian ini menunjukan dengan iterasi sebanyak 600 detectron2 mampu untuk mendeteksi rumput laut dengan baik walaupun akurasi yang didapatkan masih lebih rendah dibandingkan dengan iterasi lebih dari 600 tetapi dengan waktu pelatihan yang lebih singkat dan belum terjadi overfitting menjadi nilai lebih. Selanjutnya dalam tulisan ini akan disampaikan kelebihan dan kekurangan dari pemanfaatan deep learning dengan framework detectron2 menggunakan citra UAV ini dalam mendeteksi rumput laut dan bagaimana mengoptimalkan kemampuan dan menyiasati kelemahan ftamework tersebut.
PENAJAMAN CITRA REMOTE SENSING MENGGUNAKAN METODE FILTERING DI AREA PEMBUDIDAYAAN RUMPUT LAUT Muhammad Sesio Dhia Ramadhan; Nuryuliani Nuryuliani; Lulu C Munggaran; Elfitrin Syahrul
Jurnal Ilmiah Matrik Vol 21 No 3 (2019): Jurnal Ilmiah Matrik
Publisher : Direktorat Riset dan Pengabdian Pada Masyarakat (DRPM) Universitas Bina Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (464.836 KB) | DOI: 10.33557/jurnalmatrik.v21i3.718

Abstract

Abstract : Indonesia has excellent natural potential for seaweed industry. To help farmers understand the harvest period, an application needs to be built. In this research, a preprocessing application for processing seaweed image processing is taken through remote sensing. Preprocessing is using the Unsharp Mask Filtering and Laplacian Filtering methods. The performace metrics results using the SSIM method show that Laplacian level 2 filtering method gives better result.
Penerapan Metode User Centered Design (Ucd) Pada Modul Rekomendasi Website Sijati Syahrul, Elfitrin; Fitrianingsih, Fitrianingsih; Jatnika, Ihsan; Khairunnisa, Aprillia Intan; Agushinta , Dewi
Jurnal Ilmiah Komputasi Vol. 23 No. 4 (2024): Jurnal Ilmiah Komputasi : Vol. 23 No 4, Desember 2024
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32409/jikstik.23.4.3760

Abstract

Perkembangan sektor transportasi di Indonesia membutuhkan sistem informasi yang handal dan terintegrasi, khususnya dalam pengelolaan jabatan fungsional transportasi di Kementerian Perhubungan. Sistem Informasi Jabatan Fungsional Transportasi (SIJATI) yang dimiliki Pusat Pembinaan Jabatan Fungsional Transportasi (Pusbin JFT) masih dilakukan semi-manual. Satu dari empat modul yang dikembangkan adalah modul Rekomendasi. Metode User Centered Design (UCD) sebagai salah satu metode pengembangan UI/UX digunakan untuk modul ini dengan menempatkan pengguna sebagai pusat desain dalam setiap tahapannya. Metode ini melibatkan proses iteratif, dimulai dari analisis kebutuhan hingga pengujian dan evaluasi desain antarmuka oleh pengguna. Hasil pengembangan berupa prototipe menunjukkan bahwa website SIJATI mampu mempermudah pelayanan administrasi bagi pejabat fungsional transportasi. Hasil Index Percentage (IP) pengujian dari 31 responden sebesar 64,08%, menunjukkan bahwa penerapan UCD dapat dikatakan baik dalam meningkatkan efektivitas dan efisiensi sistem. Penerapan metode UCD terbukti meningkatkan kepuasan pengguna dengan menghadirkan antarmuka yang intuitif serta navigasi yang jelas. Rekomendasi untuk terus memperbaiki desain dan meningkatkan keamanan dan performa sistem dilakukan guna mendukung skala pengguna yang lebih luas di lingkungan Kementerian Perhubungan
EVALUASI KINERJA SVM DAN NAÏVE BAYES PADA ANALISIS SENTIMEN ULASAN MIE GACOAN JATIWARINGIN Elfitrin Syahrul
Jurnal Tera Vol 5 No 1 (2025): Jurnal Tera (Maret 2025)
Publisher : Fakultas Teknik dan Informatika, Universitas Dian Nusantara

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

Abstract

Ulasan pelanggan merupakan bentuk ekspresi subjektif yang mencerminkan pengalaman dan penilaian terhadap produk atau layanan, termasuk restoran. Meski rating numerik sering digunakan untuk menilai kualitas layanan, metode ini tidak selalu menangkap rincian keluhan atau kesan emosional pelanggan. Analisis sentimen menjadi pendekatan komputasional yang menelaah opini dalam teks guna mengidentifikasi polaritas sentimen, baik positif maupun negatif. Penelitian ini menerapkan analisis sentimen berbasis aspek pada ulasan konsumen restoran Mie Gacoan Jatiwaringin, dengan fokus pada pelayanan, lokasi, dan fasilitas. Dua algoritma klasifikasi digunakan untuk membandingkan efektivitas model: Support Vector Machine (SVM), yang mengidentifikasi hyperplane optimal untuk memisahkan sentimen, dan Naïve Bayes, yang memanfaatkan probabilitas distribusi kata untuk memprediksi polaritas. Evaluasi dilakukan terhadap akurasi klasifikasi sentimen masing-masing algoritma terhadap data ulasan yang telah melalui proses pra-pemrosesan. Hasil menunjukkan bahwa algoritma SVM mencapai akurasi sebesar 87%, sedangkan Naïve Bayes memperoleh 79%. Temuan ini mengindikasikan bahwa SVM lebih unggul dalam mengenali pola sentimen dalam konteks ulasan restoran lokal, dan dapat menjadi acuan dalam pengembangan sistem rekomendasi atau monitoring kepuasan pelanggan berbasis teks.
HYBRID SENTIMENT ANALYSIS OF MAXIM APP USERS USING SUPPORT VECTOR MACHINE AND LEXICON-BASED APPROACH Syahrul, Elfitrin; Fatharani, Dalila
Jurnal Informatika dan Teknik Elektro Terapan Vol. 13 No. 3S1 (2025)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v13i3S1.8148

Abstract

Online transportation applications such as Maxim have rapidly grown alongside technological advancements. These platforms accumulate large volumes of user reviews on sources like the Google Play Store, providing valuable insights into user perceptions. However, the unstructured nature of textual data makes systematic analysis difficult. This study proposes a sentiment classification model to categorize Maxim user reviews into positive and negative sentiments, excluding neutral responses. The method integrates a lexicon-based approach using the InSet Lexicon with a Support Vector Machine (SVM) classifier. Preprocessing steps included text cleaning, case folding, normalization, tokenization, stopword removal, and stemming. Feature extraction was conducted using Term Frequency–Inverse Document Frequency (TF-IDF), followed by sentiment classification with SVM. Evaluation using a confusion matrix achieved an accuracy of 96.07%. For negative sentiment, the model obtained a precision of 79%, recall of 83%, and F1-score of 81%; for positive sentiment, precision was 89%, recall 98%, and F1-score 93%. These results indicate that integrating lexical resources with machine learning provides an effective solution for sentiment analysis of user-generated reviews.
Co-Authors Agushinta , Dewi Faisal Akbar Fatharani, Dalila Fitrianingsih Fitrianingsih Ihsan Jatnika Khairunnisa, Aprillia Intan Lulu C Munggaran Lulu Chaerani M. Muhammad Sesio Dhia Ramadhan Nur Azmi Ratna Setyawidati Nur Azmi Ratna Setyawidati Nuryuliani Nuryuliani