Article Per Year (5 Year)
p-Index From 2020 - 2025
0.702
P-Index
This Author published in this journals
All Journal JUITA : Jurnal Informatika Informasi Interaktif JTIK (Jurnal Teknik Informatika Kaputama)
Vika Vitaloka Pramansah
STIKOM Cipta Karya Informatika
Computer Science & IT

Published : 4 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search

 1 
Analisis Perbandingan Algoritma Svm Dan Knn Untuk Klasifikasi Anime Bergenre Drama Vika Vitaloka Pramansah; Dadang Iskandar Mulyana; Titi Silfia
Informasi Interaktif Vol 7, No 2 (2022): Jurnal Informasi Interaktif
Publisher : Universitas Janabadra

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

Abstract

There are many genres of anime such as drama, action, romance, comedy, and so on. However, because there are so many anime genres, it is quite difficult for viewers to find anime whose genre they like, such as the drama genre which tells about everyday human life which is quite light in nature. From these problems, a classification method is needed to classify anime that belongs to the drama genre. Classification has several algorithms including Support Vector Machine (SVM) and K-Nearest Neighbors (KNN). SVM and KNN algorithms have been widely used and have a good level of accuracy. In this study, a comparative analysis will be carried out between the two algorithms, the dataset used is 12,294 data and 2 genre classes, namely drama and non-drama, the attribute of the anime dataset is 7. The results obtained in this study indicate that the K-Nearest Neighbors Algorithm (KNN) ) get a training accuracy value of 100% and a test accuracy value of 84%. And also the Support Vector Machine (SVM) algorithm gets a training accuracy value of 83% and a test accuracy value of 82%. The results of the accuracy values of the two algorithms indicate that the K-Nearest Neighbors (KNN) algorithm has a better testing accuracy than the Support Vector Machine (SVM) with a fairly thin difference between the two algorithms.
PENCIPTAAN KARAKTER ANIME OTOMATIS DENGAN MENGGUNAKAN GENERATIVE ADVERSARIAL NETWORKS Vika Vitaloka Pramansah
JTIK (Jurnal Teknik Informatika Kaputama) Vol 6, No 2 (2022): Volume 6, Nomor 2 Juli 2022
Publisher : STMIK KAPUTAMA

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

Abstract

Karakter anime yang merupakan gambar ciptaan manusia sangat dipengaruhi oleh teori perlindungan kekayaan intelektual yang dicetuskan oleh Robert M. Sherwood. Mengkarakterisasi struktur gambar anime secara otomatis telah menjadi upaya penelitian yang luar biasa. Anime yang memiliki karakteristik disetiap desain dan arsitektur yang unik dapat mematuhi invarian intrinsik dan menunjukkan struktur statistik multi-skala yang secara historis sulit untuk diukur (Simoncelli & Olshausen, 2001). Peningkatan kualitas model gambar secara substansial merupakan kemajuan terbaru dalam pembelajaran mesin. Penelitian ini bertujuan untuk menciptakan karakter Anime otomatis menggunakan Generative Adversarial Networks (GAN), GAN merupakan model generative yang membuat instance data baru menyerupai data pelatihan kita. Penelitian ini menggunakan sebanyak 63.565 citra dan menggunakan PyTorch untuk melatih GAN. GAN dapat dengan baik menghasilkan karakter Anime baru dengan nilai kerugian dari waktu ke waktu yang cukup tinggi, diharapkan kerugian generator dapat berkurang dan kerugian diskriminator tidak semakin tinggi agar lebih baik lagi.
Gender Classification for Anime Character Face Image Using Random Forest Classifier Method and GLCM Feature Extraction Dadang Iskandar Mulyana; Vika Vitaloka Pramansah
JUITA : Jurnal Informatika JUITA Vol. 10 No. 2, November 2022
Publisher : Department of Informatics Engineering, Universitas Muhammadiyah Purwokerto

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (830.556 KB) | DOI: 10.30595/juita.v10i2.13833

Abstract

Japan has many entertaining and unique artworks, especially its signature animation, called anime. Anime is an animation art that is unique in that the characterizations, characters, and storylines are made to resemble human life. The characters have 2 genders called male and female with unique visuals and are the characteristics of each anime character to entertain the audience. Training large-scale data and complex textures because not all of the anime images owned are of high quality, making classification by Machine Learning Algorithms low in accuracy. This study will describe an experiment using an anime face image dataset to classify the gender, namely male or female. From this problem, this research implements feature extraction to produce unique features of anime images with Gray-Level Cooccurrence Matrix (GLCM) and uses the Random Forest Classifier which is a classification algorithm in Machine Learning to classify gender. The results of this study get a good accuracy value of 95%, using 3,612 images where the test data used is 723 images and Homogeneity5 feature being the most relevant feature in increasing the accuracy value with a value of 0.06378389.
PENCIPTAAN KARAKTER ANIME OTOMATIS DENGAN MENGGUNAKAN GENERATIVE ADVERSARIAL NETWORKS Vika Vitaloka Pramansah; Dadang Iskandar
JTIK (Jurnal Teknik Informatika Kaputama) Vol. 6 No. 2 (2022): Volume 6, Nomor 2, Juli 2022
Publisher : STMIK KAPUTAMA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59697/jtik.v6i2.212

Abstract

Karakter anime yang merupakan gambar ciptaan manusia sangat dipengaruhi oleh teori perlindungan kekayaan intelektual yang dicetuskan oleh Robert M. Sherwood. Mengkarakterisasi struktur gambar anime secara otomatis telah menjadi upaya penelitian yang luar biasa. Anime yang memiliki karakteristik disetiap desain dan arsitektur yang unik dapat mematuhi invarian intrinsik dan menunjukkan struktur statistik multi-skala yang secara historis sulit untuk diukur (Simoncelli & Olshausen, 2001). Peningkatan kualitas model gambar secara substansial merupakan kemajuan terbaru dalam pembelajaran mesin. Penelitian ini bertujuan untuk menciptakan karakter Anime otomatis menggunakan Generative Adversarial Networks (GAN), GAN merupakan model generative yang membuat instance data baru menyerupai data pelatihan kita. Penelitian ini menggunakan sebanyak 63.565 citra dan menggunakan PyTorch untuk melatih GAN. GAN dapat dengan baik menghasilkan karakter Anime baru dengan nilai kerugian dari waktu ke waktu yang cukup tinggi, diharapkan kerugian generator dapat berkurang dan kerugian diskriminator tidak semakin tinggi agar lebih baik lagi.
Co-Authors Dadang Iskandar Mulyana` Titi Silfia