Garuda - Garba Rujukan Digital

p-Index From 2020 - 2025

6.505

P-Index

This Author published in this journals

All Journal Jurnal Teknologi dan Manajemen Informatika TEKNOLOGI: Jurnal Ilmiah Sistem Informasi TELKOMNIKA (Telecommunication Computing Electronics and Control) Jurnal Ilmiah Kursor Register: Jurnal Ilmiah Teknologi Sistem Informasi Jurnal Teknologi dan Sistem Komputer Jurnal ELTIKOM : Jurnal Teknik Elektro, Teknologi Informasi dan Komputer INTEGER: Journal of Information Technology Teknika: Engineering and Sains Journal Knowledge Engineering and Data Science JICTE (Journal of Information and Computer Technology Education) SMARTICS Journal Kinetik: Game Technology, Information System, Computer Network, Computing, Electronics, and Control Konvergensi Jurnal Sisfokom (Sistem Informasi dan Komputer) INTECOMS: Journal of Information Technology and Computer Science JPP IPTEK (Jurnal Pengabdian dan Penerapan IPTEK) Antivirus : Jurnal Ilmiah Teknik Informatika Journal of Information System,Graphics, Hospitality and Technology Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi Jurnal Teknologi Informasi dan Terapan (J-TIT) Jurnal Teknika Teknika Journal of Electrical Engineering and Computer (JEECOM) Best : Journal of Applied Electrical, Science and Technology Insyst : Journal of Intelligent System and Computation J-Intech (Journal of Information and Technology) Joutica : Journal of Informatic Unisla Jurnal Nasional Teknik Elektro dan Teknologi Informasi Insand Comtech : Information Science and Computer Technology Journal Jurnal Indonesia Sosial Teknologi JEECS (Journal of Electrical Engineering and Computer Sciences) Eksplorasi Teknologi Enterprise & Sistem Informasi (EKSTENSI) EduTech Journal

Endang Setyati

Institut Sains Dan Teknologi Terpadu Surabaya

Author-ID : 487621

Aerospace Engineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Industrial & Manufacturing Engineering Law, Crime, Criminology & Criminal Justice Library & Information Science Mathematics Mechanical Engineering Physics Social Sciences Other

Published : 56 Documents Claim Missing Document

Claim Missing Document

Articles

1 2 3 4 5

Klasifikasi Ketertarikan Belajar Anak PAUD Melalui Video Ekspresi Wajah Dan Gestur Menggunakan Convolutional Neural Network Ajeng Restu Kusumastuti; Yosi Kristian; Endang Setyati
Jurnal Sisfokom (Sistem Informasi dan Komputer) Vol 10, No 2 (2021): JULI
Publisher : ISB Atma Luhur

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32736/sisfokom.v10i2.1146

Abstract—The Covid-19 pandemic has transformed the offline education system into online. Therefore, in order to maximize the learning process, teachers were forced to adapt by having presentations that attract student's attention, including kindergarten teachers. This is a major problem considering the attention rate of children at early age is very diverse combined with their limited communication skill. Thus, there is a need to identify and classify student's learning interest through facial expressions and gestures during the online session. Through this research, student's learning interest were classified into several classes, validated by the teacher. There are three classes: Interested, Moderately Interested, and Not Interested. Trials to get the classification of student's learning interest by teacher validation, carried out by training and testing the cut area of the center of the face (eyes, mouth, face) to get facial expression recognition, supported by the gesture area as gesture recognition. This research has scenarios of four cut areas and two cut areas that were applied to the interest class that utilizes the weight of transfer learning architectures such as VGG16, ResNet50, and Xception. The results of the learning interest classification test obtained a minimum validation percentage of 70%. The result obtained through scenarios of three learning interest classes four cut areas using VGG16 was 75%, while for two cut areas using ResNet50 was 71%. These results proved that the methods of this research can be used to determine the duration and theme of online kindergarten classes.

Klasifikasi Topeng Pandawa dengan SVM Andi Sanjaya; Endang Setyati; Herman Budianto
INTEGER: Journal of Information Technology Vol 5, No 1: April 2020
Publisher : Fakultas Teknologi Informasi Institut Teknologi Adhi Tama Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31284/j.integer.2020.v5i1.910

Klasifikasi merupakan tahapan tingkat lanjut dari sebuah keilmuan computer vision. Karena tujuan dari sebuah aplikasi rekognisi yaitu mengenali. Cara mengenali yaitu dengan cara klasifikasi. Banyak metode klasifikasi yang ada, namun pada penelitian ini menggunakan Support Vector Machine (SVM). SVM dipilih karena bisa mengatasi data dengan dimensi yang sangat besar tanpa mereduksi data, bekerja dengan data linier atau nonlinier dan membuat sebuah hyperplane yang memisahkan data antar kelas. Pada penelitian ini menggunakan data patung pandawa dengan lima kelas. Lima kelas terdiri dari kelas yudhistira, bima, arjuna, nakula dan sadewa. Kernel yang digunakan pada penelitian ini menggunakan Radial Basis Function (RBF). Hasil ujicoba pada penelitian mempunya rata-rata akurasi sebesar 0,848.

PEMANFAATAN AUGMENTED REALITY PADA MEDIA PEMBELAJARAN SEJARAH TENTANG BENDA-BENDA BERSEJARAH PENINGGALAN KERAJAAN MAJAPAHIT DI TROWULAN MOJOKERTO Uliontang Uliontang; Endang Setyati; Francisca Haryanti Chandra
Teknika: Engineering and Sains Journal Vol 4, No 1 (2020): Juni 2020
Publisher : Universitas Maarif Hasyim Latif

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51804/tesj.v4i1.785.19-26

Sistem pembelajaran di sekolah saat ini pada umumnya masih menggunakan buku dan alat peraga tradisional sebagai media pembelajaran dalam kelas. Hasil pembelajaran pada mata pelajaran sejarah, khususnya tentang benda-benda bersejarah yang mengindikasikan masih rendah hasil belajar dan motivasi belajar peserta didik. Maka diperlukan media pembelajaran yang dapat membantu pembelajaran, dari penelitian ini peneliti berusaha mengatasi masalah tersebut dengan mengembangkan media pembelajaran berupa aplikasi dengan memanfaatkan teknologi augmented reality yang berbasis android untuk mensimulasikan gambar benda 3D. Sistem kerja Augmented Reality menggunakan marker based tracking. Dengan menggunakan software 3d Max dan plug-in Vuforia. Pembuatan media pembelajaran dengan teknologi Augmented Reality dengan menggunakan Modality Principle. Peserta partisipan yang direkrut adalah peserta didik kelas XI SMA Wachid Hasyim 2 Sidoarjo. Penelitian ini menggunakan penelitian eksperimen, diawali dengan tes awal (pretest), kemudian diberikan perlakukan (treatment) dan diakhiri dengan sebuah tes akhir (posttest) yang akan diberikan kelas eksperimen dan kelas kontrol. Pada hasil penelitian menunjukkan tidak ada perbedaan yang signifikan antara hasil belajar pre-test antara kelompok kontrol dan kelompok eksperimen. Selanjutnya dari hasil post-test menunjukkan ada peningkatan hasil belajar peserta didik dan motivasi belajar pada proses belajar, ada perbedaan yang signifikan antara kelompok kontrol dan kelompok eksperimen. Kelompok eksperimen lebih tinggi secara signifikan dalam motivasi belajar dibandingkan dengan hasil belajar pada kelompok kontrol. Dari observasi dan wawancara yang didapat peserta didik lebih aktif pada kegiatan pembelajaran dan peserta didik bersemangat untuk mengikuti pembelajaran. Hal ini membuktikan bahwa peserta didik tertarik pada media ini yang bisa membangkitkan motivasi belajar.

Extraction of Eye and Mouth Features for Drowsiness Face Detection Using Neural Network Elis Fitrianingsih; Endang Setyati; Luqman Zaman
Kinetik: Game Technology, Information System, Computer Network, Computing, Electronics, and Control Vol 3, No 2, May-2018
Publisher : Universitas Muhammadiyah Malang

Facial feature extraction is the process of searching for features of facial components such as eyes, nose, mouth and other parts of human facial features. Facial feature extraction is essential for initializing processing techniques such as face tracking, facial expression recognition or face shape recognition. Among all facial features, eye area detection is important because of the detection and localization of the eye. The location of all other facial features can be identified. This study describes automated algorithms for feature extraction of eyes and mouth. The data takes form of video, then converted into a sequence of images through frame extraction process. From the sequence of images, feature extraction is based on the morphology of the eyes and mouth using Neural Network Backpropagation method. After feature extraction of the eye and mouth is completed, the result of the feature extraction will later be used to detect a person’s drowsiness, being useful for other research.

PREDIKSI KARAKTERISTIK PERSONAL MENGGUNAKAN ANALISIS TANDA TANGAN DENGAN MENGGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN) Udkhiati Mawaddah; Hendrawan Armanto; Endang Setyati
Antivirus : Jurnal Ilmiah Teknik Informatika Vol 15 No 1 (2021): Mei 2021
Publisher : Universitas Islam Balitar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35457/antivirus.v15i1.1526

Graphology is the study of handwriting that can describe the characteristics of a writer and his emotional disposition. Knowing the characteristics of prospective applicants is very important for the Human Resource Development (HRD) that responsible for selecting employees in their fields. HRD often experienced the Mistaken when in the process of hiring employees who identify the candidate employee signature to lose both time and costs in that company. This research using 7 signature features which are divided into two algorithms respectively, 5 signature features consisting are Curved Start, End Streak, Shell, Middle Streaks, Underline and Identification Structure Algorithm consist 2 signature features are Dot Structure and Streaks disconnected. The evaluation results obtained a training data accuracy value of 0.7333, training data loss of 0.7693, test data accuracy of 0.7778, and test data loss of 0.8377 which can be concluded that the results of the two data is underfitting. Thus, we must concern to collecting other dataset which has features similarity in every classes.

KLASIFIKASI BANK SOAL BERDASARKAN KOMPETENSI DASAR MENGGUNAKAN ALGORITMA WINNOWING Azis Suroni; Endang Setyati Setyati
Antivirus : Jurnal Ilmiah Teknik Informatika Vol 15 No 2 (2021): November 2021
Publisher : Universitas Islam Balitar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35457/antivirus.v15i2.1542

The world of education in Indonesia needs to prepare students to face the increasingly complex challenges of the 21st century. They must be able to think critically, creatively, innovatively and be able to solve problems. In this case, it is necessary to measure student learning outcomes by conducting assessments both in writing and orally. In a written assessment, an educator is expected to have many different question banks so that they can measure the maximum achievement of student competencies. The large number of question banks sometimes makes it difficult for educators / teachers to sort out questions to measure the extent to which students are successful in achieving certain competencies. With the winnowing algorithm, the questions in the question bank are compared with the existing basic competencies using the Jackard Similarity Coefficient to determine which basic competency questions belong to. With this research, it is hoped that it will make it easier for educators to sort out questions in the question bank and make it easier to find out student achievements in certain basic competencies.

Identifikasi Jenis Daging dengan Menggunakan Algoritma Convolution Neural Network Peter Winardi; Endang Setyati
Journal of Information System,Graphics, Hospitality and Technology Vol. 3 No. 02 (2021): Journal of Information System, Graphics, Hospitality and Technology
Publisher : Institut Sains dan Teknologi Terpadu Surabaya (d/h Sekolah Tinggi Teknik Surabaya)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37823/insight.v3i02.178

Abstrak — Kebutuhan protein tubuh manusia salah satunya didapatkan dari daging. Banyak jenis daging yang bisa dikonsumsi untuk kebutuhan protein, diantaranya ayam, babi, bebek, kambing, sapi dan jenis lainnya. Pada kondisi daging mentah, tidak semua orang memahami karakteristik / identitas jenis daging karena ada beberapa jenis daging mentah yang hampir sama dari tampilan visual. Untuk menghindari kesalahan saat pemilihan jenis daging yang diinginkan perlu dilakukan identifikasi jenis daging. Pengenalan jenis daging dapat dilakukan dengan pengambilan gambar / citra secara digital. Citra digital yang didapatkan dapat dilakukan identifikasi dengan Convolution Neural Network. Salah satu kemampuan Convolution Neural Network (CNN) dapat melakukan proses identifikasi dan klasifikasi pada Computer Vision. Pada penelitian ini identifikasi jenis daging yang digunakan berupa adalah daging mentah tanpa lemak, kulit dan tulang. Jenis daging mentah yang digunakan sebanyak 5 buah berupa ayam, babi, bebek, kambing dan sapi. Melalui ekstraksi warna dan deteksi tepi beserta CNN didapatkan identitas jenis daging tersebut berupa tulisan / text sesuai jenis daging input citra. Dataset yang digunakan sebanyak 2,250 citra pada masing-masing jenis daging sehingga total 11,250 dataset citra. Penelitian dilakukan dalam 2 bagian sistem arsitektur. Bagian penelitian berupa Training dan Validation beserta testing. Pada bagian training dan validation dilakukan preprocessing . citra resize dari ukuran 300 × 300 piksel menjadi 50 × 50 piksel. Dataset dari masing-masing jenis citra daging mentah yang digunakan 2,250 citra terdiri dari citra jpeg dengan beberapa model citra , diantaranya citra asli, citra cropping, citra flip horisontal RGB, citra flip vertikal RGB, citra RGB, citra channel Red, citra channel Green, citra channel Blue, citra channel Magenta (greyscale), citra flip vertikal dan citra flip horisontal. Output training dan validasi berupa penyimpanan konfigurasi CNN yang dihasilkan untuk pemodelan saat testing beserta grafik cross entropy. Pembagian dataset citra model training dan validasi sebesar 70% training dan 30% validasi. Sistem testing digunakan uji coba menentukan jenis daging untuk mendapatkan output tulisan / text dari nama daging yang sesuai. Bahasa program yang digunakan penelitian berupa Python 3.8 beserta Tensorflow dan Keras dengan aplikasi PyCharm 2020.3.2 community edition. Untuk training dan validasi dilakukan uji coba pertama pada dataset dengan resize citra pada ukuran 50 X 50 pixel didapatkan hasil : training loss= 43.89% ; training accuracy= 82.82% ; validation loss= 87.44% ; validation juga dilakukan pada ukuran accuracy: 72.27%. Uji coba training dan validasi ke dua dilakukan resize citra pada ukuran 100 X 100 pixel dengan hasil : training loss= 35.74% ; training accuracy= 85.75% ; validation loss: 81.08% ; validation accuracy: 71.65%. Uji coba testing didapatkan nilai tertinggi dari angka array hasil pembandaingan dengan penyimpanan konfigurasi training dan validasi. Penelitian identifikasi jenis daging bisa ditingkatkan lebih baik bila dilengkapi dengan dataset citra yang lebih memadai.

Model CNN Lenet Dalam Pengenalan Jenis Golongan Kendaraan Pada Jalan Tol Anggay Luri Pramana; Endang Setyati; Yosi Kristian
Jurnal Teknika Vol 12, No 2 (2020): Jurnal Teknika
Publisher : Universitas Islam Lamongan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30736/jt.v13i2.469

Research in the field of transportation, especially vehicle classification with various methods, is a widely developed field of study. Vehicles can be categorized by shape, dimension, logo, and type. The vehicle dataset is also not difficult to find because it is general in nature. Based on the research that has been done, the introduction of group types based on the number of axles with CNN, the dataset is not yet available to the public. In this paper, we discuss the introduction of the types of groups using the Convolutional Neural Network method. The architecture used is the LeNet model. The trial scenario is carried out in 4 stages, namely 25 epochs, 50 epochs, 75 epochs and 100 epochs. Based on the test results, the accuracy obtained continues to increase at 50 epochs and 100 epochs iterations. Starting from an accuracy of 82%, 94% to the highest accuracy of 95%. Likewise in the prediction the data has increased from 80%, 85% to the highest accuracy that can be 86%. From 50 epochs to 75 epochs, the accuracy of both training and testing has decreased.

Pengenalan Lirik Lagu Otomatis Pada Video Lagu Indonesia Menggunakan Hidden Markov Model Yang Dilengkapi Music Removal Luhfita Tirta; Joan Santoso; Endang Setyati
Journal of Information System,Graphics, Hospitality and Technology Vol. 4 No. 2 (2022): Journal of Information System, Graphics, Hospitality and Technology
Publisher : Institut Sains dan Teknologi Terpadu Surabaya (d/h Sekolah Tinggi Teknik Surabaya)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37823/insight.v4i2.225

Video sangat penting untuk membuat informasi berupa suara dalam video agar dapat dipahami oleh semua kalangan masyarakat, dan orang-orang yang memiliki masalah pendengaran yaitu dengan cara paling alami terletak pada penggunaan subtitle. Oleh karena itu, peneliti membuat pengenalan lirik lagu otomatis pada video lagu Indonesia menggunakan Hidden Markov Model yang dilengkapi music removal. Dalam pengenalan suara lebih akurat dilakukan dengan menggunakan model HMM yang dilengkapi oleh MFCC (kata yang cocok 81% dan WER 19%) dibandingkan dengan model LDA + MFCC (kata yang cocok 71% dan WER 29%) dan DWT + MFCC (kata yang cocok 61% dan WER 39%). Jumlah kata dan sample suara pada library Bahasa Indonesia yang digunakan cukup sangat mempengaruhi MFCC dan CMU Sphinx-4, Nada pada inputan lagu yang akan diproses CMU Sphinx-4 juga sangat berpengaruh pada tingkat keberhasilan, dikarenakan CMU Sphinx-4 sangat sensitif dengan nada yang terlalu tinggi dan noise yang ada pada inputan lagu tersebut sehingga peneliti menambahkan fitur ekstraksi pada suara yaitu menggunakan MFCC. Dalam hal ini menggunakan dataset kecil terlebih dahulu untuk memastikan metode Hidden Markov Model yang dilengkapi MFCC dan CMU Sphinx-4 dapat berjalan dengan baik, Dari penelitian beberapa peneliti sebelumnya, maka hasil akhir yang diperoleh dengan menggunakan metode HMM yang dilengkapi oleh MFCC dan CMU Sphinx-4 dalam penelitian ini mendapatkan hasil akurasi training 78% dan testing 81% kecocokan kata pada video lagu.

KLASIFIKASI SOAL PILIHAN GANDA BERBAHASA INDONESIA BERDASARKAN LEVEL KOGNITIF PUSPENDIK DENGAN SUPPORT VECTOR MACHINE Lilis Setyaningsih; Endang Setyati; Suhatati Tjandra
Insand Comtech : Information Science and Computer Technology Journal Vol 5, No 2 (2020): Insand Comtech
Publisher : Universitas Madura

Bank soal merupakan kebutuhan penting di sekolah, sebagai media evaluasi pembelajaran. Bank soal yang berkualitas, dapat membantu dalam menganalisa kemampuan kognitif peserta didik. Pada akhirnya meningkatkan kualitas pembelajaran di sekolah. Penelitian ini menggunakan dataset berupa pokok soal dari soal PG, yang di dalamnya terdapat stimulus yang berupa text. Soal akan diklasifikasi berdasarkan level kognitif Puspendik, yaitu level pengetahuan dan pemahaman (L1), level aplikasi (L2) dan level penalaran atau HOTS (L3). Tidak semua soal menggunakan kata kerja operasional. Proses penelitian dilakukan dalam 3 tahap, yaitu pengumpulan dan labeling dataset, preprocessing, training model, dan testing data. Penelitian dilakukan dengan Bag Of Words, TF-IDF, Latent Semantic Analysis dan metode Support Vector Machine. Hasil uji coba menunjukkan tingkat akurasi dalam mengklasifikasi soal L1 sebesar 64,67%, L2 75,42% dan L3 25,83%. Tingkat akurasi secara keseluruhan dicapai, pada saat ujicoba 30% data testing, yaitu 61,54%.

Co-Authors Abdur Rouf Achmad Firman Choiri Agung Adi Saptomo Agung Dewa Bagus Soetiono Ajeng Restu Kusumastuti Akhmad Solikin Andi Sanjaya Andi Sanjaya Andriyanto, Pyepit Rinekso Anggay Luri Pramana Arif Priyambodo Azis Suroni Budi, Rizal Devi Dwi Purwanto Dicka Y Kardono Edwin Pramana Eko Mulyanto Yuniarno Elis Fitrianingsih Esther Irawati Setiawan Fachrul Kurniawan Farkhan, Muhammad Febriantoro, Erfan Fery Satria Kristianto Fitrianingsih, Elis Francisca H Chandra Francisca Haryanti Chandra Gunawan Gunawan Gunawan Gunawan, Tjwanda Putera Hans Keven Budi Prakoso Harianto, Reddy Alexandro Hatem Alsadeg Ali Salim Hendrawan Armanto Herman Budianto Honoris Setiahadi Ine Juniwati Joan Santoso Kartika, Bara Alpa Yoga Kholilul Rohman Kurniawan Lilis Setyaningsih Luhfita Tirta Lukman Zaman Luqman Zaman M. Najamudin Ridha Masrur Anwar Mauridhi Hery Purnomo Maysas Yafi' Urrochman Mochamad Hariadi Muhammad Farkhan Muhammad Turmudzi Nafi'iyah, Nur Novi Duwi Setyorini Peter Winardi Pranama, Edwin Raden Mohamad Herdian Bhakti Rafliana Natalia da Silva Raymond Sutjiadi Reddy Alexandro Harianto Resmana Lim Retno Wardhani Rusina Widha Febriana Salim, Shierly Kartika San, Joan Santoso, Elkana Lewi Soetiono, Agung Dewa Bagus Subroto Prasetya Hudiono Sugiarto, Raymond Suharyono Az Suhatati Tjandra Supandik, Ujang Joko Surya Sumpeno Suyuti, Mahmud Tjwanda Putera Gunawan Tri Septianto Tuesday saka gustaf Udkhiati Mawaddah Uliontang Uliontang Wahyudi, Nanang Yosi Kristian Yuliana Melita Pranoto Yulius Widi Nugroho Yunita, Helda Zaman, Luqman

Title

Found 56 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 56 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 56 Documents
Search