Articles
<![CDATA[DETEKSI CITRA DIGITAL MENGGUNAKAN ALGORITMA CNN DENGAN MODEL NORMALISASI RGB ]]>
<![CDATA[Khairullah, Irfan Khalil]]>;
<![CDATA[Hartanto, Anggit Dwi]]>;
<![CDATA[Yusa, Aldo]]>;
<![CDATA[Hartatik, Hartatik]]>;
<![CDATA[Kusnawi, Kusnawi]]>
<![CDATA[ Intechno Journal : Information Technology Journal Vol. 2 No. 2 (2020): December ]]>
Publisher : <![CDATA[Universitas Amikom Yogyakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.24076/intechnojournal.2020v2i2.1545
<![CDATA[Pengolahan citra digital ialah usaha untuk melakukan perubahan sebuah citra objek berupa gambar atau video menjadi citra obyek lainnya. Citra yang dimaksud berupa objek yang berupa citra gambar yang berasal dari sensor vision atau alat tangkap gambar berupa kamera. Banyak penelitian yang dilakukan untuk memproses pengolahan citra digital. Penelitian sebelum-sebelumnya menggunakan bermacam - macam metode untuk pengujian citra digital. Salah satunya adalah penggunaan metode naïve bayes dan Learning Vector Quantization atau disingkat LVQ. Penelitian menggunakan metode naïve bayes mendapatkan akurasi sekitar 80%. Sedangkan dengan LVQ didapatkan presentase akurasi sebesar 83,5%. Pada penelitian dengan menggunakan metode CNN di dapatkan rata-rata akurasi dengan beberapa kali pengulangan percobaan sebesar 90%. Berarti bahwa penelitian dengan metode CNN meningkatkan tingkat akurasi yang didapat dari penelitian - penelitian sebelumnya. Diharapkan pada penelitian berikutnya disarankan menggunakan metode dan model yang lain, supaya didapat hasil yang lebih baik]]>
<![CDATA[PENCEGAHAN CYBERBULLYING MENGGUNAKAN SISTEM DETEKSI UJARAN KEBENCIAN DALAM BAHASA INDONESIA ]]>
<![CDATA[Aji, Wisnu Nugroho]]>;
<![CDATA[Tara, Yudi]]>;
<![CDATA[Hartanto, Anggit Dwi]]>
<![CDATA[ Intechno Journal : Information Technology Journal Vol. 3 No. 1 (2021): July ]]>
Publisher : <![CDATA[Universitas Amikom Yogyakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.24076/intechnojournal.2021v3i1.1548
<![CDATA[Semakin banyaknya pengguna media sosial, maka akan meningkatnya juga tindak kejahatan yang ada di dunia maya. Media sosial sudah mulai banyak digemari oleh semua kalangan umur dan dapat diakses dimana saja. Meningkatnya tindak kejahatan di media sosial berakibat meningkatnya korban tentunya. Seperti yang terjadi pada berita akhir November 2019 ini. Karena beberapa permasalahan tersebut, kami melakukan penelitian dengan objek komentar media sosial Instagram. Penelitian ini menggunakan metode pendekatan K-Nearest Neighbor(KNN) dibantu dengan algoritma pembobotan TF-IDF. Penggunaan metode ini dapat mengklasifikasi objek penelitian dengan jangka waktu yang singkat dengan jumlah dataset yang ditentukan. Dengan hasil penelitian ini diharapkan dapat meminimalisir tindakan kejahatan yang terjadi di dunia maya.]]>
<![CDATA[IMPLEMENTASI METODE FISHERFACE DALAM PENGENALAN WAJAH MENGGUNAKAN ALGORITMA KNN ]]>
<![CDATA[Fiardin, Tsintani Tisaga]]>;
<![CDATA[Rohman, Arif Nur]]>;
<![CDATA[Hartanto, Anggit Dwi]]>
<![CDATA[ Intechno Journal : Information Technology Journal Vol. 3 No. 1 (2021): July ]]>
Publisher : <![CDATA[Universitas Amikom Yogyakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.24076/intechnojournal.2021v3i1.1549
<![CDATA[Sistem pengenalan wajah sekarang ini begitu dibutuhkan dan mempunyai peran sangat penting, seperti untuk keamanan, identifikasi wajah, dan lain-lain. Sistem bekerja dengan membandingkan citra wajah yang berada didatabase yang nantinya dipilih mana yang paling cocok dengan citra wajah yang diuji, dan keluaran dari dikenali atau tidaknya wajah tersebut yaitu jika citra wajahnya berada dalam database (dataset) dan nantinya ditampilkan berupa gambar wajahnya dan nama atau identitas dirinya. Adanya suatu aplikasi pengenalan wajah ini sangatlah membantu untuk pekerjaan. Dalam penelitian kali ini mencoba untuk mebuat aplikasi tersebut, dan juga belajar atau memahami alur kerja dari aplikasi ini. Proses ini menggunakan metode fisherface dengan menggunakan metode KNN, yang mana semua gambar dari dataset dikumpulkan dan didekomposisi menjadi grayscale kemudian dataset tersebut dilatih dan diklasifikasikan menggunakan KNN. Pada pengujian ini menggunakan 60 citra wajah berbeda sebagai data latih dan 40 citra wajah berbeda-beda sebagai data uji. Hasil dari ini mendapat prosentasi keberhasilan 92,5%.]]>
<![CDATA[IMPLEMENTASI ALGORITMA SUPPORT VECTOR MACHINE UNTUK SENTIMEN ANALISIS CYBERBULLYING PADA KOLOM KOMENTAR INSTAGRAM ARTIS ]]>
<![CDATA[Julianto, M. Rayhan Wahyu]]>;
<![CDATA[Wasistha, Dyah]]>;
<![CDATA[Hartanto, Anggit Dwi]]>
<![CDATA[ Intechno Journal : Information Technology Journal Vol. 3 No. 2 (2021): December ]]>
Publisher : <![CDATA[Universitas Amikom Yogyakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.24076/intechnojournal.2021v3i2.1553
<![CDATA[Dibalik meningkatnya angka pengguna instagram, ternyata banyak pengguna instagram yang masih belum paham tentang bagaimana etika untuk bersosialisasi dengan baik pada dunia maya, sehingga permasalahan cyberbullying masih kerap terjadi. Cyberbullying merupakan tindakan mengolok-olok yang dilakukan melalui dunia internet. Tindakan cyberbullying sudah memiliki banyak korban di seluruh dunia mulai dari depresi ringan dan berat hingga kematian pun kerap terjadi. Oleh karena itu, penelitian ini dilakukakan dengan tujuan untuk membuat sistem yang dapat mengklasifikasikan komentar pada kolom komentar instagram apakah mengandung unsur cyberbullying atau tidak. Support Vector Machine (SVM) merupakan metode klasifikasi yang digunakan pada penelitian ini dimana setiap data akan melewati tahap preprocessing dan ekstraksi fitur TF-IDF, kemudian akan dilakukan evaluasi dan pengujian dengan menggunakan metode K-Folds Cross-Validation. Setelah dilakukan penelitian ini, kesimpulan pada penelitian ini adalah untuk menganalisis sentimen cyberbullying yang terdapat pada kolom komentar instagram milik artis dapat dilakukan dengan metode klasifikasi Support Vector Machine (SVM) yang mana data dibagi menjadi 3 tipe yaitu postive cyberbullying, neutral, dan negative cyberbullying dengan menggunakan proses stemming pada tahap preprocessing dengan hasil akurasi sebesar 92,31%.]]>
<![CDATA[MENDETEKSI OBJEK BEDASARKAN WARNA MENGGUNAKAN HSV COLOR SPACE SECARA REALTIME ]]>
<![CDATA[Purwoko, Joshua Dwi Giovani]]>;
<![CDATA[Pratama, Jibran Yoga]]>;
<![CDATA[Hartanto, Anggit Dwi]]>
<![CDATA[ Intechno Journal : Information Technology Journal Vol. 3 No. 2 (2021): December ]]>
Publisher : <![CDATA[Universitas Amikom Yogyakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.24076/intechnojournal.2021v3i2.1554
<![CDATA[Mendeteksi objek berdasarkan warnatmerupakan salah satu metodetsegmentasi yang dilakukan dengan pendekatan visi computer (computer vision) untuk dapat dikenali oleh computer dengan akurat. Pada penelitian kali ini kami menggunakan metode HSV color space untuklmenghasilkan segmenmcitra berupa thresholding sehinggasdapat dideteksi oleh computer.Hasilppengujian danbanalisa yang telah kami peroleh bahwa penentuan nilai awal dari rentang warna berpengaruh pada hasil yang akan didapatkan pada saat proses segmentasi.Karena sampel warna yang dipilih akan digunakan sebagai nilai acuan untuk dibandingkan dengan objek yang akan diuji.]]>
<![CDATA[Implementasi Algoritma SVM Dalam Pengembangan Sistem Presensi Berbasis Face Recognition ]]>
<![CDATA[Ramadhani, Zanuarestu]]>;
<![CDATA[Safira, Livia]]>;
<![CDATA[Hartanto, Anggit Dwi]]>;
<![CDATA[Hartatik, Hartatik]]>
<![CDATA[ Intechno Journal : Information Technology Journal Vol. 4 No. 2 (2022): December ]]>
Publisher : <![CDATA[Universitas Amikom Yogyakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.24076/intechnojournal.2022v4i2.1561
<![CDATA[Sistem presensi Universitas Amikom Yogyakarta memiliki potensi untuk dikembangkan. Dari sistem yang sudah ada kami menemukan sebuah ide untuk meng-implementasikan face recognition dalam sistem tersebut. Sistem presensi dengan menggunakan face recognition akan lebih mempermudah mahasiswa/i untuk melakukan presensi. Mengingat permasalahan yang ada seperti menggunakan QR Code yang masih susah dideteksi pada barisan-barisan tertentu. Maka, dalam penelitian ini menggunakan metode Support Vector Machine (SVM) sebagai metode untuk klasifikasi gambar yang sudah diconvert menjadi Numpy Array dengan meng-uji coba beberapa sampel foto mahasiswa/i Universitas Amikom Yogyakarta lalu mengidentifikasi satu persatu data baru untuk mendapatkan sebuah hasil yang berupa pengenalan sebuah wajah dengan tampilan berupa identitas pengenal dari mahasiswa/i tersebut. Diakhir penelitian ini kami menemukan bahwa keakurasian face recognition dengan menggunakan metode SVM menghasilkan rata-rata 93,46% yang berarti bahwa sebuah image yang dapat diproses untuk melakukan sebuah presensi.]]>
<![CDATA[Implementasi Metode Random Forest Klasifikasi untuk Phishing Link Detection ]]>
<![CDATA[Kencana, Adi Kresna]]>;
<![CDATA[Ananda, Fadhilah Dwi]]>;
<![CDATA[Hartanto, Anggit Dwi]]>;
<![CDATA[Hartatik, Hartatik]]>
<![CDATA[ Intechno Journal : Information Technology Journal Vol. 4 No. 2 (2022): December ]]>
Publisher : <![CDATA[Universitas Amikom Yogyakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.24076/intechnojournal.2022v4i2.1562
<![CDATA[Internet sangat dibutuhkan saat ini. Masalah yang muncul dari perkembangan internet dan teknologi saat ini adalah keamanan dan privasi, dimana data privasi sangat rentan untuk dicuri oleh seseorang melalui internet. Contohnya adalah situs web phishing yang telah tersebar luas di internet yang dapat mencuri data seperti, data pribadi, data kartu kredit, perbankan online, dan data email tanpa diketahui oleh pengguna internet. Bisa dibilang sulit membedakan situs web asli atau palsu. Karenanya diperlukan klasifikasi untuk membedakan situs web asli atau palsu. Penelitian ini menggunakan algoritma Random Forest untuk memilih situs web phishing dari pohon keputusan. Berdasarkan penerapan algoritma Random Forest untuk mendeteksi phishing situs web, hasil akurasi adalah 94,36% dan hasil validasi adalah 94,77% menggunakan 2.457 dataset yang diperoleh dari situs web www.kaggle.com. Dari penelitian ini terbukti bahwa algoritma ini memiliki akurasi tinggi untuk memprediksi situs web phishing dan hasil yang diperoleh diimplementasikan dalam bentuk ekstensi dari browser secara realtime yang nantintya akan memberikan popup peringatan jika situs website yang dibuka adalah phishing website.]]>
<![CDATA[Implementasi Metode CNN dan Deep Learning untuk Menentukan Tingkat Roasting Biji Kopi ]]>
<![CDATA[Setiadi F., A. Farhan]]>;
<![CDATA[Kurniawan, Aas Andri]]>;
<![CDATA[Hartanto, Anggit Dwi]]>;
<![CDATA[Hartatik, Hartatik]]>
<![CDATA[ Intechno Journal : Information Technology Journal Vol. 4 No. 2 (2022): December ]]>
Publisher : <![CDATA[Universitas Amikom Yogyakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.24076/intechnojournal.2022v4i2.1563
<![CDATA[Tipe hasil roasting biji kopi dapat ditentukan dengan melihat warna biji kopi ketika dalam proses roasting/sangrai. Cara tersebut cukup efektif untuk mendapatkan hasil yang sesuai dengan keinginan namun dapat terjadi masalah konsistensi dan efisiensi. Tujuan akhir penelitian kami yaitu mengembangkan sistem otomatis untuk menentukan tingkat/tipe hasil roasting pada biji kopi untuk produsen atau pengelola biji kopi. Langkah awal dari projek ini yaitu pengembangan sistem image processing yang mengklasifikasikan gambar biji kopi telah disangrai berdasarkan tekstur dan warna. Kami menggunakan convolutional neural network, model arsitektur VGG-16 dan framework Tensorflow untuk mengolah data set gambar berjumlah 100 gambar kelas light roasts, 100 gambar medium roasts dan 100 gambar dark roasts. Rata-rata hasil data latih mencapai 96.0% dan validasi score 60.0%. Dengan akurasi yang cukup tinggi maka dapat membantu pengklasifikasian tingkat roasting biji kopi menjadi lebih konsisten.]]>
<![CDATA[Implementasi Algoritma Naïve Bayes Dalam Mengidentifikasi Jenis Penyakit Cacar Dengan Image Processing ]]>
<![CDATA[Pattimura, Yudha Bagas]]>;
<![CDATA[Kanoena, Melcior Paitin]]>;
<![CDATA[Hartanto, Anggit Dwi]]>;
<![CDATA[Hartatik, Hartatik]]>;
<![CDATA[Kusnawi, Kusnawi]]>
<![CDATA[ Intechno Journal : Information Technology Journal Vol. 5 No. 1 (2023): July ]]>
Publisher : <![CDATA[Universitas Amikom Yogyakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.24076/intechnojournal.2023v5i1.1571
<![CDATA[Cacar merupakan salah satu penyakit kulit yang sering diderita banyak masyarakat mulai dari anak bayi sampai orang tua. Cacar memliki beberapa jenis yang antara lain adalah cacar air (Quipperian), cacar api (herpes zoster) dan cacar monyet, seluruh penyakit ini semuanya dapat menular ke seama manusia melalui kontak lansung, bersin, batuk atau tersentuh dengan isi gelembung cacar yang pecah. Minimnya pengetahuan masyarakat dan tidak adanya penyuluahan dari pemerintah membuat masyarakat tidak mengetahui akan perbedaan jenis-jenis cacar yang diderita dan dapat terjadinya kesalahan dalam pengobatan. Dalam penilitian ini kami menggunakan image processing dengan metode histogram untuk ekstraksi fitur tekstur cacar tersebut serta menggunakan dengan metode klasifikasi naïve bayes dalam mengklasifikasi jenis cacar yang diderita oleh pasien. Dari penilitian yang kami lakukan menunjukan bahwa mengklasifikasi nilai ekstraksi fitur tekstur citra cacar dengan metode naïve bayes memperolehonilai akurasi sebesar 75%.]]>
<![CDATA[Comparison of LSTM and GRU Methods in Sentiment Analysis of Satusehat Appication Review ]]>
<![CDATA[Hedy Leoni]]>;
<![CDATA[Utami, Ema]]>;
<![CDATA[Hartanto, Anggit Dwi]]>
<![CDATA[ Mathline : Jurnal Matematika dan Pendidikan Matematika Vol. 8 No. 3 (2023): Mathline: Jurnal Matematika dan Pendidikan Matematika ]]>
Publisher : <![CDATA[Universitas Wiralodra ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.31943/mathline.v8i3.475
<![CDATA[This article describes a comparison between the LSTM and GRU methods in sentiment analysis. Both methods were chosen based on the simplicity of the model and are considered capable of processing relatively long data. the dataset used in this study amounted to 12260 data obtained from scraping on the Google Play site using google-play-scraper library. In analyzing Sentiments, 2 Deep Learning methods are used, namely LSTM and GRU. From the results The GRU accuracy value reaches 91% while the LSTM accuracy value is 89%. However, for the Recall and F1-score tests, these two methods still get low scores in analyzing positive data.]]>
