Article Per Year (5 Year)
p-Index From 2020 - 2025
0.408
P-Index
This Author published in this journals
All Journal Jurnal Ilmiah KOMPUTASI
A. Yudi Permana
Jurusan Teknik Informatika UNIVERSITAS PELITA BANGSA
Computer Science & IT

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Analisis Sentimen pada Teks Opini Penilaian Kinerja Dosen dengan Pendekatan Algoritma KNN: Array A. Yudi Permana; M. Makmun Effendi
Jurnal Ilmiah Komputasi Vol. 19 No. 1 (2020): Jurnal Ilmiah Komputasi Volume: 19 No. 1, Maret 2020
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32409/jikstik.19.1.154

Abstract

Dalam peneltian ini di maksudkan untuk melakukan analisis sentimen pada dokumen opini penilaian mahasiswa terhadap kinerja dosen dengan 3 kategori sentimen analisis diantaranya sentimen negative, sentimen positif dan sentimen netral. Opini mahasiswa terhadap kinerja dosen merupakan bagian dari salah satu faktor penilaian terhadap kualitas dosen dalam melakukan program kerja di lingkungan kampus universitas pelita bangsa. Oleh karena itu penting adanya suatu proses pengolahan data opini dari mahasiswa, sehingga opini tersebut menjadi sebuah keluaran berupa nilai pada sentimen. Semakin sentiment positif maka nilai kualitas dosen semakin baik begitu sebaliknya jika opini mahasiswa negative berarti menunjukan kualitas dosen tidak baik. Metode penelitian yang digunakan pada penelitian ini memliki tahapan diantaranya adalah dengan terlebih dahulu melakukan Preprocessing pada dokumen opini mahasiswa yang terdiri dari 300 dokumen opini yang dibagi menjadi data training dan testing 70:30 dengan asumsi pembagian dokumen 250 data training dan 50 data testing. Pada tahapan awal proses sentimen analisa pada dokumen opini mahasiswa dilakukan proses preprocessing dengan beberapa tahapan diantaranya stopword removal, case folding dan fitering serta stemming. Dari hasil stemming kemudian dilakukan proses pengujian data training dan data testing dengan algoritma KNN Pada penelitian ini dihasilkan nilai akurasi training sebesar 100%, sedangkan hasil prediksi dari sentimen analisisnya memiliki tingkat akurasi sebesar 80%, precission training bernilai 1 dan testing bernilai 0.909 dan hasil recall training bernilai 1 dan hasil recall testing bernilai 0.889.
Pengenalan Wajah dengan Algoritma Support Vector Machine dan Sobel Edge Detection Berbasis Computer Vision dan Caffe Framework Muhammad Syarif Hidayatulloh; A. Yudi Permana; Wahyu Hadi Kristanto
Jurnal Ilmiah Komputasi Vol. 19 No. 4 (2020): Jurnal Ilmiah Komputasi Volume: 19 No. 4, Desember 2020
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32409/jikstik.19.4.372

Abstract

Dalam penelitian ini, merumuskan masalah bagaimana menerapkan algoritma support vector machine dan ekstraksi fitur edge detection dengan metode sobel dalam melakukan pengenalan wajah. Pengenalan wajah dilakukan dengan menggunakan caffe untuk mendeteksi wajah dari citra yang diinputkan, kemudian dari wajah tersebut dilakukan edge detection dengan metode sobel dan algoritma convolution. Klasifikasi dilakukan dengan menggunakan algoritma support vector machine dengan metode One Againts All. Dengan metode holdout untuk melakukan validasi dan confusion matrix untuk melakukan evaluasi diperoleh akurasi terbaik sebesar 100%. Dataset yang digunakan sebanyak 150 data yang terdiri dari 3 kelas. Proses pengambilan citra dataset diperoleh dengan jarak ±1 meter, tinggi wajah dan kamera ±1,2 meter, luminans berkisar 3000-4000 lux dan menggunakan resolusi kamera 8 Mp. Dari dataset tersebut, dilakukan evaluasi berdasarkan jumlah dataset, yaitu 10, 20, 30 dan 40 data setiap kelas. Keseluruhan menghasilkan akurasi yang sama yaitu 100%. Berdasarkan akurasi yang diperoleh dapat disimpulkan bahwa metode yang digunakan cukup baik. Tetapi setelah dilakukan pengujian pengenalan wajah dengan input data citra baru, hanya mendapatkan akurasi sebesar 78% dengan menggunakan dataset sebanyak 10 dan 20 data. Kemudian mendapatkan akurasi sebesar 89% dengan 30, 40 dan 50 data yang digunakan. Data citra baru yang diinputkan sebanyak 9 data yang terdiri dari 3 kelas. Berdasarkan hasil tersebut, perlu dilakukan penelitian selanjutnya untuk memperbaiki citra hasil edge detection yang dapat mempengaruhi hasil klasifikasi.
Co-Authors Muhammad Makmun Effendi Muhammad Syarif Hidayatulloh Wahyu Hadi Kristanto