Article Per Year (5 Year)
p-Index From 2021 - 2026
2.049
P-Index
This Author published in this journals
All Journal TELKOMNIKA (Telecommunication Computing Electronics and Control) Jurnal Ilmiah Kursor Sinergi IJoICT (International Journal on Information and Communication Technology) Jurnal Informatika Proceeding of the Electrical Engineering Computer Science and Informatics JIKO (Jurnal Informatika dan Komputer) Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI) Kumawula: Jurnal Pengabdian Kepada Masyarakat Community Development Journal: Jurnal Pengabdian Masyarakat REKA ELKOMIKA: Jurnal Pengabdian kepada Masyarakat JITSI : Jurnal Ilmiah Teknologi Sistem Informasi Jurnal INFOTEL KarismaPro Jurnal Informatika: Jurnal Pengembangan IT
Intan Nurma Yulita
Departemen Ilmu Komputer, Universitas Padjadjaran
Humanities Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Health Professions Industrial & Manufacturing Engineering Public Health Social Sciences

Published : 22 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 22 Documents
Search

 1   2   3 
Human Activity Recognition Berdasarkan Tangkapan Webcam Menggunakan Metode Convolutional Neural Network (CNN) Dengan Arsitektur MobileNet Fauzan Akmal Hariz; Intan Nurma Yulita; Ino Suryana
JITSI : Jurnal Ilmiah Teknologi Sistem Informasi Vol 3 No 4 (2022)
Publisher : SOTVI - Society of Visual Informatics

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62527/jitsi.3.4.97

Abstract

Manusia tidak bisa terlepas dari aktivitas sehari-hari yang mana merupakan bagian dari kehidupan manusia. Human activity recognition atau pengenalan aktivitas manusia saat ini merupakan salah satu topik yang sedang banyak diteliti seiring dengan pesatnya kemajuan di bidang teknologi yang berkembang saat ini. Hampir semua bidang terdampak dari pandemi COVID-19 yang memengaruhi aktivitas manusia sehingga menjadi lebih terbatas. Salah satu bidang yang paling terdampak yaitu pendidikan, di mana kampus menerapkan sistem pembelajaran daring, yang membuat dosen lebih sulit untuk mengawasi pembelajaran maupun ujian yang dilakukan secara daring karena tidak dapat mengawasi aktivitas yang dilakukan mahasiswa secara langsung. Penelitian ini bertujuan untuk membuat model yang dapat mengenali aktivitas seseorang saat ujian daring berdasarkan tangkapan webcam dengan memanfaatkan model deep learning dengan metode Convolution Neural Network (CNN) menggunakan arsitektur MobileNetV2. Pengujian hyperparameter dilakukan untuk menghasilkan model optimal yang dilakukan pada batch size sebesar 16, 32, dan 64 serta dense layer sebanyak 1, 3, 5, dan 7. Pengujian tersebut menghasilkan model optimal dengan hyperparameter berupa max epoch sebanyak 20, early stopping dengan patience sebesar 10, learning rate sebesar 0,0001, batch size sebesar 16, dan dense layer sebanyak 5. Model tersebut dievaluasi menggunakan cross validation dan confusion matrix yang berhasil memberikan performa F1-score akhir sebesar 84,52%.
ANALISIS PEMASARAN PRODUK SAMSUNG MELALUI PENDEKATAN ARTIFICIAL INTELLIGENCE Firman Ardiansyah; Intan Nurma Yulita
KarismaPro Vol. 17 No. 01 (2026): Karismapro
Publisher : Program Studi Manajemen, Universitas Al Ghifari

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.53675/ych2hn28

Abstract

Produk smartphone Samsung merupakan produk yang banyak digunakan oleh konsumen. Agar tetap populer dan kompetitif, diperlukan upaya pengembangan produk yang didasarkan pada respons dan penilaian konsumen. Respons dan penilaian konsumen dapat diperoleh dari berbagai platform online. Teknologi kecerdasan buatan (AI) dapat digunakan untuk melakukan analisis sentimen terhadap respons dan penilaian konsumen, sehingga memungkinkan pengolahan data secara lebih cepat dan akurat. Hasilnya kemudian digunakan sebagai pendekatan analisis SWOT untuk mengembangkan smartphone Samsung di masa depan. Penelitian ini menggunakan metode campuran (mixed methods). Hasil analisis sentimen untuk produk Samsung Galaxy A53 5G menunjukkan sentimen positif sebanyak 471 ulasan, sentimen negatif 431 ulasan, dan sentimen netral 642 ulasan. Untuk Samsung Galaxy A54 5G, terdapat 600 ulasan positif, 381 ulasan negatif, dan 652 ulasan netral. Hasil analisis SWOT kuantitatif untuk Samsung Galaxy A53 5G berada pada kuadran I (strategi agresif). Sementara itu, Samsung Galaxy A54 5G berada pada kuadran IV (strategi defensif). Hasil analisis SWOT kualitatif untuk A53 5G menunjukkan strategi S-O (Strength–Opportunity). Untuk Samsung Galaxy A54 5G menunjukkan strategi W-T (Weaknesses–Threats). Hal ini dikarenakan Samsung Galaxy A54 5G sebagai generasi penerus dari Samsung Galaxy A53 5G secara keseluruhan gagal memberikan peningkatan dan perbaikan yang signifikan.
Co-Authors Aditya Pradana Afrida Helen Agus Trisanto Akik Hidayat Aniati Murni Arymurthy Anindya Apriliyanti Pravitasari Asep Sholahuddin Atje Setiawan Abdullah Ayi Muhammad Iqbal Nasuha Ayi Muhammad Iqbal Nasuha, Ayi Muhammad Iqbal Erick Paulus Fajar Indrayatna Fanany, Mohamad Ivan Fauzan Akmal Hariz Firman Ardiansyah Firman Ardiansyah Firman Ardiansyah Gumgum Darmawan Ihda Anwari Ino Suryana Irene Deborah Mira Suryani Mohamad Ivan Fanany Mokhamad Arfan Wicaksono Muhammad Rasyid Ramdhani Mulya Nurmansyah Ardisasmita Mulya Nurmasnsyah Ardisasmita Riva Farabi Rolly Maulana Awangga, Rolly Maulana Rudi Rosadi Safira Amalia Sri Purwani Triyani Hendrawati Yeni Rizka Yeni Rizka