Article Per Year (5 Year)
p-Index From 2021 - 2026
4.151
P-Index
This Author published in this journals
All Journal Techno.Com: Jurnal Teknologi Informasi CALYPTRA : Jurnal Ilmiah Mahasiswa Universitas Surabaya Telematika : Jurnal Informatika dan Teknologi Informasi Jurnal Teknologi Informasi dan Ilmu Komputer Jurnal Edukasi dan Penelitian Informatika (JEPIN) Journal of Information Systems Engineering and Business Intelligence Jurnal ELTIKOM : Jurnal Teknik Elektro, Teknologi Informasi dan Komputer JOIV : International Journal on Informatics Visualization Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Jurnal Informatika dan Multimedia Indonesian Journal of Information System J-SAKTI (Jurnal Sains Komputer dan Informatika) Keluwih: Jurnal Sains dan Teknologi Jurasik (Jurnal Riset Sistem Informasi dan Teknik Informatika) Teknika J-SAKTI (Jurnal Sains Komputer dan Informatika) Jurnal Informatika dan Multimedia Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi)
Mohammad Farid Naufal, Mohammad Farid
Jurusan Teknik Informatika, Universitas Surabaya, Surabaya, Jawa Timur
Aerospace Engineering Biochemistry, Genetics & Molecular Biology Chemical Engineering, Chemistry & Bioengineering Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Energy Engineering Environmental Science Industrial & Manufacturing Engineering Mathematics Mechanical Engineering Transportation

Published : 33 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 33 Documents
Search

 1   2   3   4 
Analisis Perbandingan Algoritma Machine Learning dan Deep Learning untuk Klasifikasi Citra Sistem Isyarat Bahasa Indonesia (SIBI) Naufal, Mohammad Farid; Kusuma, Selvia Ferdiana
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 4: Agustus 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2024106823

Abstract

Terdapat orang yang tidak mampu berkomunikasi secara verbal yang menyebabkan kesulitan dalam berkomunikasi. Orang tersebut mengalami gangguan seperti tuli atau bisu. Mereka hanya dapat berkomunikasi melalui bahasa isyarat salah satunya adalah Sistem Isyarat Bahasa Indonesia (SIBI). Pengenalan Bahasa Isyarat adalah permasalahan klasifikasi yang kompleks untuk dipecahkan. Setiap bahasa isyarat memiliki sintaks dan tata bahasanya sendiri. Computer vision adalah sebuah Teknik yang digunakan komputer untuk melakukan klasifikasi citra. Computer vision membantu pengenalan citra SIBI secara otomatis sehingga memudahkan orang normal berkomunikasi dengan orang tuli atau bisu. Pada penelitian sebelumnya belum ada yang melakukan perbandingan algoritma klasifikasi machine learning dan deep learning untuk pengenalan SIBI. Perbandingan penting dilakukan untuk melihat efektifitas tiap algoritma klasifikasi dalam hal performa klasifikasi dan waktu komputasi. Algoritma klasifikasi machine learning memiliki waktu komputasi lebih rendah sedangkan Deep learning memiliki performa klasifikasi lebih tinggi. Penelitian ini menganalisis time to performance dari algoritma machine learning dan deep learning dalam melakukan klasifikasi citra SIBI huruf A hingga Z. K-Nearest Neighbors (KNN), Support Vector Machine (SVM), dan Convolutional neural network (CNN) dengan transfer learning adalah tiga algorimta klasifikasi populer yang dibandingkan dalam penelitian ini. Arsitektur transfer learning yang digunakan adalah Xception, ResNet50, VGG15, dan MobileNetV2. Dari hasil penelitian yang dilakukan menggunakan 5 cross validation, CNN dengan arsitektur Xception memiliki nilai F1 Score tertinggi yaitu 99,57% dengan waktu training rata-rata 1.387 detik. Sedangkan KNN dengan nilai K = 1 memiliki waktu training tercepat yaitu 0,03 detik dan memiliki nilai F1 Score 86,95%.AbstractThe person who has a disorder such as deaf or dumb are unable to communicate verbally, which causes difficulties in communicating. They can only communicate through sign language, one of which is the Indonesian Language Sign System or Sistem Isyarat Bahasa Indonesia (SIBI). Sign Language Recognition is a complex classification problem to solve. Each sign language has its syntax and grammar. Computer vision is a technique used by computers to classify images. Computer vision helps automatically recognize SIBI images, making it easier for normal people to communicate with deaf or mute people. In previous studies, no one has compared machine learning and deep learning classification algorithms for the classification of SIBI. Therefore, a meaningful comparison is made to see each classification algorithm's effectiveness in classification performance and computation time. Machine learning classification algorithms have lower computation time, while Deep learning has higher classification performance. This study analyzes the time to performance of machine learning and deep learning algorithms in classifying SIBI images of letters A to Z. K-Nearest Neighbors (KNN), Support Vector Machine (SVM), and Convolutional neural network (CNN) with transfer learning are three popular classification algorithms compared in this study. The transfer learning architectures used are Xception, ResNet50, VGG15, and MobileNetV2. The results of research conducted using 5 cross-validation, CNN with the Xception architecture has highest F1 Score of 99.57%, with an average training time of 1.387 seconds. KNN, with a value of K = 1, has the fastest training time of 0.03 seconds and an F1 Score of 86.95%.
Transliterating Javanese Script Images to Roman Script using Convolutional Neural Network with Transfer Learning Naufal, Mohammad Farid; Siswantoro, Joko; Soebroto, Juan Timothy
JOIV : International Journal on Informatics Visualization Vol 8, No 3 (2024)
Publisher : Society of Visual Informatics

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62527/joiv.8.3.2566

Abstract

The Javanese script holds immense cultural significance within Indonesia despite its diminishing usage in contemporary contexts. Its presence remains notable in specific regions of Java and remains integral to many historical documents and texts. Consequently, there is an urgent need for a transliteration system adept at converting Javanese script into contemporary scripts like Roman or Indonesian, thereby contributing to preserving Java's linguistic and cultural legacy. However, reading or transliterating Javanese script can be time-consuming, especially for longer texts, presenting considerable challenges for non-native readers. This study aims to develop an effective transliteration system for converting Javanese script into Roman script. This system addresses the pressing need to preserve Java's linguistic and cultural heritage by facilitating the readability and accessibility of Javanese script, especially for non-native readers. This study introduces an Optical Character Recognition (OCR) system tailored to identify Javanese script characters and transcribe them into Roman characters, explicitly focusing on fundamental nglegena and sandhangan swara characters. Individual characters are isolated by leveraging horizontal and vertical projection techniques, facilitating subsequent classification using a Convolutional Neural Network (CNN) employing transfer learning methodologies. The system's achievement of an impressive average similarity score of 90.78% is noteworthy, with the Xception architecture demonstrating superior efficiency in transliteration tasks. Implementing such a system harbors significant promise in safeguarding the Javanese script and enhancing its accessibility to a broader audience. This research contributes substantially to preserving and propagating Indonesia's rich cultural and linguistic heritage amidst the digital age.
IMPLEMENTASI KLASIFIKASI SOAL BERDASARKAN TAKSONOMI BLOOM MENGGUNAKAN ALGORITMA SVM Kusuma, Selvia Ferdiana; Heriadi, Agustono; Naufal, Mohammad Farid
Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi) Vol. 1 No. 1 (2017): PROSIDING SEMNAS INOTEK Ke-I Tahun 2017
Publisher : Universitas Nusantara PGRI Kediri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29407/inotek.v1i1.427

Abstract

Proses penilaian merupakan aspek penting dalam pembelajaran. Penilaian harus dilakukan secara benar agar dapat mengukur kemampuan peserta didik. Pada soal-soal yang digunakan untuk ujian pada program Studi Teknik Informatika Politeknik Kediri belum dilakukan pengklasifikasian soal berdasar tingkat kesulitannya. Sehingga pada proses penilaian tidak didasarkan atas pemberian soal-soal dengan tingkat kesulitan yang berbeda. Pada tahun 1995, Benjamin Bloom telah memperkenalkan adanya proses pengklasifikasian soal berdasarkan tingkat kesulitannya, metode tersebut dinamakan Taksonomi Bloom. Proses pengklasifikasian soal sesuai level pada taksonomi bloom tidaklah mudah jika dilakukan secara manual. Proses otomatisasi klasifikasi perlu dilakukan ketika akan melakukan klasifikasi soal dalam jumlah yang banyak, misalkan pada proses pengklasifikasian soal pada bank soal. Otomatisasi dilakukan selain untuk mempersingkat waktu juga untuk mengurangi tendensi dari ahli pada pengklasifikasian soal. Proses klasifikasi dilakukan dengan pengidentifikasian fitur leksikal dan sintaktik sebagai proses ekstraksi fitur, kemudian hasil ekstraksi fitur diklasifikasikan menggunakan algoritma SVM. Penelitian ini menghasilkan sebuah aplikasi yang dapat melakukan pengklasifikasian sejumlah soal berdasarkan taksonomi bloom menggunakan algoritma SVM. Aplikasi ini memiliki akurasi klasifikasi soal sebesar 86%.
Co-Authors Agustono Heriadi, Agustono Alvin Eka Putra Aminulloh, Septian Wijaya Ang Alexander Yoshua Arifin, Theofilus Aryo Budilaksono Astri Agustina Arius Daniel Cristianindra R. David Sugiarto Derry Alim Fernando Fania Alya Miranti Farrel Arghya Tito Prayoga Felix Handani Ferdiana Kusuma, Selvia Jeremy Owen Lieyanto Jessica Millenia Joko Siswantoro Joseph Kristiano Juan Timothy Soebroto Kansil, Christian Nathaneil Kevin Christian Tanus Kevin Wijaya, Kevin Kusuma, Selvia Ferdiana Mirella Mercifia Mohd Sanusi Bin Azmi Muhammad Ghifari Kusuma Wicaksono Nicky Setyawan Dinata Njoto Benarkah Prasetyo, Daniel Hary Putra, Putu Aditya Riva Ramadhan, Firman Herda Raynaldy Valentino Sukiwun Renatasiva, Billy Rizka Febrina P. Selvia F Kusuma, Selvia F Selvia Ferdiana Kusuma Selvia Ferdiana Kusuma Selvia Ferdiana Kusuma Selvia Ferdiana Kusuma Sesilia Shania Sesilia Shania Soebroto, Juan Timothy Solichul Huda Solichul Huda, Solichul Stefan Axel Subrata, - Susanto, Alvin Fernando Vernolyo, Panji Yumadana Vincentius Riandaru Prasetyo Vincentius Riandaru Prasetyo Wibisono, Yudistira Rahadian Wirjawan, Hans Wisnu Aria Yustisia Yohanes Albert Lauwoto Zefanya Ardya Prayuska