Article Per Year (5 Year)
p-Index From 2021 - 2026
0.659
P-Index
This Author published in this journals
All Journal Teknika JOURNAL OF APPLIED INFORMATICS AND COMPUTING PROSISKO : Jurnal Pengembangan Riset dan observasi Rekayasa Sistem Komputer
M. Rafi Muttaqin
Sekolah Tinggi Teknologi Wastukancana
Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Engineering Mechanical Engineering

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Analisis Sentimen Pengguna E-Wallet Dana dan Gopay Pada Twitter Menggunakan Metode Support Vector Machine (SVM) Muhamad Kabirur Rifa Rifa; Moch. Hafid Totohendarto; M. Rafi Muttaqin
TEKNIKA Vol. 17 No. 2 (2023): TEKNIKA
Publisher : Politeknik Negeri Sriwijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.5281/zenodo.8211515

Abstract

Produk aplikasi uang elektronik di Indonesia sudah semakin meningkat, sehingga pembayaran yang umumnya dilakukan secara tunai telah berubah menjadi cashless atau non-tunai. Dengan semakin banyaknya pengguna produk uang elektronik yang dikeluarkan oleh perusahaan rintisan dengan berbagai kemudahan yang ditawarkannya, maka akan adanya persaingan antara produk yang satu dengan produk yang lainnya. Salah satu produk aplikasi uang elektronik yang bersaing di Indonesia yaitu aplikasi Dana dan Gopay. Penelitian ini bertujuan untuk menentukan aplikasi uang elektronik yang terbaik berdasarkan pendapat pengguna e-wallet antara aplikasi Dana dan Gopay, sehingga bisa menjadi bahan pertimbangan bagi masyarakat untuk memilih produk uang elektronik yang ingin digunakan. Support Vector Machine SVM dipilih karena merupakan salah satu metode klasifikasi yang robust dalam mengklasifikasikan dua kelas data. Jenis kernel SVM yang digunakan dalam penelitian ini adalah kernel linear. Hasil perhitungan aplikasi Dana memiliki accuracy sebesar 92% dan nilai presisi sebesar 91% dengan tingkat recall sebesar 92%. Gopay memiliki accuracy sebesar 90% dan nilai presisi sebesar 91% dengan tingkat recall sebesar 90%. Nilai tersebut membuktikan sentimen pengguna twitter mengenai aplikasi Gopay lebih baik daripada Dana. Nilai ini menunjukan bahwa klasifikasi algoritma support vector machine (SVM) dinilai reliabel dan valid dalam pemrosesan data, dikarenakan persentase nilai tersebut dianggap baik jika bernilai lebih dari 70%.
Real-Time BISINDO Gesture Detection Using YOLOv8 for a Web-Based Text-to-Speech Prototype Riska Dewi Yuliyanti; M. Rafi Muttaqin; Teguh Iman Hermanto
Journal of Applied Informatics and Computing Vol. 10 No. 4 (2026): August 2026
Publisher : Politeknik Negeri Batam

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30871/jaic.v10i4.13362

Abstract

Communication challenges persist between the deaf and hard-of-hearing community and the general public, largely due to limited awareness and understanding of Indonesian Sign Language (BISINDO) in the broader population. This study develops a real-time web-based system that identifies BISINDO gestures using the YOLOv8 object detection model and converts the recognized gesture sequence into spoken words via a text-to-speech function. The study is based on the CRISP-ML(Q) framework, which includes stages such as understanding the data, preparing the data, building models, assessing their performance, implementing them in real-world applications, and continuously tracking their effectiveness. A total of 1,550 images were independently collected using a laptop camera and categorized into 31 classes, including 30 BISINDO gesture classes and 1 class for negative samples. The dataset was split using a stratified method, allocating 80% for training, 10% for validation, and 10% for testing. The YOLOv8 model was trained on Google Colaboratory using a T4 GPU runtime. The evaluation results indicate that the model achieved a precision of 0.979, a recall of 0.976, an mAP50 of 0.993, and an mAP50-95 of 0.839, which demonstrates robust performance in detecting BISINDO gestures. The developed model was incorporated into a web prototype, with FastAPI serving as the backend and HTML, CSS, and JavaScript utilized for the frontend. The system can identify hand gestures using a webcam, show bounding boxes with corresponding labels, compile the detected gestures into simple text sequences, and produce speech from that information. Latency testing revealed an average response time of around 210 milliseconds when the model was deployed locally and approximately 670 milliseconds when deployed online via Hugging Face Spaces. The system still faces challenges in identifying similar-looking gestures and is influenced by factors such as lighting, hand placement, and the availability of hosting resources. These results indicate that YOLOv8s is effective for detecting the 30 static BISINDO gesture classes evaluated in this study within a controlled data collection setting, though further validation is required before the system can be considered suitable for broader real-world assistive communication use.
KLASIFIKASI BUAH MANGGIS LOKAL DAN EKSPOR BERDASARKAN WARNA DENGAN ARSITEKTUR MOBILENET V2 Tedi Hadi Mursid; M. Rafi Muttaqin; Agus Sunandar
PROSISKO: Jurnal Pengembangan Riset dan Observasi Sistem Komputer Vol. 12 No. 2 (2025): Prosisko Vol. 12 No. 2 Juli 2025
Publisher : Pogram Studi Sistem Komputer Universitas Serang Raya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30656/prosisko.v12i2.9124

Abstract

Manggis ( Garcinia mangostana L. ) merupakan tumbuhan yang berasal dari daerah Asia Tenggara meliputi Indonesia, Malaysia, Thailand dan Myanmar. Buah manggis memiliki rasa yang khas, banyak digemari sampai keluar negeri hingga menjadi salah satu komoditas ekspor yang sangat prospektif, dengan pangsa pasar yang tak pernah jenuh. Meskipun demikian, dalam konteks produksi buah manggis di Indonesia, terdapat permasalahan yang signifikan terkait penyortiran buah manggis setelah panen khususnya dalam hal analisis warna kulit buah secara visual oleh manusia, yang jelas memiliki keterbatasan. Oleh karena itu, mengingat urgensi permasalahan ini, penelitian lebih lanjut diperlukan sebagai langkah menuju pengembangan sistem klasifikasi yang dapat memberikan akurasi tinggi dalam menentukan tingkat kematangan buah manggis untuk produksi lokal dan ekspor. Hal ini diharapkan dapat mengoptimalkan proses penyeleksian hasil panen buah manggis. Untuk mengolah data menggunakan metode Convolutional Neural Network (CNN). CNN sendiri terdiri dari beberapa arsitektur yang salah satunya yaitu MobileNet V2, yang mana merupakan salah satu arsitektur CNN yang memiliki kemampuan yang sangat baik dalam mendeteksi objek pada gambar secara akurat dan cepat. Arsitektur ini dapat bekerja dengan menggunakan perangkat yang memiliki sumber daya yang ringan. Berdasarkan penelitian yang dilakukan dengan jumlah dataset sebesar 384 citra untuk 2 jenis manggis yaitu expor dan lokal. Dimana 307 citra digunakan untuk pelatihan dan 39 citra untuk validasi dataset. Kemudian pada proses pengujian digunakan 38 citra yang diambil secara acak sebagai data pengujian untuk masing-masing citra buah manggis. Setelah dilakukan proses pelatihan diperoleh nilai akurasi terbaik dengan 307 citra untuk data pelatihan dan 39 citra untuk data pengujian sebesar 95%.
Co-Authors Agus Sunandar Moch. Hafid Totohendarto Muhamad Kabirur Rifa Rifa Riska Dewi Yuliyanti Tedi Hadi Mursid Teguh Iman Hermanto