Article Per Year (5 Year)
p-Index From 2021 - 2026
3.792
P-Index
This Author published in this journals
All Journal Seminar Nasional Aplikasi Teknologi Informasi (SNATI) Indonesia Symposium on Computing Indonesian Journal on Computing (Indo-JC) IJoICT (International Journal on Information and Communication Technology) JURNAL MEDIA INFORMATIKA BUDIDARMA JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Building of Informatics, Technology and Science Madani : Indonesian Journal of Civil Society Charity : Jurnal Pengabdian Masyarakat Indonesian Community Journal eProceedings of Engineering Community Service Seminar and Community Engagement (COSECANT)
Agung Toto Wibowo
Telkom University
Agriculture, Biological Sciences & Forestry Arts Humanities Computer Science & IT Control & Systems Engineering Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Environmental Science Industrial & Manufacturing Engineering Public Health Social Sciences Other

Published : 38 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 20 Documents
Search
Journal : eProceedings of Engineering

 1   2 
Implementasi Dan Analisis Online – Updating Regularized Kernel Matrix Factorization Model Pada Sistem Rekomendasi Kadek Byan Prihandana Jati; Agung Toto Wibowo; Rita Rismala
eProceedings of Engineering Vol 2, No 2 (2015): Agustus, 2015
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak Faktorisasi Matriks adalah salah satu metode yang digunakan pada Sistem Rekomendasi untuk membuat sebuah model prediksi rating. Salah satu jenisnya adalah Regularized Matrix Factorization yang mampu memberikan kualitas rekomendasi yang tinggi pada sebuah sistem rekomendasi. Akan tetapi, teknik - teknik Faktorisasi Matriks bermasalah jika model pada sistem rekomendasi berupa model yang statik. Permasalahan performansi terjadi, karena proses learning data pada Faktorisasi Matriks membutuhkan waktu yang lama. Model Online dari Faktorisasi Matriks merupakan hal yang dapat memperbaiki model sebelumnya, dengan model online, waktu yang dibutuhkan untuk melakukan proses prediksi untuk user dan item yang baru, lebih cepat dibandingkan dengan model offline faktorisasi matriks. Penelitian ini berfokus dalam menganalisis dan mengimplementasikan model online dari Regularized Matrix Factorization pada sebuah sistem rekomendasi. Hasil yang diperoleh adalah kualitas prediksi rating dengan metode online – update RKMF mengungguli kualitas prediksi rating dengan metode full – retrain RKMF dengan perbedaan nilai RMSE 2% pada kondisi terbaik, dan dengan waktu prediksi yang sangat singkat. Kata kunci : faktorisasi matriks, online updating, recommender performance
Klasifikasi Genus Tanaman Anggrek Menggunakan Metode Convolutional Neural Network (cnn) M. Raihan Rafiiful Allaam; Agung Toto Wibowo
eProceedings of Engineering Vol 8, No 2 (2021): April 2021
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak Anggrek merupakan salah satu tanaman hias yang banyak dibudidayakan. Tiap genus anggrek mempunyai cara budidaya yang berbeda, sehingga para pembudidaya anggrek yang baru memulai perlu mengetahui genus dari anggrek yang akan dibudidayakannya terlebih dahulu. Namun tidak sedikit pemula yang mencoba membudidayakan anggrek tanpa ada pengetahuan dan pengalaman yang cukup, sehingga anggrek yang dibudidayakan tidak tumbuh dan berbunga dengan optimal. Dalam penelitian ini dibangun sebuah sistem yang dapat mengklasifikasi citra genus tanaman anggrek, yaitu genus Cattleya, Dendrobium, Oncidium, Phalaenopsis dan Vanda. Klasifikasi citra dilakukan dengan menggunakan metode Convolutional Neural Network (CNN). Dimana citra tanaman anggrek sebagai data input akan dilakukan proses klasifikasi sesuai dengan genusnya. Semua proses klasifikasi ini dilakukan melalui skema training dan testing, dimana tahap training menghasilkan sebuah model CNN beserta bobot (weight) yang telah diperbarui (updated), lalu tahap testing menggunakan model tersebut untuk diujikan terhadap data citra yang baru. K-Fold Cross Validation digunakan pada tahap training, lalu untuk mengevaluasi model CNN setelah dilakukan testing, digunakan Confusion Matrix. Selain itu, pada penelitian ini digunakan arsitektur CNN kustom dan MobileNetV2. Akhirnya, dari total model yang dihasilkan, didapat model terbaik dengan score akurasi testing dari lapangan sebesar 90.44% dan score akurasi testing dari internet sebesar 80.54%, serta F1-Score tertinggi sebesar 98% dari genus Dendrobium. Kata Kunci: anggrek, klasifikasi citra, convolutional neural network, k-fold cross validation, confusion matrix. Abstract Orchid is one of the ornamental plants that is widely cultivated. Each genus of orchids has different cultivation methods, so orchid cultivators who are just starting out need to know the genus of orchids they will cultivate first. However, not a few beginners who try to cultivate orchids without sufficient knowledge and experience, so the cultivated orchids do not grow and flower optimally. In this study, a system was built that could classify the image of orchid genera, namely the genus Cattleya, Dendrobium, Oncidium, Phalaenopsis and Vanda. Image classification is carried out using the Convolutional Neural Network (CNN) method. Where the image of the orchid as input data will be carried out according to the genus classification process. All of these classification processes are carried out through a training and testing scheme, where the training stage produces a CNN model and updated weights, then the testing stage uses the model to be tested against new image data. K-Fold Cross Validation is used at the training stage, then to evaluate the CNN model after testing, the Confusion Matrix is used. In addition, this research uses custom CNN architecture and MobileNetV2. Finally, from the total models produced, the best model is obtained with a testing accuracy score from the field of 90.44% and a testing accuracy score from the internet of 80.54%, and the highest F1-score of 98% from the genus Dendrobium. Keywords: orchid, image classification, convolutional neural network, k-fold cross validation, confusion matrix.
Klasifikasi Spesies Anthurium Berdasarkan Citra Daun Menggunakan Convolutional Neural Network Alfiansyah Nur Abadi; Agung Toto Wibowo
eProceedings of Engineering Vol 8, No 4 (2021): Agustus 2021
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Anthurium merupakan tumbuhan yang berasal dari keluarga Araceae. Diantara beberapa spesies milik araceae, anthurium memiliki jumlah spesies terbesar. Anthurium diperkirakan memiliki lebih dari 1000 spesies dan anggota genus Anthurium. Karena banyaknya jenis dan spesies, dalam tugas akhir ini menggunakan jenis anthurium, yang sering ditemui dan memiliki banyak peminat. Pada tugas akhir ini, kami menggunakan bahasa pemrograman Python dengan metode CNN menggunakan ResNet50 untuk pengolahan citra daun Anthurium. Model yang dibuat untuk mendeteksi dan menentukan spesies dari jenis anthurium. Dalam tugas akhir ini menggunakan dataset yang diambil menggunakan smartphone. Dalam dataset diambil setiap spesies sejumlah 800 data yang sudah diaugmentasi dan data test sejumlah 100 data per spesies. Kata Kunci: Klasifikasi, Convolutional Neural Network (CNN), ResNet50, Anthurium.
Sistem Rekomendasi Film Menggunakan Metode Hybrid Collaborative Filtering Dan Content-based Filtering Hilmi Hidayat Arfisko; Agung Toto Wibowo
eProceedings of Engineering Vol 9, No 3 (2022): Juni 2022
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak Sistem rekomendasi pada dasarnya merupakan sistem yang berguna untuk menyaring dan mengidentifikasi item berupa produk, layanan atau informasi yang memiliki potensi besar untuk dipilih, dibeli ataupun digunakan oleh pengguna. Terdapat beberapa metode yang dapat digunakan dalam membangun sistem rekomendasi, seperti collaborative filtering yang merekomendasikan item berdasar kemiripan pengguna dalam hal memilih atau memberi nilai kepada item dan content-based filtering yang merekomendasikan item berdasarkan kemiripan item dalam hal isi atau konten item yang disukai oleh pengguna. Namun perlu diketahui, masingmasing metode ini memiliki kelemahan dan kelebihan. Untuk menutupi kelemahan masingmasing metode ini, pendekatan hybrid dapat dilakukan dimana kedua metode ini digabungkan dengan harapan dapat mengurangi kelemahan dari satu metode melalui kelebihan dari satu metode lainnya dan menghasilkan rekomendasi yang lebih baik. Oleh karena itu dalam penelitian ini dilakukan pembuatan sistem rekomendasi film menggunakan metode hybrid collaborative filtering dan content-based filtering. Dalam pengujiannya, hasil rekomendasi metode ini dibandingkan dengan hasil rekomendasi ketika hanya menggunakan metode collaborative filtering saja, metode content-based filtering saja dan metode hybrid dengan kedua metode tersebut dibalik. Dapat disimpulkan bahwa hasil pengujian yang dilakukan menggunakan metode hybrid collaborative filtering dan content-based filtering menghasilkan list rekomendasi item film yang lebih baik dibandingkan 3 metode lainnya yang diujicobakan terhadap keseluruha pengguna dalam dataset pengujian. Kata kunci: sistem rekomendasi film, pendekatan hybrid, collaborative filtering, content-based filtering
Klasifikasi Genus Tanaman Anggrek Berdasarkan Citra Kuntum Bunga Menggunakan Metode Convolutional Neural Network (Cnn) Mohammad Ikhsan Syahputra; Agung Toto Wibowo
eProceedings of Engineering Vol 7, No 2 (2020): Agustus 2020
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak Keindahan bunga membuat tanaman tersebut memiliki banyak peminatnya sehingga tanaman anggrek mempunyai nilai jual yang tinggi. Banyaknya genus tanaman anggrek membuat masyarakat umum sulit untuk membedakan genus tanaman anggrek yang berjumlah kurang lebih berjumlah 900 genus tanaman anggrek. Dengan membuat sistem yang dapat mengenali dan mengklasifikasi genus tanaman anggrek akan mempermudah masyarakat umum dalam mengenali genus-genus anggrek yang mempunyai ciri khasnya masing-masing sehingga tanaman anggrek dapat dibudidayakan dengan optimal sesuai dengan ciri khas genusnya. Sistem ini dikembangkan dengan metode Convolutional Neural Network (CNN) yang dibangun menggunakan K-Fold Cross Validation untuk memvalidasi struktur model CNN, memiliki dataset sebanyak 900 data citra kuntum bunga anggrek dari empat genus anggrek yang umum dibudidayakan di Indonesia, yakni genus Cattleya, Dendrobium, Oncidium, dan Phalaenopsis dengan hasil performansi akurasi pengujian sebesar 97,00%. Kata Kunci: Klasifikasi Genus Anggrek, Convolutional Neural Network (CNN), K-Fold Cross Validation, Kuntum Bunga Anggrek, Genus Tanaman Anggrek.
Klasifikasi Genus Tanaman Sukulen Menggunakan Convolutional Neural Network Hamad Fauzi Jessar; Agung Toto Wibowo; Ema Rachmawati
eProceedings of Engineering Vol 8, No 2 (2021): April 2021
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak Tanaman sukulen merupakan jenis tanaman hias yang banyak ditemukan jenisnya di indonesia. Tanaman sukulen mempunyai banyak jenis genus yang dimana setiap genus mempunyai ciri dan karakteristik yang beragam sehingga sulit untuk mengidentifikasi jenis genus pada tanaman sukulen.Oleh karena itu, penulis membuat sebuah sistem yang dapat mengenali jenis genus tanaman sukulen melalui gambar menggunakan metode Convolutional Neural Network (CNN). CNN merupakan salah satu teknik deep learning yang dapat digunakan untuk mengenali objek dua dimensi seperti gambar dan video. CNN memiliki banyak jenis arsitektur jaringan, arsitektur jaringan CNN yang digunakan penulis untuk membangun sistem ini adalah custom arsitektur dan penulis juga menggunakan k fold cross validation yang bertujuan untuk memastikan keakuratan akurasi yang dihasilkan oleh model sistem. Penelitian dilakukan penulis dengan membandingkan antara model yang dilatih menggunakan dataset berwarna (RGB) dan model yang dilatih menggunakan dataset grayscale. Dari hasil penelitian didapatkan bahwa model yang dilatih menggunakan dataset berwarna mempunyai akurasi testing yang lebih tinggi dibandingkan dengan model yang dilatih menggunakan dataset grayscale. Akurasi testing yang dihasilkan model yang dilatih dengan dataset berwarna sebesar 93% sedangkan model yang dilatih menggunakan dataset grayscale sebesar 64%. Kata kunci : convolutional neural network, deep learning, k fold, grayscale, RGB Abstract Succulent plants are a type of ornamental plant that are found in many species in Indonesia. Succulent plants have many types of genera, where each genus has various characteristics and characteristics making it difficult to identify the type of genus in succulent plants. Therefore, the authors created a system that can recognize the types of succulent plant genera through images using the Convolutional Neural Network (CNN) method. ). CNN is a deep learning technique that can be used to recognize two-dimensional objects such as images and videos. CNN has many types of network architectures, the CNN network architecture used by the author to build this system is a custom architecture and the author also uses k fold cross validation which aims to ensure the accuracy of the accuracy generated by the system model. The research was conducted by the author by comparing the model trained using the color dataset (RGB) and the model trained using the grayscale dataset. From the results of the study, it was found that models trained using color datasets have higher accuracy than models trained using grayscale datasets, namely 93% for models with color datasets while models with grayscale datasets have 64% accuracy. Keywords: convolutional neural network, deep learning, k fold cross validation, RGB, grayscale
Sistem Rekomendasi Produk Elektronik Berbasis Collaborative Filtering Manggunakan Matrix Factorization Rajib , Ustami; Wibowo, Agung Toto
eProceedings of Engineering Vol. 12 No. 3 (2025): Juni 2025
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Sistem rekomendasi adalah suatu program yangmelakukan prediksi suatu item, dalam pembuatan sistemrekomendasi terdapat Beberapa metode yang dapat digunakandiantaranya Collaborative Filtering karena dianggap mampumemberikan saran item yang lebih akurat. pendekatanCollaborative Filtering karena dianggap mampu memberikansaran item yang lebih akurat. Pada penelitian ini akan dibuatsistem rekomendasi menggunakan 3 Algoritma Turunan MFyaitu Singular Value Decomposition (SVD), SVD++, NonNegative Matrix Factorization NMF terhadap dataset AmazonReview dengan Studi Kasus Elektronik, ini perlu diaplikasikandalam penelitian sistem rekomendasi, karena data Elektronikini mempunyai jumlah data yang sangat besar. Dalampenelitian ini akan dilakukan uji coba terhadap beberapaparameter yang meliputi n-epochs, n-factor dalam mekanisme5-fold cross-validation. Untuk menangani data yang terlalubesar, penulis melakukan random sampling sebesar 25% daritotal dataset untuk mengurangi beban komputasi. Dari hasil ujicoba didapatkan performansi rata-rata terbaik MAE = 1.0384dan RMSE = 1.3139 yaitu pada Algoritma SVD. Kata kunci— Produk Elektronik, Sistem Rekomendasi,Collaborative Filtering, Matrix Factorization, Cross Validation
Sistem Pemberi Rekomendasi Artis Berdasarkan Jumlah Interaksi Menggunakan Metode Collaborative Filtering Yuliarta, Chara Maria Emmanuel; Wibowo, Agung Toto
eProceedings of Engineering Vol. 11 No. 4 (2024): Agustus 2024
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Sistem rekomendasi adalah suatu sistem penyaringan yang bertujuan untuk memprediksi preferensi yang diberikan oleh pengguna terhadap suatu elemen tertentu, pada penelitian ini terhadap sebuah artis. Penelitian ini memiliki tujuan untuk meningkatkan hasil performansi sistem rekomendasi artis menggunakan metode collaborative filtering. Metode collaborative filtering menggunakan informasi pengguna dan artis dalam membangun rekomendasi. Dataset yang digunakan mencakup jumlah pemutaran lagu oleh pengguna. Metode collaborative filtering diimplementasikan dengan melakukan perhitungan similarity antar pengguna dan antar artis. Perhitungan similarity yang digunakan, menggunakan cosine similarity. Setelah dilakukan perhitungan kesamaan, dilakukan perhitungan weighted sum dan menghasilkan prediksi. Evaluasi performansi dihitung menggunakan MAE (Mean Absolute Error), MSE (Mean Squared Error), dan RMSE (Root Mean Squared Error). Hasil evaluasi yang didapatkan pada penelitian ini adalah MAE 9,474, MSE 52.653,40 dan RMSE 229,208 pada perbandingan 70:30. Sedangkan pada perbandingan 75:25 menghasilkan MAE 9,902, MSE 45.914,85 dan RMSE 210,017. Pada perbandingan 80:20 hasil yang didapatkan adalah MAE 10,486, MSE 48.764,51 dan RMSE 217,416. Hasil tersebut menunjukkan bahwa, semakin besar rasio data train terhadap data test, nilai MAE, MSE dan RMSE cenderung meningkat. Kata kunci: Sistem Rekomendasi, Collaborative filtering, Cosine similarity, MAE, MSE, RMSE.
Sistem Pemberi Rekomendasi Pakaian Menggunakan Metode Content-Based Filtering Ekasanjaya , Ridho Bagus; Wibowo, Agung Toto
eProceedings of Engineering Vol. 11 No. 4 (2024): Agustus 2024
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pakaian merupakan suatu yang menunjukan suatu identitas seseorang. Melalui pakaian seseorang dapat menilai suatu kepribadian, iman, profesi dan status sosial. Perkembangan teknologi menyebabkan mudahnya suatu informasi tidak terkecuali informasi mengenai trend pakaian. Hal tersebut menyebabkan banyaknya desain pakaian sehingga mempersulit memilih mana pakaian yang sesuai untuk konsumen. Oleh karena itu dibangun suatu sistem yang mempermudah calon konsumen untuk memilih pakaian. Sistem rekomendasi pakaian menggunakan metode content-based filtering akan membantu calon konsumen untuk memilih pakaian yang sesuai berdasarkan yang disukai oleh pengguna. Kata Kunci - Sistem rekomendasi; Content-based filtering; Pakaian
Anime Rekomendasi Menggunakan Collaborative Filtering Jayaperwira, Iklil; Wibowo, Agung Toto; Nurjanah, Dade
eProceedings of Engineering Vol. 10 No. 3 (2023): Juni 2023
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak-Di era digital ini orang-orang semakin mudah mendapatkan hiburan yang mereka perlukan salah satunya adalah anime[1]. Anime merupakan animasi khas dari jepang anime bisa di buat baik di gambar menggunakan tangan atau menggunakan komputer. Anime menjadi salah satu hiburan yang banyak di sukai orang-orang di dunia, hal ini bisa di lihat dari Netflix salah satu layan streaming yang besar mulai memasukkan anime ke dalam aplikasi dan situs mereka. Pada tahun 2021 sekarang terdapat kurang lebih 18350 anime baik yang sudah selesai maupun yang masih berlanjut[2]. hal ini membuat orang-orang yang sudah menyukai anime ataupun orang-orang yang baru ingin menonton anime kebingungan mencari anime yang seusai dengan selera mereka karena itulah kita memerlukan sistem rekomendasi. Sistem rekomendasi merupakan sistem yang dibuat untuk membantu pengguna mendapatkan rekomendasi sebuah barang/informasi yang pengguna sukai/butuhkah dari banyaknya barang ataupun informasi yang ada. Rekomendasi yang di berikan di harapkan bisa memberikan bantuan pada pengguna untuk dapat menentukan pilihan yang akan di ambil. Dalam sistem rekomendasi sendiri terdapat banyak metode yang bisa di gunakan salah satunya adalah metode collaborative filtering yang di gunakan untuk mencari kesamaan item/ barang yang di carik oleh user lain[3] dengan algoritma yang digunakan adalah KNNWithMeans yang berupakan salah satu basic algoritma collaborative filtering[4], [5].Pada penelitian ini dilakukan tiga skenario pengujian yang bergguna untuk mendapatkan hasil rekomendasi terbaik dengan melakukan pengukuran MAE dan NDCG.Dapat di simpulkan metode collaboratif filtering dengan menggunakan algoritma KNNWithMeans mendapatkan rekomendasi yang cukup akurat dengan hasil MAE terbaik sebesar 0.8989 dan NDCG sebesar 0.2028.Kata kunci-sistem rekomendasi, collaborative filtering
Co-Authors Ade Romadhony Ahmad Indra Nurfauzi Akbar, Yoan Amri Alfiansyah Nur Abadi Anditya Arifianto Arie Lasaprima Armadhani Hiro Juni Permana Juni Permana Asriyanti Indah Pratiwi Bambang Pudjoatmodjo Bambang Pudjotatmodjo Bedy Purnama Bobby Brillian Yerikho Dade Nurjanah Dodi Wisaksono Sudiharto Ekasanjaya , Ridho Bagus Ema Rachmawati Ema Rachmawati Ema Rachmawaty Ergandara Purba Setra Erwin Budi Setiawan Fat'hah Noor Prawira Fat’hah Noor Prawira Fat’hah Noor Prawira Fazmah Arif Yulianto Gia Septiana Gia Septiana Wulandari Hafiz Dewanto Hamad Fauzi Jessar Hani Nurrahmi Hilda Fahlena Hilmi Hidayat Arfisko Jayaperwira, Iklil Jody Jody Juni Permana, Armadhani Hiro Juni Permana Kadek Byan Prihandana Jati Kadek Byan Prihandana Jati M. Raihan Rafiiful Allaam Mahmud Dwi Sulistiyo Mohammad Ikhsan Syahputra Muhamad Elang Ramadhan Muhammad Arzaki Muhammad Bayu Samudra Siddik Muhammad Hanif Oktavianto Muhammad Khiyarus Syiam Niken Sylvia Puspitasari Nur Ghaniaviyanto Ramadhan Oddy Virgantara Putra Pradana, Muhammad Aryuska Pratama Juliantono Taufiq Prawita, Fat’hah Noor Putu Harry Gunawan Rajib , Ustami Rimba Whidiana Ciptasari Rita Rismala Rudy Prabowo Selly Meliana Trisnaningrum, Niken Untari Novia Wisesty Wahyu Rismawan Warih Maharani Yoan Amri Akbar Yuliarta, Chara Maria Emmanuel Yulisna Gita Hapsari ZK Abdurahman Baizal Zulkifli Zulkifli