Claim Missing Document
Check
Articles

Found 6 Documents
Search

Klasifikasi Jenis Tanaman Fast Growing Species Menggunakan Algoritma Radial Basis Function Berdasarkan Citra Daun Nuraini, Rini; Harlena, Silvia; Amalya, Farida; Ariestiandy, Deny
Building of Informatics, Technology and Science (BITS) Vol 4 No 4 (2023): March 2023
Publisher : Forum Kerjasama Pendidikan Tinggi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/bits.v4i4.3245

Abstract

Indonesia has vast forests, even ranked as the third largest forest in the world. However, currently many forest areas have been deforested or the phenomenon of losing tree cover and forest areas. Forest rehabilitation programs develop by prioritizing plant or tree species that have fast growth or are called fast growing species. However, many people do not know about these fast growing species. Even though knowledge about the types of fast growing plant species is very important for the community to have so that the community can find out which plants can accelerate forest rehabilitation. Fast growing species of plants can actually be identified from the shape of the leaves. This study aims to build a classification model for fast growing species plant images based on leaf images by applying the Radial Basis Function (RBF) artificial neural network algorithm with morphological feature extraction. Morphological feature extraction is used to identify the shape of an object in order to obtain feature values based on predetermined parameters. These features then become input for the RBF artificial neural network to obtain learning patterns. The RBF network has three layers that are feedforward so that it can support solving classification or pattern recognition problems. Based on the results of accuracy testing, an accuracy value of 87.50% was obtained. This means that the Radial Basis Function (RBF) neural network is able to classify fast growing plant species based on leaf images.
Upaya Peningkatan Kemudahan Pemilihan Lokasi Kampus bagi Calon Mahasiswa Universitas Gunadarma melalui Aplikasi UG Zonasi Hidayat, Ahmad; Amalya, Farida; Ningrum, Witta Listiya
Jurnal Pengabdian Masyarakat dan aplikasi Teknologi Vol. 1, No. 2: August 2022
Publisher : Institut Teknologi Adhi Tama Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31284/j.adipati.2022.v1i2.3157

Abstract

Universitas Gunadarma merupakan salah satu universitas swasta yang memiliki 24 lokasi kampus dan tersebar di wilayah Depok, Bekasi, Jakarta dan Tangerang. Setiap tahunnya, Universitas Gunadarma membuka pendaftaran umum bagi calon mahasiswa. Pada tahap pendaftaran calon mahasiswa baru, terdapat keluhan yang disampaikan dari sebagian besar calon mahasiswa maupun orang tua peserta tidak mengetahui posisi lokasi kampus Universitas Gunadarma mana yang ingin dituju. Calon mahasiswa yang akan mendaftar di Universitas Gunadarma, membutuhkan data rekomendasi kampus mana yang baiknya dipilih berdasarkan jarak terdekat dengan lokasi tempat tinggal. Pada pengabdian masyarakat ini tim pelaksana membuatkan aplikasi berbasis web dalam bentuk sistem informasi geografis dan sistem rekomendasi penghitungan jarak garis lurus dari tempat tinggal calon mahasiswa ke seluruh lokasi kampus Universitas Gunadarma di Jabodetabek. Upaya ini dilakukan untuk menjembatani antara calon mahasiswa dengan Universitas Gunadarma sebagai penunjang kebutuhan dari keduanya. Tahapan yang dilakukan dalam proses pembuatan aplikasi menggunakan model Extreme Programming (XP), dan menghasilkan aplikasi berbasis web serta dilakukan implementasi langsung.
Evaluasi Kinerja SVM dan Logistic Regression pada Data Multiclass dalam Analisis Sentimen Film Dirty Vote dengan Metode Pelabelan Lexicon Based Sintawati, Andini; Amalya, Farida; Hidayat, Ahmad; Supyan, Nur Muhammad
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 4 No. 2 (2025): Mei - Juli
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v4i2.576

Abstract

Pada 11 Februari 2024, saluran Youtube Dirty Vote dan PSHK Indonesia merilis film berjudul Dirty Vote yang menuai perdebatan masyarakat. Dalam rangka mengetahui sentimen masyarakat, dilakukan analisis sentimen. Analisis sentimen merupakan metode untuk mengkategorikan sentimen dengan melibatkan Natural Language Processing (NLP) dan algoritma machine learning, seperti Support Vector Machine (SVM) dan Logistic Regression. Penelitian sebelumnya telah membandingkan kedua algoritma tersebut dalam melakukan analisis sentimen pada dua atau tiga kategori. Namun, pada penelitian tiga kategori SVM hanya dilatih dan diuji dengan kernel RBF. Oleh karena itu, dilakukan penelitian untuk membandingkan nilai akurasi model SVM dan Logistic Regression dalam mengklasifikasikan sentimen film Dirty Vote. SVM dilatih dan diuji menggunakan tiga kernel, yaitu Polynomial, RBF, dan Sigmoid. Penelitian ini menggunakan tahapan-tahapan NLP dengan menggunakan data sebanyak 3.500 yang berasal dari proses scraping film Dirty Vote. Data digolongkan menjadi tiga kategori, yaitu sentimen negatif sebesar 36,31%, sentimen positif sebesar 31,95%, dan sentimen netral sebesar 31,74%. Data tersebut dibagi menjadi data latih dan data uji dengan rasio 90:10, 80:20, 70:30. Dari penelitian ini, diperoleh hasil rata-rata akurasi untuk ketiga kernel SVM dan Logistic Regression. Hasil penelitian menunjukan nilai akurasi tertinggi diperoleh oleh algoritma SVM dengan kernel RBF sebesar 77%, diikuti oleh Logistic Regression sebesar 76%, kernel Sigmoid sebesar 75%, dan kernel Polynomial sebesar 65%.
KLASIFIKASI CITRA ANJING DAN SERIGALA MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN) Hidayat, Ahmad; Alindra, Zafira; Amalya, Farida
UG Journal Vol 18, No 6 (2024)
Publisher : Universitas Gunadarma

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

Abstract

Deep learning merupakan cabang dari machine learning dengan pengaplikasian berupacomputer vision yang salah satu tugasnya adalah klasifikasi citra menggunakan metodeConvolutional Neural Network (CNN). Arsiktektur CNN terdiri dari 3 layer yaituconvolutional layer, pooling layer, dan fully connected layer. Salah satu opsi yang dapatdimanfaatkan adalah mengetahui jenis spesies lewat pengamatan fisik yang mampudiimplementasikan melalui teknologi computer vision dengan mengumpulkan foto anjingdan serigala kemudian dilakukan validasi dari data tersebut agar mampu membantudalam pengambilan keputusan serta memberikan edukasi kepada masyarakat.Klasifikasi citra dilakukan pada dataset anjing dan serigala dengan tahapan persiapandata, preprocessing data, pembangunan model, pengujian model, dan publikasi. Modeldibangun dengan 2 convolutional layer, 2 pooling layer, dan 2 fully connected layer.Data citra berjumlah 2000 yang terdiri atas dua kelas dengan menerapkan augmentasiuntuk mempebesar dataset. Hasil pengujian model pada 2000 data citra anjing danserigala didapatkan akurasi sebesar 73.1%.
Pengembangan Aplikasi Klasifikasi Makanan Dengan Metode Transfer Learning Menggunakan MobilenetV2 dan Integrasi Api Nutrisi Berbasis Web Hidayat, Ahmad; Ash-Shiddiq , Faqih Syarif; Amalya, Farida
Innovative: Journal Of Social Science Research Vol. 4 No. 6 (2024): Innovative: Journal Of Social Science Research
Publisher : Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/innovative.v4i6.16492

Abstract

Penelitian ini mengembangkan aplikasi berbasis web dengan Streamlit yang mengklasifikasikan jenis makanan dari gambar menggunakan metode transfer learning, salah satu teknik machine learning, dengan model MobileNetV2. Aplikasi ini juga mengintegrasikan API Ninjas Nutrition untuk menampilkan rincian nutrisi dan menilai status kesehatan makanan sesuai dengan parameter yang telah ditetapkan. Model dilatih menggunakan dataset Food-101 yang disesuaikan, dengan menghapus kelas yang tidak dapat dipanggil oleh API dan memiliki akurasi rendah, menghasilkan 38.000 gambar dalam 76 kelas untuk pelatihan, validasi, dan pengujian. Evaluasi model menunjukkan akurasi keseluruhan sebesar 60%, dengan beberapa kelas makanan diidentifikasi dengan f1-score tinggi, namun terdapat juga kelemahan pada beberapa kelas lainnya. Data nutrisi yang diperoleh melalui API mencakup lemak total, lemak jenuh, natrium, kolesterol, dan gula, yang digunakan untuk menilai status kesehatan makanan berdasarkan pedoman WHO, AHA, UCSF, dan HaloDoc. Aplikasi ini telah di-deploy dan dapat diakses melalui https://web-prediksi-makanandannutrisinya.streamlit.app. Hasil pengujian menggunakan System Usability Scale (SUS) menunjukkan skor rata-rata 89,5 yang berarti B atau “excellent” dari 10 responden, mencerminkan tingkat aksesibilitas dan kenyamanan yang sangat baik.
Klasifikasi Buah Berkhasiat Obat Dengan Algoritme Euclidean Distance Menggunakan Ekstraksi Ciri Bentuk dan Tekstur Amalya, Farida; Harlena, Silvia
Jurnal Informatika: Jurnal Pengembangan IT Vol 7, No 2 (2022)
Publisher : Politeknik Harapan Bersama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30591/jpit.v7i2.3688

Abstract

Mengonsumsi buah sangat dianjurkan karena mengandung vitamin, mineral, serta serat yang dibutuhkan oleh tubuh. Selain itu, ternyata buah-buahan dapat menjadi obat dan mencegah dari berbagai penyakit. Berdasarkan kajian riset secara empiris menunjukkan bahwa buah memiliki kandungan yang yang dapat menjadi obat bagi tubuh manusia. Akan tetapi, pengetahuan mengenai khasiat buah sebagai obat belum tersebar ke banyak orang. Buah-uahan yang berkhasiat obat dapat dikenali jika dilihat dari bentuk dan teksturnya. Penelitian ini bertujuan untuk melakukan klasifikasi jenis buah berkhasiat obat menggunakan euclidean distance dengan ekstraksi ciri bentuk dan tekstur. Proses ekstraksi ciri dilakukan agar dapat mengidentifikasi informasi dari ciri-ciri yang terdapat pada sebuah citra. Ekstraksi ciri bentuk didapatkan berdasarkan nilai metric dan eccentricity. Untuk ekstraksi ciri tekstur digunakan Gray Level Co-occurence Matrix (GLCM). Sedangkan proses klasifikasi menggunakan euclidean distance yang memiliki fungsi sebagai penentu tingkat kemiripan dari beberapa citra berdasarkan jarak eucliedean. Berdasarkan evaluasi model dengan menggunakan uji akurasi memperlihatkan bahwa model yang dikembangkan memiliki tingkat akurasi mencapat 83,33%. Hasil tersebut menunjukkan model yang dikembangkan mampu melakukan klasifikasi dengan baik.