Article Per Year (5 Year)
p-Index From 2020 - 2025
0.444
P-Index
This Author published in this journals
All Journal Jurnal Informatika dan Teknik Elektro Terapan JUTIS : Jurnal Teknik Informatika
Shahab, Muhammad Syaugi
Unknown Affiliation
Computer Science & IT

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Pengukuran Validitas Website “mengundangkamu.online” Menggunakan SPSS dengan Kombinasi Metode R-Table dan Coehn’s Cappa Parlika, Rizky; Shahab, Muhammad Syaugi; Nurilhaq, Muhammad Sabilli; Firmansyah, Fahrul; Prayoga, Julio Cahya
JURNAL TEKNIK INFORMATIKA UNIS Vol. 10 No. 1 (2022): Jutis (Jurnal Teknik Informatika)
Publisher : Universitas Islam Syekh Yusuf

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33592/jutis.v10i1.2624

Abstract

In this study, the validity test was carried out on the website "inviting you.online" by calculating the validity value of the respondents' answers to the questionnaire to determine the level of operational feasibility of the website. Meanwhile, the questions from the questionnaire are the attributes contained on the website with a sample of 30 students and college students in the East Java region randomly and when the research was conducted in July 2022. From the results of processing the questionnaire data using SPSS by applying the method R-Table and the combination of Coehn's Cappa, then the R-Table method obtained the percentage of validity of 100% and invalidity of 0%. Then, with the combination of the Coehn's Cappa method, a value of 0.737 was obtained with a significant value of 0.016, which is where the level of strength of the appraiser's agreement on the website is moderate.
KLASIFIKASI CITRA PLANKTON DENGAN ALGORITMA HIBRIDA CONVOLUTIONAL NEURAL NETWORK DAN EXTREME LEARNING MACHINE Shahab, Muhammad Syaugi; Junaidi, Achmad; Sihananto, Andreas Nugroho
Jurnal Informatika dan Teknik Elektro Terapan Vol 12, No 3S1 (2024)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v12i3S1.5219

Abstract

Penelitian ini bertujuan untuk meningkatkan akurasi dalam klasifikasi plankton secara otomatis dengan pendekatan hibrida CNN-ELM. Menggunakan Convolutional Neural Network (CNN) untuk ekstraksi fitur dan Extreme Learning Machine (ELM) sebagai pengklasifikasi, model ini dirancang untuk mengatasi tantangan citra plankton yang buram, dataset kecil, dan ketidakseimbangan kelas. SMOTE digunakan untuk menangani ketidakseimbangan data. Dari implementasi SMOTE dengan metode interpolasi, permasalahan ketidakseimbangan kelas berhasil diatasi dengan menjadikan jumlah data latih sama rata untuk setiap kelas. Dari hasil pengujian, konfigurasi dengan 32 filter dan 2000 hidden node serta 64 filter dan 2000 hidden node memberikan performa terbaik dengan akurasi 97,78%. Sebaliknya, model dengan 64 filter dan 4000 hidden node menunjukkan performa terendah dengan akurasi 82,78% yang diakibatkan overfitting. Analisis confusion matrix mengungkapkan kinerja tinggi pada beberapa kelas plankton, namun masih kesalahan klasifikasi sering terjadi pada kelas seperti Alexandrium, Noctiluca, dan Nitzschia. Temuan ini menunjukkan bahwa konfigurasi dengan filter dan node yang lebih kompleks tidak selalu menghasilkan kinerja lebih baik. Penelitian ini diharapkan dapat mendukung pengambilan keputusan di bidang kelautan.
Co-Authors Achmad Junaidi Andreas Nugroho Sihananto Firmansyah, Fahrul Nurilhaq, Muhammad Sabilli Prayoga, Julio Cahya Rizky Parlika, Rizky