Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Decode: Jurnal Pendidikan Teknologi Informasi
Wayan Oger Vihikan
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Education Languange, Linguistic, Communication & Media Other

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

Found 2 Documents
Search

 1 
Sistem Rekomendasi Skincare Menggunakan Metode Content Based Filtering dan Collaborative Filtering Yanisa Putri, Komang Sri; I Made Agus Dwi Suarjaya; Wayan Oger Vihikan
Decode: Jurnal Pendidikan Teknologi Informasi Vol. 4 No. 3: NOVEMBER 2024
Publisher : Program Studi Pendidikan Teknologi Infromasi UMK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51454/decode.v4i3.601

Abstract

Seiring berjalannya waktu, setiap orang akan mengikuti perkembangan zaman yang semakin modern dalam segala hal terutama dalam hal perawatan kesehatan kulit wajah yang mengakibatkan kebutuhan akan produk perawatan kulit sangat diperlukan. Meningkatnya penggunaan teknologi digital dan maraknya berbagai macam jenis skincare membuat sistem rekomendasi produk skincare menjadi semakin penting. Sistem rekomendasi untuk pemilihan skincare ini dibuat untuk dapat merekomendasikan skincare yang cocok dengan tipe wajah pengguna serta kandungan yang sesuai dengan kulit wajah pengguna berdasarkan preferensi dari pengguna lain. Terdapat beberapa metode untuk implementasi dari sistem rekomendasi, yakni menggunakan metode Hybrid Filtering dengan mengkombinasikan Content Based Filtering yang diimplementasikan dengan pembobotan TF-IDF dan Collaborative Filtering yang diimplementasikan menggunakan algoritma Convolutional Neural Network (CNN). Pengujian metode Hybrid Filtering dilakukan dengan menghitung banyaknya jumlah relevan dari hasil rekomendasi berdasarkan input pengguna yang dikumpulkan dengan metode survei. Pada pengujian metode Hybrid Filtering menunjukkan bahwa rata-rata nilai precision terbesar dengan menampilkan top 5 produk hasil rekomendasi dengan nilai precision sebesar 0.776 dibandingan dengan menampilkan 10 sampai dengan 15 produk hasil rekomendasi. Untuk mengukur tingkat kepuasan terhadap hasil sistem rekomendasi dari pengguna pada penelitian ini dihitung dengan metode CSAT yang dimana skor CSAT dari hasil survei kepada pengguna sebesar 80% yang tergolong dalam ‘Excellent CSAT’.
Implementasi Metode YOLOv8 Pada Mobile Apps Untuk Klasifikasi Kain Endek Bali Rahaditya Kusuma, Nyoman Tri; I Made Agus Dwi Suarjaya; Wayan Oger Vihikan
Decode: Jurnal Pendidikan Teknologi Informasi Vol. 4 No. 3: NOVEMBER 2024
Publisher : Program Studi Pendidikan Teknologi Infromasi UMK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51454/decode.v4i3.610

Abstract

Seiring dengan kemajuan teknologi dan era yang semakin modern mengakibatkan kebudayaan kain tenun endek di Bali kurang diperhatikan dan dilestarikan oleh masyarakat setempat. Nyatanya banyak masyarakat yang tidak mengenali berbagai corak dari kain tenun endek Bali karena kurangnya perhatian dari masyarakat utamanya anak generasi muda. Hal ini jelas menjadi perhatian sehingga perlu dibuat klasifikasi yang jelas untuk mengedukasi dengan mudah kepada masyarakat terkait motif kain endek Bali. Penelitian yang dibangun diimplementasikan dengan model YOLOv8 menggunakan Bahasa Pemrograman Python sehingga dapat mendeteksi motif dari kain endek dengan akurat pada mobile apps yang dibuat menggunakan Android Studio. Sebelum melakukan implementasi pada Android Studio, perlu dilakukan analisis dan evaluasi terlebih dahulu pada model YOLOv8 sehingga bisa memberikan hasil deteksi yang maksimal dengan menggunakan dataset dari gambar kain endek yang telah dilakukan augmentasi dan anotasi dengan total dataset sebanyak 1.524 data gambar kain endek. Evaluasi yang dilakukan pada model YOLOv8 dengan menghitung nilai precission, recall, mAP50, mAP50-95. Hasil evaluasi menunjukkan bahwa model YOLOv8 menghasilkan precision dengan nilai 0.943, recall dengan nilai 0.954, 0.956 untuk nilai tertinggi pada mAP50, serta 0.8 untuk nilai tertinggi pada mAP50-95, yang sudah bagus untuk mendeteksi motif dari kain endek untuk kemudian diimplementasikan pada mobile apps.
Co-Authors I Made Agus Dwi Suarjaya Rahaditya Kusuma, Nyoman Tri Yanisa Putri, Komang Sri