Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Jurnal Edukasi dan Penelitian Informatika (JEPIN) Malcom: Indonesian Journal of Machine Learning and Computer Science
Malino, Agniel Lorensyus
Unknown Affiliation
Computer Science & IT Education

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

Found 2 Documents
Search

 1 
Analisis Perbandingan Kinerja Algoritma K-NN dan K-Means untuk Sistem Rekomendasi Mouse Gaming : Comparative Performance Analysis of K-NN and K-Means Algorithms for Gaming Mouse Recommendation System Aras, Suhardi; Malino, Agniel Lorensyus; Paliyama, Yuchiro Heizkia Reenhard; Ramadhan, Ridho Bintang
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 5 No. 4 (2025): MALCOM October 2025
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v5i4.2160

Abstract

Kebutuhan akan perangkat keras seperti mouse untuk bermain gim yang mendukung performa meningkat seiring dengan pertumbuhan industri gim dan teknologi digital. Fitur seperti DPI tinggi, tombol makro, sensor presisi, dan desain ergonomis menjadi daya tarik utama bagi pengguna. Namun, banyaknya variasi produk membuat konsumen kesulitan memilih mouse yang sesuai dengan preferensi mereka. Penelitian ini bertujuan untuk membangun sistem rekomendasi mouse gaming berbasis pembelajaran mesin dengan membandingkan dua algoritma, yaitu K-Nearest Neighbor (K-NN) dan K-Means. Metode penelitian meliputi pengumpulan data dari Kaggle, preprocessing data (pembersihan, normalisasi), reduksi dimensi dengan PCA, pengelompokan menggunakan K-Means, serta klasifikasi menggunakan K-NN dengan penerapan SMOTE untuk mengatasi ketidakseimbangan kelas. K-NN, sebagai algoritma supervised learning, memanfaatkan kedekatan antar data untuk menentukan label, sedangkan K-Means merupakan algoritma unsupervised yang mengelompokkan data berdasarkan kemiripan fitur. Evaluasi dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil menunjukkan bahwa K-Means efektif dalam segmentasi produk, sementara K-NN memberikan akurasi tinggi dalam klasifikasi. Kombinasi keduanya menghasilkan sistem rekomendasi yang lebih akurat dan relevan bagi pengguna.
Sistem Pakar Deteksi APD Menggunakan Convolutional Neural Network Dan Pelatihan K3 Berbasis Natural Language Processing Yusuf, Muhammad; Faroek, Dewi Astria; Malino, Agniel Lorensyus; Paliyama, Yuchiro Heizkia Reenhard
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol. 12 No. 1 (2026): Volume 12 No 1
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v12i1.104360

Abstract

Pengawasan penggunaan Alat Pelindung Diri (APD) merupakan aspek penting dalam penerapan Keselamatan dan Kesehatan Kerja (K3), khususnya pada lingkungan kerja berisiko tinggi. Namun, proses pengawasan masih banyak dilakukan secara manual sehingga berpotensi menimbulkan kelalaian dan meningkatkan risiko kecelakaan kerja. Penelitian ini bertujuan mengembangkan sistem pakar berbasis web yang mampu mendeteksi kelengkapan APD secara otomatis serta menyediakan edukasi K3 secara interaktif. Sistem yang diusulkan memanfaatkan pendekatan Computer Vision menggunakan Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2 untuk mendeteksi enam jenis APD, yaitu helm, kacamata pelindung, wearpack, full body harness, sarung tangan, dan sepatu keselamatan. Pendekatan klasifikasi multilabel digunakan karena dalam satu citra pekerja dapat mengenakan lebih dari satu jenis APD secara bersamaan. Dataset yang digunakan terdiri dari 200 citra pekerja yang dibagi menjadi data pelatihan, validasi, dan pengujian dengan rasio 70%, 15%, dan 15%. Hasil pelatihan menunjukkan performa model yang stabil dengan nilai akurasi pelatihan sebesar 0,8861 dan akurasi validasi sebesar 0,8656. Evaluasi menggunakan metrik precision, recall, dan F1-score menghasilkan nilai micro-average sebesar 0,92 dan macro-average sebesar 0,91. Hasil deteksi visual kemudian diproses menggunakan metode Forward Chaining untuk menentukan status kelengkapan APD secara otomatis berdasarkan aturan keselamatan kerja. Selain itu, sistem dilengkapi dengan chatbot berbasis Natural Language Processing (NLP) sebagai media edukasi interaktif. Hasil penelitian menunjukkan bahwa sistem mampu meningkatkan efektivitas pengawasan serta memberikan edukasi keselamatan kerja secara lebih akurat, konsisten, dan interaktif.
Co-Authors Aras, Suhardi Dewi Astria Faroek Muhammad Yusuf Paliyama, Yuchiro Heizkia Reenhard Ramadhan, Ridho Bintang