Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal INFOMATEK: Jurnal Informatika, Manajemen dan Teknologi Smart Techno (Smart Technology, Informatic and Technopreneurship)
Musyaffa, Abdurrozzaq
Unknown Affiliation
Computer Science & IT Environmental Science Industrial & Manufacturing Engineering Mechanical Engineering

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

Found 2 Documents
Search

 1 
Implementation of DeepFace for Gender Prediction Based on Facial Images Wijaya, Aditya; Dwi Langit, Sadam; Musyaffa, Abdurrozzaq
Smart Techno (Smart Technology, Informatics and Technopreneurship) Vol. 8 No. 1 (2026)
Publisher : Primakara University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59356/smart-techno.v8i1.182

Abstract

This study evaluates the performance of a pretrained DeepFace model for gender classification based on facial images using the UTKFace dataset. A total of 100 facial images were employed as test data, consisting of 50 male and 50 female samples selected through controlled random sampling to maintain class balance. Image preprocessing was conducted automatically using the DeepFace.analyze() function, which includes face detection, alignment, size normalization, and facial cropping. The study did not involve model retraining and relied solely on the inference capability of the pretrained DeepFace model. The experimental results show that the model correctly classified 45 male and 44 female images, achieving accuracies of 90% and 88% for the male and female classes, respectively, with an overall accuracy of 89%. Confusion matrix analysis indicates that misclassifications were primarily influenced by image quality factors such as lighting variations, camera angles, and facial expressions. Overall, the findings demonstrate that DeepFace is effective for gender classification without retraining; however, further improvements in preprocessing techniques and dataset diversity may enhance classification performance in future research.
Implementasi K-Nearest Neighbor untuk Klasifikasi Tingkat Kemiskinan Sebagai Pendukung Pengambilan Keputusan Sosial di Indonesia Juanuari, Juanuari; Manzis, Ilham; Musyaffa, Abdurrozzaq; Ngara, Simson Mali; Syahla, Haura; Putra, Jordy Lasmana
INFOMATEK Vol 28 No 1 (2025): Juni 2026 (In Progress)
Publisher : Fakultas Teknik, Universitas Pasundan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23969/infomatek.v28i1.26866

Abstract

Kemiskinan tetap menjadi tantangan utama dalam pembangunan berkelanjutan di Indonesia, yang diperparah oleh kurangnya sistem identifikasi presisi untuk penyaluran bantuan sosial. Penelitian ini bertujuan untuk mengevaluasi efektivitas algoritma K-Nearest Neighbor (KNN) dalam mengklasifikasikan tingkat kemiskinan di 514 kabupaten/kota di Indonesia guna mendukung pengambilan keputusan kebijakan sosial yang lebih tepat sasaran. Metode yang digunakan mencakup analisis dataset dengan 12 atribut indikator sosial-ekonomi, seperti Indeks Pembangunan Manusia (IPM) dan akses sanitasi. Tahapan pra-pemrosesan data melibatkan normalisasi min-max untuk menyelaraskan skala fitur yang heterogen serta teknik Synthetic Minority Oversampling Technique (SMOTE) untuk mengatasi ketidakseimbangan distribusi kelas antara kategori "Miskin" dan "Tidak Miskin". Model divalidasi menggunakan metode 10-fold cross-validation dengan menguji variasi parameter k (3, 5, dan 7) melalui perangkat lunak RapidMiner. Hasil eksperimen menunjukkan bahwa algoritma KNN dengan parameter k=3 menghasilkan performa paling optimal dengan tingkat akurasi sebesar 89,88%. Meskipun presisi untuk kelas minoritas (miskin) tercatat sebesar 55,00%, model ini mampu mencapai nilai recall yang sangat tinggi, yakni 88,71%, serta rata-rata tertimbang F1-score sebesar 93,45%. Tingginya nilai recall menunjukkan kemampuan model dalam mendeteksi mayoritas penduduk miskin secara akurat, sehingga meminimalkan risiko pengabaian bantuan sosial. Penelitian ini menyimpulkan bahwa integrasi normalisasi dan SMOTE pada algoritma KNN secara signifikan meningkatkan sensitivitas model dalam mengidentifikasi kelompok rentan. Penggunaan model ini dianggap layak untuk kebijakan sosial inklusif karena lebih mengutamakan pengurangan kesalahan pengabaian (false negative). Namun, terdapat keterbatasan pada penggunaan data agregat wilayah yang berisiko memicu ecological fallacy. Untuk penelitian mendatang, disarankan penggunaan data tingkat rumah tangga yang lebih mikro serta integrasi indikator multidimensi yang lebih luas guna meningkatkan presisi identifikasi individu
Co-Authors Dwi Langit, Sadam Jordy Lasmana Putra Juanuari, Juanuari Manzis, Ilham Ngara, Simson Mali Syahla, Haura Wijaya, Aditya