Articles
40 Documents
Search results for
, issue
"Vol 20, No 2: Agustus 2024"
:
40 Documents
clear
<![CDATA[Analisis Sentimen Komentar Youtube Terhadap Ceramah Ning Umi Laila Sindir Rhoma Irama Menggunakan Algoritma LSTM ]]>
<![CDATA[Putra, Septian Ade]]>;
<![CDATA[Gata, Windu]]>
<![CDATA[ Progresif: Jurnal Ilmiah Komputer Vol 20, No 2: Agustus 2024 ]]>
Publisher : <![CDATA[STMIK Banjarbaru ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.35889/progresif.v20i2.1937
<![CDATA[Indonesian people utilize social media such as YouTube not only for entertainment, but also as a medium for education and da'wah, similar to Nen Umi Laila. This research aims to analyze the sentiment towards Neng Umi Laila's video “Kepleset†Ghibahin Rhoma Irama using the LSTM algorithm. The data used are 1108 comments on the video. LSTM was chosen because of its accuracy and ability to handle small amounts of data. This research method is comparable to deep learning in terms of prediction accuracy. The original data set consisted of 805 comments from April 13 to 15, 2024, resulting in 1. 108 comments after cleaning and preprocessing. The evaluation results show that the accuracy of managing YouTube comment data using the LSTM algorithm is 96%. Find and download a suitable dataset for the research topic from data repositories like Kaggle, UCI Machine Learning Repository, or Google Dataset Search.Keyword: Sentiment Analysis; YouTube; Long short-term memory Algorithm  AbstrakMasyarakat Indonesia memanfaatkan media sosial seperti YouTube tidak hanya untuk rekreasi dan sebagai media pendidikan dan dakwah, serupa dengan Nen Umi Laila. Tujuan penelitian ini adalah untuk menganalisis sentimen terhadap video Neng Umi Laila "Kepleset" Ghibahin Rhoma Irama menggunakan algoritma Long short-term memory (LSTM). Data yang digunakan adalah 1108 komentar pada video tersebut. LSTM dipilih karena keakuratan dan kemampuannya menangani data dalam jumlah kecil. Metode penelitian ini sebanding dengan deep learning dalam hal akurasi prediksi. Kumpulan data asli terdiri dari 805 komentar dari 13 hingga 15 April 2024, menghasilkan 1.108 komentar setelah pembersihan dan prapemrosesan. Hasil evaluasi menunjukkan akurasi pengelolaan data komentar YouTube menggunakan algoritma LSTM sebesar 96%.Kata kunci: Analisis sentimen, YouTube, Long Short-Term Memory]]>
<![CDATA[Sistem Informasi Pengelolaan Alumni Program Studi Teknik Informatika Universitas Muhammadiyah Magelang ]]>
<![CDATA[Pangestu, Alvian Agung]]>;
<![CDATA[Yudatama, Uky]]>;
<![CDATA[Nugroho, Setiya]]>
<![CDATA[ Progresif: Jurnal Ilmiah Komputer Vol 20, No 2: Agustus 2024 ]]>
Publisher : <![CDATA[STMIK Banjarbaru ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.35889/progresif.v20i2.2204
<![CDATA[Universities need information about alumni data such as, graduation year, start date of work, type of job, and other information that is closely related to alumni. Informatics Engineering S1 Universitas Muhammadiyah Magelang still has obstacles in processing alumni data related to the needs of study program accreditation. The goal is to develop a web-based information system that can automatically perform several calculations related to the needs of study program accreditation. The Waterfall model is applied for system development, UML as a tool for documenting and designing the system, PHP as a programming language and MySQL as its database. The result is a web-based alumni management information system for the Informatics Engineering study program at Universitas Muhammadiyah Magelang. The information system was created to make it easier for study programs to manage alumni data that previously still applied conventional techniques and make it easier to find alumni information.Keywords: Information system,; Web-based; Alumni; Waterfall AbstrakPerguruan tinggi membutuhkan informasi mengenai data alumni seperti, tahun kelulusan, tanggal mulai bekerja, jenis pekerjaan, dan informasi lain yang sangat erat kaitannya dengan para alumni. Teknik Informatika S1 Universitas Muhammadiyah Magelang masih memiliki kendala dalam mengolah data alumni yang kaitannya untuk keperluan akdreditasi program studi. Tujuannya yakni mengembangkan sebuah sistem informasi berbasis web yang secara otomatis bisa melakukan beberapa perhitungan terkait keperluan akreditasi program studi. Model Waterfall diterapkan guna pengembangan sistem, UML selaku alat untuk mendokumentasikan beserta merancang sistem, PHP selaku bahasa pemrograman dan MySQL selaku databasenya. Hasilnya ialah suatu sistem informasi pengelolaan alumni program studi teknik informatika universitas muhammadiyah magelang berbasis web. Sistem informasi yang dibuat agar mempermudah program studi untuk mengelola data alumni yang sebelumnya masih menerapkan teknik yang konvensional dan mempermudah dalam mencari informasi alumni.Kata Kunci: Sistem informasi,; Berbasis Web; Alumni; Waterfall]]>
<![CDATA[Optimasi Sistem Smart Parking Menggunakan Metode YOLO dan Algoritma A*(A-star) ]]>
<![CDATA[Sukaca, Alfandharu]]>;
<![CDATA[Ningsih, Dewi Handayani Untari]]>;
<![CDATA[Zuliarso, Eri]]>
<![CDATA[ Progresif: Jurnal Ilmiah Komputer Vol 20, No 2: Agustus 2024 ]]>
Publisher : <![CDATA[STMIK Banjarbaru ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.35889/progresif.v20i2.2113
<![CDATA[The number of four-wheeled vehicles in Indonesia increases every year. Based on data from the Central Statistics Agency, the increase in vehicles from 2020 to 2022 is 3,52 % (2020-2021) and 4,15 % (2021-2022). This affects the availability of parking spaces. The more vehicles using the parking lot have the potential to cause increasingly dense parking lot traffic. Then car drivers who want to use the parking lot experience difficulty in parking their vehicles. Much research has been carried out regarding parking spot detection. This research proposes additional features, namely directing vehicles entering the parking lot to empty parking spaces using the A* algorithm. In this study, the YOLO method was used to detect the availability of parking spaces. The system performance results detect a parking space of 80% and able to direct it to an empty parking slot with efficient optimum routeKeywords: Parking slot; Yolo Method; A-star AlgorithmAbstrakSesuai data yang dikeluarkan oleh Badan Pusat Statistik, jumlah kendaraan roda empat mengalami peningkatan sebesar 3,52 % dari 2020 hingga 2021 dan 4,15 % dari tahun 2021 hingga 2022. Hal ini berpengaruh pada ketersediaan lahan parkir. Semakin banyak kendaraan yang menggunakan lahan parkir berpotensi menyebabkan lalu lintas lahan parkir semakin padat. Kemudian pengendara mobil yang akan menggunakan lahan parkir mengalami kesulitan dalam parkir kendaraan. Penelitian mengenai deteksi tempat parkir sudah banyak dilakukan. Penelitian ini mengusulkan penambahan fitur yaitu mengarahkan kendaraan masuk lahan parkir ke tempat parkir kosong menggunakan algoritma A*. Metode YOLO diterapkan pada penelitian untuk melacak ketersediaan fasilitas parkir. Hasil performa sistem mendeteksi tempat parkir sebesar 80% dan sistem mampu mengarahkan kendaraan ke slot parkir yang kosong dengan efisiensi rute yang optimalKata kunci:Â Slot Parkir; Metode Yolo; Algoritma A-star]]>
<![CDATA[Analisis Sentimen Media Sosial Youtube Kereta Cepat (Whoosh) Menggunakan Algoritma Bidirectional-LSTM ]]>
<![CDATA[Rizky, Joy Lawa]]>;
<![CDATA[Gata, Windu]]>
<![CDATA[ Progresif: Jurnal Ilmiah Komputer Vol 20, No 2: Agustus 2024 ]]>
Publisher : <![CDATA[STMIK Banjarbaru ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.35889/progresif.v20i2.1958
<![CDATA[This study analyzes social media sentiment on YouTube regarding the high-speed train (Whoosh) using the Bidirectional-LSTM algorithm. The issue raised is the need for a deeper understanding of public perception of the high-speed train project, which can affect its acceptance and sustainability. The purpose of this paper is to evaluate the performance of the Bidirectional-LSTM algorithm in sentiment analysis compared to other algorithms. The method used involves collecting YouTube comment data, text preprocessing, and applying the Bidirectional-LSTM algorithm for sentiment classification. The parameters analyzed include accuracy, precision, and resilience to data variations. The research results show that the Bidirectional-LSTM algorithm achieves an accuracy of (0.86), which is significantly higher compared to the Multinomial Naïve Bayes algorithm (0.80), USE-Transfer learning (Tensorflow) (0.80), and Text Vectorization and Embedding (Tensorflow) (0.80). The conclusion of this study is that Bidirectional-LSTM is more effective and reliable in analyzing social media sentiment towards the high-speed train (Whoosh).Keywords: Sentiment Analysis; YouTube Fast Train (Whoosh); Bidirectional-LSTM. AbstrakPenelitian ini menganalisis sentimen media sosial YouTube terhadap kereta cepat (Whoosh) menggunakan algoritma Bidirectional-LSTM. Masalah yang diangkat adalah perlunya pemahaman yang lebih mendalam tentang persepsi publik terhadap proyek kereta cepat, yang dapat mempengaruhi penerimaan dan keberlanjutannya. Tujuan penulisan ini adalah untuk mengevaluasi performa algoritma Bidirectional-LSTM dalam menganalisis sentimen dibandingkan dengan algoritma lain. Metode yang digunakan melibatkan pengumpulan data komentar YouTube, preprocessing teks, dan penerapan algoritma Bidirectional-LSTM untuk klasifikasi sentimen. Parameter-parameter yang dianalisis meliputi akurasi, presisi, dan ketahanan terhadap variasi data. Hasil penelitian menunjukkan bahwa algoritma Bidirectional-LSTM mencapai akurasi (0.86) yang secara signifikan lebih tinggi dibandingkan dengan algoritma Multinomial Naïve Bayes (0.80), USE-Transfer learning (0.80), dan Text Vactorita-tion and Embedding (Tensorflow) (0.80). Simpulan penelitian ini adalah bahwa Bidirectional-LSTM lebih efektif dan andal dalam menganalisis sentimen media sosial YouTube kereta cepat (Whoosh).Kata kunci: Analisis Sentimen; Youtube Kereta Cepat (Whoosh); Bidirectional-LSTM;]]>
<![CDATA[Sistem Pendukung Keputusan Penilaian Kinerja Guru Menggunakan Metode EDAS ]]>
<![CDATA[Robaha, Paskalino Melgibson]]>;
<![CDATA[Sutejo, Heru]]>;
<![CDATA[Irjanto, Nourman Satya]]>
<![CDATA[ Progresif: Jurnal Ilmiah Komputer Vol 20, No 2: Agustus 2024 ]]>
Publisher : <![CDATA[STMIK Banjarbaru ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.35889/progresif.v20i2.1994
<![CDATA[Teacher performance appraisal at SD YPK I Sion Dok III Jayapura is still based on attendance and number of subjects, so the results are less optimal and accurate. All criteria are given equal weight, making the assessment less precise. This research aims to develop a Decision Support System with the EDAS method to objectively assess teacher performance. This method involves collecting and processing data from 4 criteria consisting of Pedagogic, Professional, Personality, and Social. The results showed that Johanna Nahumay had the highest score of 0.938, making her the best performing teacher. System accuracy testing reached 80%, demonstrating the effectiveness of the EDAS method in assessing teacher performance objectively and consistently.Keywords: Teacher Performance Appraisal; Decision Support System; EDAS Method. AbstrakPenilaian kinerja guru di SD YPK I Sion Dok III Jayapura masih berdasarkan kehadiran dan jumlah mata pelajaran, sehingga hasilnya kurang optimal dan akurat. Semua kriteria diberi bobot sama, membuat penilaian kurang tepat. Penelitian ini bertujuan mengembangkan Sistem Pendukung Keputusan (SPK) dengan metode EDAS untuk menilai kinerja guru secara objektif. Metode ini melibatkan pengumpulan dan pengolahan data dari 4 Kriteria yang terdiri dari Pedagogik, Profesionalitas, Kepribadian, dan Sosial. Hasil penelitian menunjukkan bahwa Johanna Nahumay memiliki nilai tertinggi 0.938, menjadikannya guru dengan kinerja terbaik. Pengujian akurasi sistem mencapai 80%, menunjukkan efektivitas metode EDAS dalam menilai kinerja guru secara objektif dan konsisten.Kata kunci: Penilaian Kinerja Guru; Sistem Pendukung Keputusan; Metode EDAS.]]>
<![CDATA[Pengembangan Aplikasi Pendukung Keputusan Pemilihan Produk Skincare Lokal Indonesia berbasis SAW ]]>
<![CDATA[Yusuf, Inayatul Izzati Diana]]>;
<![CDATA[Sudaryono, Sudaryono]]>;
<![CDATA[Azizah, Nur]]>
<![CDATA[ Progresif: Jurnal Ilmiah Komputer Vol 20, No 2: Agustus 2024 ]]>
Publisher : <![CDATA[STMIK Banjarbaru ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.35889/progresif.v20i2.2223
<![CDATA[The growing complexity of selecting suitable skincare products has led to challenges such as confusion and potential skin issues due to incorrect choices. To address this, the study aimed to develop a Decision Support System (DSS) for recommending local facial wash products in Indonesia, tailored to different facial skin types using the Simple Additive Weighting (SAW) method. The research processed data from 333 respondents, evaluating criteria such as skin type suitability, product labels, user reviews, and price. The findings indicate that Marina Hydra Lock Whip Facial Foam is optimal for dry and normal skin, Acnes Face Wash for combination skin, and Kahf Oil and Acne Care Facial Wash for oily skin. The DSS effectively enhances the accuracy of product recommendations, minimizing the risk of improper selection and subsequent skin problems.Keywords: Decision Support System; Simple Additive Weighting; Local Skincare. AbstrakKompleksitas yang semakin meningkat dalam memilih produk skincare yang sesuai telah menyebabkan tantangan seperti kebingungan dan potensi masalah kulit akibat pilihan yang salah. Untuk mengatasi hal ini, penelitian ini bertujuan untuk mengembangkan Sistem Pendukung Keputusan (SPK) yang merekomendasikan produk facial wash lokal di Indonesia, yang disesuaikan dengan berbagai jenis kulit wajah menggunakan metode Simple Additive Weighting (SAW). Penelitian ini memproses data dari 333 responden, dengan mengevaluasi kriteria seperti kesesuaian jenis kulit, label produk, ulasan pengguna, dan harga. Hasil penelitian menunjukkan bahwa Marina Hydra Lock Whip Facial Foam adalah pilihan terbaik untuk kulit kering dan normal, Acnes Face Wash untuk kulit kombinasi, dan Kahf Oil and Acne Care Facial Wash untuk kulit berminyak. SPK ini terbukti efektif dalam meningkatkan akurasi rekomendasi produk, sehingga dapat meminimalkan risiko pemilihan produk yang salah dan masalah kulit yang diakibatkannya.Kata kunci: Sistem Pendukung Keputusan; Simple Additive Weighting; Skincare Lokal.]]>
<![CDATA[Sistem Pendukung Keputusan Seleksi Penerimaan Pegawai Kontrak Di KPU Menggunakan Metode SMART ]]>
<![CDATA[Ardi, Muhamad]]>;
<![CDATA[Lahallo, Jim]]>;
<![CDATA[Tatuhey, Emy L.]]>
<![CDATA[ Progresif: Jurnal Ilmiah Komputer Vol 20, No 2: Agustus 2024 ]]>
Publisher : <![CDATA[STMIK Banjarbaru ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.35889/progresif.v20i2.1968
<![CDATA[The selection process for contract employee recruitment in the KPU Papua Province is often faced with problems of subjectivity and inefficiency of manual assessment, which has an impact on the inaccuracy of selection results. This research aims to develop a Decision Support System (SPK) using the SMART (Simple Multi-Attribute Rating Technique) method to improve objectivity and selection efficiency. The SMART method was chosen for its ability to accommodate a wide range of assessment criteria with adjustable weights. This system was developed using the Waterfall model and tested using the black box method. The test results showed that the system successfully reduced the potential for bias and increased efficiency and transparency in the selection process. The accuracy test results show that this system has an accuracy of 80%, with precision, recall, specificity, and F1 scores of 80% each. Thus, this SPK supports the KPU in selecting candidates in accordance with the required qualifications.Keywords: Decision Support System; Employee selection; SMART method; Objectivity; efficiencyAbstrakProses seleksi penerimaan pegawai kontrak di KPU Provinsi Papua sering kali dihadapkan pada permasalahan subjektivitas dan ketidakefisienan penilaian manual, yang berdampak pada ketidakakuratan hasil seleksi. Penelitian ini bertujuan mengembangkan Sistem Pendukung Keputusan (SPK) menggunakan metode SMART (Simple Multi-Attribute Rating Technique) untuk meningkatkan objektivitas dan efisiensi seleksi. Metode SMART dipilih karena kemampuannya mengakomodasi berbagai kriteria penilaian dengan bobot yang dapat disesuaikan. Sistem ini dikembangkan menggunakan model Waterfall dan diuji menggunakan metode black box. Hasil pengujian menunjukkan bahwa sistem berhasil mengurangi potensi bias dan meningkatkan efisiensi serta transparansi dalam proses seleksi. Hasil pengujian akurasi menunjukkan sistem ini memiliki akurasi sebesar 80%, dengan precision, recall, specificity, dan F1 score masing-masing juga sebesar 80%. Dengan demikian, SPK ini mendukung KPU dalam memilih kandidat yang sesuai dengan kualifikasi yang dibutuhkan.Kata kunci: Sistem Pendukung Keputusan; Seleksi pegawai; Metode SMART; Objektivitas; efisiensi ]]>
<![CDATA[Pengelompokan Analisis Sentimen Komentar Youtube Terhadap Pengambilalihan Jalan Rusak di Lampung Menggunakan Algoritma Clustering ]]>
<![CDATA[Purnomo, Niko]]>;
<![CDATA[Gata, Windu]]>
<![CDATA[ Progresif: Jurnal Ilmiah Komputer Vol 20, No 2: Agustus 2024 ]]>
Publisher : <![CDATA[STMIK Banjarbaru ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.35889/progresif.v20i2.1936
<![CDATA[Clustering is a method to group data into groups with certain similarities. This research analyzes text clustering on YouTube video comments about damaged road repairs in Lampung. Three clustering algorithms were used: K-means, DBSCAN, and HDBSCAN. The results showed a silhouette score for K-means of -0.348, DBSCAN of 0.836, and HDBSCAN of 0.106. Theme analysis on DBSCAN clusters showed better clustering than K-means and HDBSCAN. DBSCAN clusters are easier to infer because the topics of each cluster are well classified. Thus, DBSCAN proved superior in clustering text comments, with the highest silhouette score of 0.836% in the case of damaged road repair in Lampung.Keywords: Analisis Sentimen; Clustering; K-means; DBSCAN; HDBSCAN  AbstrakClustering adalah metode untuk mengelompokkan data ke dalam kelompok-kelompok dengan kemiripan tertentu. Penelitian ini menganalisis pengelompokan teks pada komentar video YouTube tentang perbaikan jalan rusak di Lampung. Tiga algoritma clustering digunakan: K-means, DBSCAN, dan HDBSCAN. Hasil penelitian menunjukkan skor siluet untuk K-means sebesar -0,348, DBSCAN sebesar 0,836, dan HDBSCAN sebesar 0,106. Analisis tema pada cluster DBSCAN menunjukkan pengelompokan yang lebih baik dibandingkan K-means dan HDBSCAN. Cluster DBSCAN lebih mudah disimpulkan karena topik tiap cluster terklasifikasi dengan baik. Dengan demikian, DBSCAN terbukti lebih unggul dalam mengelompokkan komentar teks, dengan skor siluet tertinggi 0,836% pada kasus perbaikan jalan rusak di Lampung.Kata Kunci: Analisis Sentimen; Clustering, K-means; DBSCAN; HDBSCAN.  ]]>
<![CDATA[Implementasi Algoritma Support Vector Regression dan Linear Regression Untuk Prediksi Harga Rumah ]]>
<![CDATA[Bastian, Anggun Aulia]]>;
<![CDATA[Handayani, Hanny Hikmayanti]]>;
<![CDATA[Wahiddin, Deden]]>;
<![CDATA[Rohana, Tatang]]>
<![CDATA[ Progresif: Jurnal Ilmiah Komputer Vol 20, No 2: Agustus 2024 ]]>
Publisher : <![CDATA[STMIK Banjarbaru ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.35889/progresif.v20i2.2191
<![CDATA[A house is one of the necessities of human life, but house prices tend to fluctuate every year. This is one of the causes of prospective buyers having difficulty in determining the budget and making decisions to purchase a house. So, it is necessary to conduct research to produce accurate house price predictions. The purpose of this research is to determine the best algorithm between the Support Vector Regression and Linear Regression algorithms in predicting house prices. Datasets are obtained from the results of scrapping on the house buying and selling website. This study uses a dataset from Telukjambe Timur Subdistrict with a total of 547 data with the parameters used are building area and land area and using a data division of 75:25. The results of the RMSE and MAPE evaluation show that the Support Vector Regression Algorithm is superior to Linear Regression with an RMSE value of 234,257 and a MAPE value of 21%.Keywords: House; Price; Prediction; Algorithm; Evaluation AbstrakRumah merupakan salah satu kebutuhan hidup manusia, namun harga rumah pada setiap tahunnya cenderung mengalami fluktuasi. Hal ini menjadi salahsatu penyebab calon pembeli kesulitan dalam menentukan budget dan mengambil keputusan untuk melakukan pembelian rumah. Sehingga, perlu dilakukan penelitian untuk menghasilkan prediksi harga rumah yang akurat. Adapun tujuan pada penelitian ini yaitu untuk menentukan Algoritma terbaik antara Algoritma Support Vector Regression dan Linear Regression dalam memprediksi harga rumah. Dataset diperoleh dari hasil scrapping pada website jual beli rumah. Penelitian ini menggunakan dataset dari Kecamatan Telukjambe Timur dengan jumlah sebanyak 547 data dengan parameter yang digunakan adalah luas bangunan dan luas tanah serta menggunakan pembagian data 75:25. Adapun hasil dari evaluasi RMSE dan MAPE menunjukkan bahwa Algoritma Support Vector Regression lebih unggul dari Linear Regression dengan nilai RMSE 234.257 dan nilai MAPE sebesar 21%.Kata kunci: Rumah; Harga; Prediksi; Algoritma; Evaluasi]]>
<![CDATA[Uji Performa Metode Komposisi Eigenface-CNN Pada Model Biometric Mobile App ]]>
<![CDATA[Debora, Agnes Monica]]>;
<![CDATA[Himamunanto, Agustinus Rudatyo]]>;
<![CDATA[Setyawan, Gogor Chrismass]]>
<![CDATA[ Progresif: Jurnal Ilmiah Komputer Vol 20, No 2: Agustus 2024 ]]>
Publisher : <![CDATA[STMIK Banjarbaru ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.35889/progresif.v20i2.2117
<![CDATA[The development of information and communication technology has increased the need for more secure and efficient authentication systems on mobile devices, given the growing cases of data breaches and identity theft. This research employs the Eigenface-CNN composition method to enhance the performance of biometric authentication models. The Eigenface method uses Principal Component Analysis (PCA) to reduce data dimensions and extract key features from facial images, while CNN is used to identify more complex facial features. The results show that this method can recognize faces with high accuracy, achieving an average confidence value of 87.95% and a highest value of 97.53%. It also demonstrates robustness against variations in lighting and facial poses. These findings suggest that the Eigenface-CNN composition method is feasible for implementation in biometric authentication systems on mobile devices, thereby enhancing user security and convenience.Kata kunci: Face Recognition; Eigenface; CNN; Biometric AbstrakPerkembangan teknologi informasi dan komunikasi telah meningkatkan kebutuhan akan sistem autentikasi yang lebih aman dan efisien pada perangkat mobile, mengingat kasus kebocoran data dan pencurian identitas yang semakin marak. Penelitian ini menggunakan metode komposisi Eigenface-CNN untuk meningkatkan performa model autentikasi biometrik. Metode Eigenface menggunakan analisis komponen utama (PCA) untuk mereduksi dimensi data dan mengekstraksi fitur utama dari citra wajah, sementara CNN digunakan untuk mengidentifikasi fitur wajah yang lebih kompleks. Hasil penelitian menunjukkan bahwa metode ini mampu mengenali wajah dengan akurasi tinggi, dengan nilai confidence rata-rata mencapai 87.95% dan nilai tertinggi 97.53%, serta menunjukkan ketahanan terhadap variasi pencahayaan dan pose wajah. Temuan ini menunjukkan bahwa metode komposisi Eigenface-CNN layak diimplementasikan dalam sistem autentikasi biometrik pada perangkat mobile untuk meningkatkan keamanan dan kenyamanan pengguna.Kata kunci: Pengenalan Wajah; Eigenface; CNN; Biometrik]]>
