Article Per Year (5 Year)
p-Index From 2019 - 2024
0.817
P-Index
This Author published in this journals
All Journal Jurnal Teknoinfo Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI) Jurnal Tekno Kompak
Arliyanti Nurdin
Institut Teknologi Telkom Surabaya
Computer Science & IT Education Engineering

Published : 4 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search

 1 
PERBANDINGAN KINERJA WORD EMBEDDING WORD2VEC, GLOVE, DAN FASTTEXT PADA KLASIFIKASI TEKS Arliyanti Nurdin; Bernadus Anggo Seno Aji; Anugrayani Bustamin; Zaenal Abidin
Jurnal Tekno Kompak Vol 14, No 2 (2020): AGUSTUS
Publisher : Universitas Teknokrat Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33365/jtk.v14i2.732

Abstract

Karakteristik teks yang tidak terstruktur menjadi tantangan dalam ekstraksi fitur pada bidang pemrosesan teks. Penelitian ini bertujuan untuk membandingkan kinerja dari word embedding  seperti Word2Vec, GloVe dan FastText dan diklasifikasikan dengan algoritma Convolutional Neural Network. Ketiga metode ini dipilih karena dapat menangkap makna semantik, sintatik, dan urutan bahkan konteks di sekitar kata jika dibandingkan dengan feature engineering tradisional seperti Bag of Words. Proses word embedding dari metode tersebut akan dibandingkan kinerjanya pada klasifikasi berita dari dataset 20 newsgroup dan Reuters Newswire. Evaluasi kinerja diukur menggunakan F-measure. Performa terbaik menunjukkan FastText unggul dibanding dua metode word embedding lainnya dengan nilai F-Measure  sebesar 0.979 untuk dataset 20 Newsgroup dan 0.715 untuk Reuters. Namun, perbedaan kinerja yang tidak begitu signifikan antar ketiga word embedding tersebut menunjukkan bahwa ketiga word embedding ini memiliki kinerja yang kompetitif. Penggunaannya sangat bergantung pada dataset yang digunakan dan permasalahan yang ingin diselesaikan.Kata kunci: word embedding, word2vec, glove, fasttext, klasfikasi teks, convolutional neural network, cnn.
DETEKSI ANOMALI TOTAL ELECTRON CONTENT SEBELUM GEMPA BUMI PALU MENGGUNAKAN JARINGAN SYARAF TIRUAN LEVENBERG-MARQUARDT Bernadus Anggo Seno Aji; Arliyanti Nurdin; Pangestu Widodo; Muhammad Rizal Dwi Pramana
Jurnal Tekno Kompak Vol 14, No 1 (2020): Februari
Publisher : Universitas Teknokrat Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33365/jtk.v14i1.504

Abstract

Indonesia termasuk kedalam negara dengan aktifitas gempa bumi yang tinggi. Analisis gempa bumi yang pernah terjadi sangat membantu dalam memahami karakteristik gempa bumi di Indonesia. Penelitian ini menggunakan Gempa bumi Palu (0.18oS 119.85oE) 2018 sebagai pengamatan dan menggunakan JST LM (Jaringan Syaraf Tiruan Levenberg-Marquardt) sebagai metode pembelajaran. Tujuan dari penelitian ini untuk menganalisis gempa bumi Palu dan menguji kesesuaian metode JST LM untuk mendeteksi anomali sebelum gempa bumi yang diamati. Hasil memperlihatkan bahwa metode ini cukup baik dalam mendeteksi anomali yang berasosiasi dengan gempa bumi Palu. Anomali yang terdeteksi didapat pada H-3 dan H-0 sebelum gempa bumi terjadi, serta H+1 setelah gempa bumi. Dalam penelitian ini juga dianalisis pola distibusi anomali sepanjang garis lintang. Pola anomali menunjukkan terlokalisasi disekitar epicenter gempa bumi. Selain itu juga didapatkan pola anomali bergerak ke arah selatan searah dengan pergerakan Sesar Palukoro.
PENERAPAN ALGORITMA APRIORI PADA PENJUALAN SUKU CADANG KENDARAAN RODA DUA (Studi Kasus: Toko Prima Motor Sidomulyo) Zaenal Abidin; Arsya Kharisma Amartya; Arliyanti Nurdin
Jurnal Teknoinfo Vol 16, No 2 (2022): Juli
Publisher : Universitas Teknokrat Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33365/jti.v16i2.1459

Abstract

Toko Prima Motor bergerak dalam bidang penjualan suku cadang kendaraan roda dua dengan beberapa merk suku cadang. Penjualan pada Toko Prima Motor berlangsung setiap hari sehingga data transaksi semakin lama akan semakin banyak. Namun data tersebut hanya digunakan sebagai arsip bagi toko. Dengan menggunakan data mining data tersebut akan diolah kembali menjadi informasi yang dapat digunakan untuk proses pengambilan keputusan. Data transaksi diolah menggunakan teknik asosiasi dengan menggunakan algoritma apriori. Algoritma apriori akan menghitung nilai support dari masing-masing item dan menemukan frequent item set yang memenuhi syarat minimum confidence. Nilai minimum untuk parameter support adalah 25% dan nilai minimum untuk parameter confidence adalah 50%. Hasil penerapan dari algoritma apriori menghasilkan 13 aturan asosiasi diantaranya 2 aturan asosiasi untuk merk suzuki, 6 aturan asosiasi untuk merk honda dan 5 aturan asosiasi untuk merk yamaha yang memenuhi syarat minimum dua parameter yaitu parameter support dan confidence dan diuji dengan menggunakan pengujian lift ratio untuk menentukan apakah aturan asosiasi yang dihasilkan valid atau tidak valid.
YOLOV4 Deepsort ANN for Traffic Collision Detection Arliyanti Nurdin; Bernadus Seno Aji; Yupit Sudianto; Mardhiyyah Rafrin
Jurnal Nasional Pendidikan Teknik Informatika : JANAPATI Vol. 12 No. 3 (2023)
Publisher : Prodi Pendidikan Teknik Informatika Universitas Pendidikan Ganesha

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23887/janapati.v12i3.62923

Abstract

Every collision must be handled right away to prevent further harm, damage, and traffic bottlenecks. Hence, the implementation of a systematic approach for accident detection becomes imperative to expedite response mechanisms. Our proposed accident detection system operates in three stages, encompassing vehicle object detection, multiple object tracking, and vehicle interaction analysis. YOLOv4 is employed for object detection, while DeepSort is utilized to the tracking of multiple vehicle objects. Subsequently, the positional and interactional data of each object within the video frame undergo thorough analysis to identify collisions, utilizing an Artificial Neural Network (ANN). Notably, collisions involving a single vehicle and not affecting other road users are excluded from the scope of this study. The evaluation of our approach reveals that the ANN model achieves a commendable F-Measure of 0.97 for detecting objects without collisions and 0.88 for objects involved in collisions, based on the conducted tests.
Co-Authors Anugrayani Bustamin Arsya Kharisma Amartya Bernadus Seno Aji Mardhiyyah Rafrin Muhammad Rizal Dwi Pramana Pangestu Widodo, Pangestu Seno Aji, Bernadus Anggo Yupit Sudianto Zaenal Abidin