Article Per Year (5 Year)
p-Index From 2019 - 2024
3.271
P-Index
This Author published in this journals
All Journal Techno.Com: Jurnal Teknologi Informasi CALYPTRA : Jurnal Ilmiah Mahasiswa Universitas Surabaya Telematika : Jurnal Informatika dan Teknologi Informasi Jurnal Teknologi Informasi dan Ilmu Komputer Jurnal Edukasi dan Penelitian Informatika (JEPIN) Journal of Information Systems Engineering and Business Intelligence Jurnal ELTIKOM : Jurnal Teknik Elektro, Teknologi Informasi dan Komputer Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Jurnal Informatika dan Multimedia Indonesian Journal of Information System J-SAKTI (Jurnal Sains Komputer dan Informatika) Teknika J-SAKTI (Jurnal Sains Komputer dan Informatika) Jurnal Informatika dan Multimedia
Mohammad Farid Naufal, Mohammad Farid
Jurusan Teknik Informatika, Universitas Surabaya, Surabaya, Jawa Timur
Aerospace Engineering Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Energy Engineering

Published : 27 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search
Journal : Jurnal Teknologi Informasi dan Ilmu Komputer

 1 
Pendeteksi Citra Masker Wajah Menggunakan CNN dan Transfer Learning Mohammad Farid Naufal; Selvia Ferdiana Kusuma
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 8, No 6: Desember 2021
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2021865201

Abstract

Pada tahun 2021 pandemi Covid-19 masih menjadi masalah di dunia. Protokol kesehatan diperlukan untuk mencegah penyebaran Covid-19. Penggunaan masker wajah adalah salah satu protokol kesehatan yang umum digunakan. Pengecekan secara manual untuk mendeteksi wajah yang tidak menggunakan masker adalah pekerjaan yang lama dan melelahkan. Computer vision merupakan salah satu cabang ilmu komputer yang dapat digunakan untuk klasifikasi citra. Convolutional Neural Network (CNN) merupakan algoritma deep learning yang memiliki performa bagus dalam klasifikasi citra. Transfer learning merupakan metode terkini untuk mempercepat waktu training pada CNN dan untuk mendapatkan performa klasifikasi yang lebih baik. Penelitian ini melakukan klasifikasi citra wajah untuk membedakan orang menggunakan masker atau tidak dengan menggunakan CNN dan Transfer Learning. Arsitektur CNN yang digunakan dalam penelitian ini adalah MobileNetV2, VGG16, DenseNet201, dan Xception. Berdasarkan hasil uji coba menggunakan 5-cross validation, Xception memiliki akurasi terbaik yaitu 0.988 dengan waktu total komputasi training dan testing sebesar 18274 detik. MobileNetV2 memiliki waktu total komputasi tercepat yaitu 4081 detik dengan akurasi sebesar 0.981. AbstractIn 2021 the Covid-19 pandemic is still a problem in the world. Therefore, health protocols are needed to prevent the spread of Covid-19. The use of face masks is one of the commonly used health protocols. However, manually checking to detect faces that are not wearing masks is a long and tiring job. Computer vision is a branch of computer science that can be used for image classification. Convolutional Neural Network (CNN) is a deep learning algorithm that has good performance in image classification. Transfer learning is the latest method to speed up CNN training and get better classification performance. This study performs facial image classification to distinguish people using masks or not by using CNN and Transfer Learning. The CNN architecture used in this research is MobileNetV2, VGG16, DenseNet201, and Xception. Based on the results of trials using 5-cross validation, Xception has the best accuracy of 0.988 with a total computation time of training and testing of 18274 seconds. MobileNetV2 has the fastest total computing time of 4081 seconds with an accuracy of 0.981.
Analisis Perbandingan Algoritma SVM, KNN, dan CNN untuk Klasifikasi Citra Cuaca Mohammad Farid Naufal
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 8, No 2: April 2021
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2021824553

Abstract

Cuaca merupakan faktor penting yang dipertimbangkan untuk berbagai pengambilan keputusan. Klasifikasi cuaca manual oleh manusia membutuhkan waktu yang lama dan inkonsistensi. Computer vision adalah cabang ilmu yang digunakan komputer untuk mengenali atau melakukan klasifikasi citra. Hal ini dapat membantu pengembangan self autonomous machine agar tidak bergantung pada koneksi internet dan dapat melakukan kalkulasi sendiri secara real time. Terdapat beberapa algoritma klasifikasi citra populer yaitu K-Nearest Neighbors (KNN), Support Vector Machine (SVM), dan Convolutional Neural Network (CNN). KNN dan SVM merupakan algoritma klasifikasi dari Machine Learning sedangkan CNN merupakan algoritma klasifikasi dari Deep Neural Network. Penelitian ini bertujuan untuk membandingkan performa dari tiga algoritma tersebut sehingga diketahui berapa gap performa diantara ketiganya. Arsitektur uji coba yang dilakukan adalah menggunakan 5 cross validation. Beberapa parameter digunakan untuk mengkonfigurasikan algoritma KNN, SVM, dan CNN. Dari hasil uji coba yang dilakukan CNN memiliki performa terbaik dengan akurasi 0.942, precision 0.943, recall 0.942, dan F1 Score 0.942. AbstractWeather is an important factor that is considered for various decision making. Manual weather classification by humans is time consuming and inconsistent. Computer vision is a branch of science that computers use to recognize or classify images. This can help develop self-autonomous machines so that they are not dependent on an internet connection and can perform their own calculations in real time. There are several popular image classification algorithms, namely K-Nearest Neighbors (KNN), Support Vector Machine (SVM), and Convolutional Neural Network (CNN). KNN and SVM are Machine Learning classification algorithms, while CNN is a Deep Neural Networks classification algorithm. This study aims to compare the performance of that three algorithms so that the performance gap between the three is known. The test architecture is using 5 cross validation. Several parameters are used to configure the KNN, SVM, and CNN algorithms. From the test results conducted by CNN, it has the best performance with 0.942 accuracy, 0.943 precision, 0.942 recall, and F1 Score 0.942.
Natural Language Processing untuk Otomatisasi Pengenalan Pronomina dalam Kalimat Bahasa Indonesia Mohammad Farid Naufal; Selvia Ferdiana Kusuma
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 9, No 5: Oktober 2022
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2022946394

Abstract

Pronomina (kata ganti) adalah jenis kata yang dapat dipakai untuk menggantikan posisi kata benda atau orang dalam suatu kalimat. Penggunaan pronomina akan mudah dipahami apabila serangkaian kalimat dibaca secara utuh. Namun jika rangkaian kalimat tersebut hanya dibaca pada kalimat-kalimat tertentu, maka akan sulit memahami kalimat yang memiliki pronomina. Pada pengolahan bahasa alamiah, diperlukan kejelasan konteks dari sebuah kalimat. Dalam konteks otomatisasi pengolahan bahasa alamiah, adanya pronomina dapat menyulitkan komputer untuk memahami kalimat tersebut. Oleh sebab itu, dalam pengolahan bahasa alamiah yang mengandung pronomina diperlukan pre proses berupa pengubahan pronomina ke dalam bentuk subjek atau objek asli yang dirujuk. Metode yang diusulkan untuk menyelesaikan permasalahan ini adalah pendekatan berbasis sintaktik. Pendekatan ini menitikberatkan pada struktur kata yang digunakan dan struktur komponen kata yang digunakan. Metode yang diusulkan memiliki 4 tahapan yakni pengumpulan data, pembangkitan aturan, otomatisasi pengenalan pronominal, dan terakhir adalah evaluasi.  Metode yang diusulkan telah diujicobakan untuk mengenali adanya pronomina dari kalimat-kalimat pada materi Ilmu Pengetahuan Alam dan Ilmu Pengetahuan Sosial di jenj­­ang sekolah dasar. Hasil evaluasi menunjukkan bahwa metode yang diusulkan dapat digunakan untuk mengubah subjek yang berbentuk pronomina menjadi subjek atau objek asli yang dirujuk. Rata-rata akurasi yang didapatkan sebesar 81%. Akurasi tersebut didapatkan dari perbandingan antara jumlah kata ganti yang berhasil diidentifikasi subjeknya dengan keseluruhan data uji. Hasil dari penelitian ini dapat digunakan peneliti di bidang Natural Language Processing untuk melakukan praproses terhadap teks yang akan diolah. AbstractA pronoun is a word that can be used to replace a noun or person in a sentence. The use of pronouns will be easy to understand if a series of sentences is read in its entirety. However, if the sentence series is only read in specific sentences, it will be difficult to understand sentences with pronouns. In natural language processing, it is necessary to clarify the context of a sentence. In the context of automation of natural language processing, the existence of pronouns can make it difficult for computers to understand the sentence. Therefore, in processing natural language containing pronouns, it is necessary to pre-process in the form of converting pronouns into the form of the original subject or object referred to. The method proposed to solve this problem is a syntactic-based approach. This approach focuses on the structure of the words used and the word components used. The proposed method has 4 stages, namely data collection, rule generation, automation of pronoun recognition and the last is evaluation. The proposed method has been evaluated to identify the existence of pronouns from sentences in the Natural Sciences and Social Sciences material at the elementary school level. The evaluation results show that the proposed method can be used to change the subject in the form of a pronoun into the original subject or object referred to. The average accuracy obtained is 81%. The accuracy is obtained from the comparison between the number of pronouns that have been identified with the overall test data. Researchers in natural language processing can use the results of this study to pre-process their text.  
Otomatisasi Pembangkitan Pertanyaan untuk Bahasa Indonesia (Systematic Literature Review) Mohammad Farid Naufal; Selvia Ferdiana Kusuma
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10, No 1: Februari 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.20231016455

Abstract

Penelitian tentang otomatisasi pembangkitan pertanyaan terus berkembang. Berbagai metode telah coba diterapkan pada berbagai bahasa. Setiap bahasa memiliki karakteristik yang berbeda beda. Oleh karena itu, metode yang digunakan untuk membangkitkan pertanyaan juga harus disesuaikan dengan bahasa yang digunakan. Otomatisasi pembangkitan pertanyaan untuk bahasa Indonesia juga sudah mulai berkembang sejak 2015. Hasil penelitian-penelitian tersebut perlu dianalisis agar dapat mengetahui kelebihan maupun kekurangan dari setiap metode yang pernah digunakan. Oleh karena itu, jurnal ini membahas tentang Systematic Literature Review (SLR) pembangkitan pertanyaan pada bahasa Indonesia. SLR yang dibangun ini dapat digunakan untuk bahan pertimbangan optimalisasi penelitian tentang pembangkitan pertanyaan menggunakan bahasa Indonesia di kemudian hari. Tahapan yang dilakukan dalam pembentukan SLR adalah perencanaan literature review, kemudian melakukan literature review dan terakhir adalah pelaporan hasil literature review. Pencarian pada google scholar menghasilkan 27 penelitian yang relevan dengan kata kunci. Penerapan kriteria inklusi dan eksklusi menghasilkan 15 penelitian yang relevan. Kemudian proses backward dan forward snowballing yang dilakukan menghasilkan 2 penelitian tambahan. Total penelitian yang dianalisis berjumlah 17 penelitian. Proses selanjutnya adalah penilaian kualitas penelitian. Hasil penilaian kualitas penelitian menunjukkan bahwa keseluruhan penelitian yang berjumlah 17 penelitian tersebut memiliki kualitas yang baik untuk dianalisis. Hasil analisis yang dilakukan menunjukkan bahwa penelitian awal terkait pembangkitan pertanyaan untuk bahasa Indonesia masih memiliki beberapa celah. Diantaranya terkait dataset yang belum memadai, model pertanyaan yang kurang beragam, belum adanya penanganan/preproses model kalimat unstructured, dan belum adanya pembangkitan pertanyaan yang berasal dari gabungan beberapa informasi. AbstractResearch on automated question generation is constantly evolving. Various methods have been tried to be applied in various languages. Each language has different characteristics. Therefore, the method used to generate questions should be adapted based on the language. The automation of question generation for Indonesian has also begun to develop since 2015. The result of these studies need to be analyzed to find out the advantages and disadvantages of each method that has been used. Therefore, this journal discusses the Systematic Literature Review (SLR) for generating questions in Indonesian. The SLR that was built can be used for consideration of optimizing research on generating questions using Indonesian in the future. The steps taken in this SLR are planning analysis, then carrying out the analysis and finally reporting the analysis. A search on Google Scholar yielded 27 studies that were relevant to the keyword. The application of inclusion and exclusion criteria resulted in 15 relevant studies. Then the backward and forward snowballing processes carried out resulted in 2 additional studies. Total research analyzed amounted to 17 studies. The next process is the assessment of research quality. The results of the research quality assessment showed that the overall 17 studies had good quality for analysis. The results of the analysis carried out indicate that the initial research related to question generation for Indonesian still has some gaps. For examples about datasets, question models, handling unstructured sentence models, and generating questions from a combination of some information.
Co-Authors - Subrata Alvin Eka Putra Alvin Fernando Susanto Ang Alexander Yoshua Aryo Budilaksono Astri Agustina Arius Christian Nathaneil Kansil Daniel Cristianindra R. Daniel Hary Prasetyo David Sugiarto Derry Alim Fernando Fania Alya Miranti Farrel Arghya Tito Prayoga Felix Handani Firman Herda Ramadhan Jeremy Owen Lieyanto Jessica Millenia Joko Siswantoro Joseph Kristiano Juan Timothy Soebroto Kevin Christian Tanus Mirella Mercifia Mohd Sanusi Bin Azmi Muhammad Ghifari Kusuma Wicaksono Nicky Setyawan Dinata Panji Yumadana Vernolyo Putu Aditya Riva Putra Raynaldy Valentino Sukiwun Rizka Febrina P. Selvia F Kusuma, Selvia F Selvia Ferdiana Kusuma Selvia Ferdiana Kusuma Selvia Ferdiana Kusuma Selvia Ferdiana Kusuma Selvia Ferdiana Kusuma Selvia Ferdiana Kusuma Selvia Ferdiana Kusuma Septian Wijaya Aminulloh Sesilia Shania Sesilia Shania Solichul Huda Solichul Huda Stefan Axel Vincentius Riandaru Prasetyo Vincentius Riandaru Prasetyo Wibisono, Yudistira Rahadian Wisnu Aria Yustisia Yohanes Albert Lauwoto Yudistira Rahadian Wibisono Zefanya Ardya Prayuska