Article Per Year (5 Year)
p-Index From 2019 - 2024
0.817
P-Index
This Author published in this journals
All Journal Techno.Com: Jurnal Teknologi Informasi Jurnal Teknologi Informasi dan Ilmu Komputer Jurnal Edukasi dan Penelitian Informatika (JEPIN) El-Mujtama: Jurnal Pengabdian Masyarakat
Selvia Ferdiana Kusuma
Politeknik Elektronika Negeri Surabaya
Religion Computer Science & IT Economics, Econometrics & Finance Education Engineering Languange, Linguistic, Communication & Media Social Sciences

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

Found 4 Documents
Search

 1 
Optimalisasi Fitur Pencarian Pada E-Catalog Menggunakan Query Expansion Dan Algoritma TF-IDF Selvia Ferdiana Kusuma; Tessy Badriyah; Prasetyo Wibowo; Rosiyah Faradisa; Solichul Huda
Techno.Com Vol 22, No 3 (2023): Agustus 2023
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33633/tc.v22i3.8698

Abstract

E-catalog adalah sebuah katalog elektronik dapat digunakan untuk mempublikasikan dan mempromosikan sebuah produk atau layanan secara online kepada berbagai pihak. Pengguna dapat memperoleh informasi terkait produk yang diinginkan melalui fitur pencarian pada e-catalog tersebut. Oleh sebab itu fitur pencarian memiliki peran yang signifikan untuk menunjang performa e-catalog. Proses pencarian produk pada sebuah e-catalog dilakukan berdasarkan kesamaan kata yang dimasukkan oleh pengguna dengan judul produk yang tersedia. Biasanya semua judul yang mengandung kata kunci yang dimasukkan pengguna akan ditampilkan tanpa adanya perankingan kedekatan hasil pencarian. Hal tersebut tentunya menyulitkan pengguna untuk menemukan produk yang sesuai dengan keinginan. Oleh sebab itu penelitian ini bertujuan untuk melakukan optimalisasi fitur pencarian produk yang ada pada e-catalog menggunakan query expansion dan algoritma TF-IDF. Berdasarkan hasil uji coba yang telah dilakukan, terbukti bahwa penambahan  query expansion dan algoritma TF-IDF dapat mengoptimalkan kinerja fitur pencarian pada e-catalog tersebut. Hasil pencarian produk dapat terangking berdasarkan kedekatan kata kunci yang dimasukkan oleh pengguna dengan judul produk yang diinginkan oleh pengguna
Penerapan Aplikasi Klasifikasi Hukum Tajwid Menggunakan Image Processing Fabyan Kindarya; Entin Martiana Kusumaningtyas; Aliridho Barakbah; Desy Intan Permatasari; M. Udin Harun Al Rasyid; Nana Ramadijanti; Arna Fariza; Iwan Syarif; Umi Sa'adah; Ferry Astika Saputra; Ahmad Syauqi Ahsan; Irwan Sumarsono; Andhik Ampuh Yunanto; Renovita Edelani; Grezio Arifiyan Primajaya; Selvia Ferdiana Kusuma
El-Mujtama: Jurnal Pengabdian Masyarakat  Vol. 4 No. 2 (2024): El-Mujtama: Jurnal Pengabdian Masyarakat
Publisher : Intitut Agama Islam Nasional Laa Roiba Bogor

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47467/elmujtama.v4i2.1930

Abstract

Tajwid is an important science that regulates the way of reading the verses of the Al-Qur’an properly. Learning Tajwid means knowing the meaning that corresponds to the correct recitation. Learning to read the Al-Qur’an tends to be done traditionally in a place of learning or by calling a teacher to the house. Learning in this way has some drawbacks, such as the limited availability of trained and competent teachers because not all areas have sufficient access to these teachers. Dependence on schedules and locations can be a constraint for students with limited mobility or busy schedules. The role of the teacher is still important in learning tajwid, especially in providing effective explanations, guidance, and feedback. However, to overcome these shortcomings, integration with independent and technology-based learning methods can help improve the accessibility, flexibility, and quality of tajwid learning. The classification of tajwid laws using image processing allows users to see the results of inputting images of verses of the Al-Qur’an into the type of detected nun sukun tajwid and how to recite it. The initial stage of this system in detecting tajwid laws from uploaded images is the input of images by users, which can be done in two ways, namely by directly taking pictures using a smartphone camera or uploading images from the gallery. This is followed by the OCR process to detect the Arabic text contained in the image and provide diacritics for that Arabic text. Finally, letter classification is carried out after nun sukun and classification of tajwid laws contained in accordance with the detected letters after nun sukun. This system has an accuracy rate of 92.18% from the classification results that have been carried out.
Analisis Sentimen pada Media Sosial Twitter Terhadap Kebijakan Pemberlakuan Pembatasan Kegiatan Masyarakat Berbasis Deep Learning Mohammad Farid Naufal; Selvia Ferdiana Kusuma
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 8, No 1 (2022): Volume 8 No 1
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v8i1.49951

Abstract

Kebijakan Pemberlakukan Pembatasan Kegiatan Masyarakat (PPKM) merupakan salah satu kebijakan pemerintah yang diambil untuk menekan laju persebaran Covid19. Tidak setiap kebijakan selalu berdampak positif untuk warga. Oleh sebab itu perlu adanya evaluasi terhadap setiap kebijakan. Saat ini banyak warga yang sering menanggapi kebijakan pemerintah melalui komentar-komentar di media sosial twitter. Komentar-komentar tersebut sebanarnya dapat dijadikan bahan evaluasi terhadap kebijakan yang telah diambil. Namun komentar-komentar tersebut perlu diklasifikasikan dahulu, komentar yang bersentimen positif, negative maupun netral. Proses pengklasifikasian secara manual tentunya akan menyita banyak waktu karena jumlah sangat banyak, bisa ribuah bahkan puluhan ribu. Perlu adanya otimatisasi pengklasifikasin sentimen dari twitter tersebut. Oleh sebab itu penelitian ini berfokus pada otomatisasi analisis sentimen komentar-komentar warga pada media sosial twitter terkait PPKM. Proses otomatisasi analisis sentimen terkait kebijakan PPKM ini berbasis deep learning. Semua data yang telah melalui preprocess dan pelabelan kemudian akan dimodelkan menggunakan algoritma Long Short Term Memory (LSTM). Model dibentuk berdasarkan uji coba paramater yang paling baik menggunakan algoritma grid search. Model yang terbentuk inilah yang digunakan untuk mengklasifikasikan sentimen tweet secara otomatis.  Berdasarkan eksperimen yang dilakukan, metode yang diusulkan berhasil mengklasifikasikan 37750 tweet sesuai dengan sentimennya dengan akurasi 87%.
Analisis Perbandingan Algoritma Machine Learning dan Deep Learning untuk Klasifikasi Citra Sistem Isyarat Bahasa Indonesia (SIBI) Mohammad Farid Naufal; Selvia Ferdiana Kusuma
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 4: Agustus 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.20241046823

Abstract

Terdapat orang yang tidak mampu berkomunikasi secara verbal yang menyebabkan kesulitan dalam berkomunikasi. Orang tersebut mengalami gangguan seperti tuli atau bisu. Mereka hanya dapat berkomunikasi melalui bahasa isyarat salah satunya adalah Sistem Isyarat Bahasa Indonesia (SIBI). Pengenalan Bahasa Isyarat adalah permasalahan klasifikasi yang kompleks untuk dipecahkan. Setiap bahasa isyarat memiliki sintaks dan tata bahasanya sendiri. Computer vision adalah sebuah Teknik yang digunakan komputer untuk melakukan klasifikasi citra. Computer vision membantu pengenalan citra SIBI secara otomatis sehingga memudahkan orang normal berkomunikasi dengan orang tuli atau bisu. Pada penelitian sebelumnya belum ada yang melakukan perbandingan algoritma klasifikasi machine learning dan deep learning untuk pengenalan SIBI. Perbandingan penting dilakukan untuk melihat efektifitas tiap algoritma klasifikasi dalam hal performa klasifikasi dan waktu komputasi. Algoritma klasifikasi machine learning memiliki waktu komputasi lebih rendah sedangkan Deep learning memiliki performa klasifikasi lebih tinggi. Penelitian ini menganalisis time to performance dari algoritma machine learning dan deep learning dalam melakukan klasifikasi citra SIBI huruf A hingga Z. K-Nearest Neighbors (KNN), Support Vector Machine (SVM), dan Convolutional neural network (CNN) dengan transfer learning adalah tiga algorimta klasifikasi populer yang dibandingkan dalam penelitian ini. Arsitektur transfer learning yang digunakan adalah Xception, ResNet50, VGG15, dan MobileNetV2. Dari hasil penelitian yang dilakukan menggunakan 5 cross validation, CNN dengan arsitektur Xception memiliki nilai F1 Score tertinggi yaitu 99,57% dengan waktu training rata-rata 1.387 detik. Sedangkan KNN dengan nilai K = 1 memiliki waktu training tercepat yaitu 0,03 detik dan memiliki nilai F1 Score 86,95%.AbstractThe person who has a disorder such as deaf or dumb are unable to communicate verbally, which causes difficulties in communicating. They can only communicate through sign language, one of which is the Indonesian Language Sign System or Sistem Isyarat Bahasa Indonesia (SIBI). Sign Language Recognition is a complex classification problem to solve. Each sign language has its syntax and grammar. Computer vision is a technique used by computers to classify images. Computer vision helps automatically recognize SIBI images, making it easier for normal people to communicate with deaf or mute people. In previous studies, no one has compared machine learning and deep learning classification algorithms for the classification of SIBI. Therefore, a meaningful comparison is made to see each classification algorithm's effectiveness in classification performance and computation time. Machine learning classification algorithms have lower computation time, while Deep learning has higher classification performance. This study analyzes the time to performance of machine learning and deep learning algorithms in classifying SIBI images of letters A to Z. K-Nearest Neighbors (KNN), Support Vector Machine (SVM), and Convolutional neural network (CNN) with transfer learning are three popular classification algorithms compared in this study. The transfer learning architectures used are Xception, ResNet50, VGG15, and MobileNetV2. The results of research conducted using 5 cross-validation, CNN with the Xception architecture has highest F1 Score of 99.57%, with an average training time of 1.387 seconds. KNN, with a value of K = 1, has the fastest training time of 0.03 seconds and an F1 Score of 86.95%.
Co-Authors Ahmad Syauqi Ahsan Ali Ridho Barakbah Andhik Ampuh Yunanto Arna Fariza Desy Intan Permatasari Entin Martiana Kusumaningtyas Fabyan Kindarya Ferry Astika Saputra Grezio Arifiyan Primajaya iwan Syarif M Udin Harun Al Rasyid, M Udin Harun Mohammad Farid Naufal, Mohammad Farid Nana Ramadijanti Prasetyo Wibowo Renovita Edelani Rosiyah Faradisa Solichul Huda Sumarsono, Irwan Tessy Badriyah, Tessy Umi Sa'adah