Article Per Year (5 Year)
p-Index From 2021 - 2026
0.702
P-Index
This Author published in this journals
All Journal Jurnal Ilmiah Sistem Informasi dan Teknik Informatika (JISTI)
Justam Justam
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management

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

Found 4 Documents
Search

 1 
Penerapan Algoritma C4.5 dan Random Forest untuk Pemetaan Kerusakan Jalan dengan WebGIS Justam Justam; Nur Jamilah; Sitti Mawaddah Umar; Erlita Erlita; Jousadrah Ramba
Jurnal Ilmiah Sistem Informasi dan Teknik Informatika (JISTI) Vol 7 No 2 (2024): Jurnal Ilmiah Sistem Informasi dan Teknik Informatika (JISTI)
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat Universitas Lamappapoleonro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57093/jisti.v7i2.270

Abstract

Kerusakan jalan di wilayah Luwu Raya menjadi tanggung jawab BBPJN VI Makassar, yang melakukan pemantauan kondisi jalan dan melaporkan hasilnya untuk tindakan perbaikan. Penelitian ini bertujuan untuk membandingkan algoritma C4.5 dan Random Forest dalam memprediksi prioritas perbaikan jalan dan persebaran kerusakan jalan. Data yang digunakan dalam penelitian ini adalah 6100 data kerusakan jalan pada tiga ruas jalan dari tahun 2021 hingga 2023. Hasil penelitian menunjukkan bahwa meskipun akurasi antara kedua algoritma hampir sama, algoritma Random Forest memberikan hasil yang lebih konsisten dan lebih baik dibandingkan C4.5. Dengan menggunakan algoritma C4.5, didapatkan nilai presisi sebesar 87,9%, recall 82,6%, f1-score 87,8%, dan akurasi 88%. Sementara itu, Random Forest menghasilkan presisi 86,6%, recall 86,8%, f1-score 86,6%, dan akurasi 87%. Penelitian ini menghasilkan sistem informasi pemetaan berbasis WebGIS yang digunakan untuk menentukan prioritas perbaikan jalan. Hasil penelitian ini menunjukkan bahwa Random Forest lebih efektif dalam memprediksi dan menentukan prioritas perbaikan jalan di wilayah Luwu Raya
Sistem Identifikasi Kesegaran Ikan Berbasis Android Menggunakan Convolutional Neural Network (CNN) Justam Justam; Muh. Nashir Takbir; Sitti Mawaddah Umar; Erlita Erlita; Revah Oktria Lewa
Jurnal Ilmiah Sistem Informasi dan Teknik Informatika (JISTI) Vol 7 No 2 (2024): Jurnal Ilmiah Sistem Informasi dan Teknik Informatika (JISTI)
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat Universitas Lamappapoleonro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57093/jisti.v7i2.271

Abstract

Ikan merupakan sumber protein hewani penting dengan kandungan vitamin dan mineral esensial yang tinggi. Sebagai negara kepulauan, Indonesia memiliki potensi perikanan yang besar, namun masih banyak masyarakat yang kesulitan membedakan ikan segar dan tidak segar. Penelitian ini mengembangkan sistem berbasis Android untuk mengidentifikasi kesegaran ikan menggunakan Convolutional Neural Network (CNN). Model dilatih dengan 540 sampel gambar dalam tiga kategori (segar, baik, dan tidak layak) dengan resolusi 256 × 256 piksel RGB. CNN yang digunakan terdiri dari tiga lapisan konvolusi dan dua fully connected layer, dengan optimizer Adam dan fungsi aktivasi ReLU serta Softmax. Model dilatih di Google Colaboratory, lalu dikonversi ke TensorFlow Lite untuk diterapkan pada Android. Hasil pengujian menunjukkan akurasi 98% pada data uji dan 96,67% pada aplikasi Android dengan 60 sampel baru, membuktikan sistem mampu berfungsi dengan baik dalam mengidentifikasi kesegaran ikan
IoT dan Pengolahan Citra untuk Sistem Pakan Otomatis Udang dalam Kolam Bioflok Justam Justam; M Hasanuddin; Husni Mubarak; Rahmah Rahmah; Titin Nurjanah
Jurnal Ilmiah Sistem Informasi dan Teknik Informatika (JISTI) Vol 7 No 2 (2024): Jurnal Ilmiah Sistem Informasi dan Teknik Informatika (JISTI)
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat Universitas Lamappapoleonro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57093/jisti.v7i2.272

Abstract

Pemberian pakan dalam budidaya udang vaname sangat penting karena mempengaruhi pertumbuhan udang. Saat ini, pengukuran berat rata-rata udang untuk menentukan jumlah pakan dilakukan secara manual, yang memakan waktu dan meningkatkan biaya operasional. Oleh karena itu, diperlukan sistem yang dapat mengestimasi berat rata-rata udang secara otomatis. Penelitian ini mengimplementasikan teknologi pengolahan citra digital untuk mengestimasi berat rata-rata udang vaname berdasarkan citra udang yang diambil. Fitur-fitur citra, seperti jumlah piksel, digunakan untuk estimasi berat rata-rata udang. Hasil penelitian menunjukkan bahwa regresi linier dengan Mean Absolute Error (MAE) sebesar 0,7752 dan regresi polinomial dengan MAE sebesar 0,6869 dapat digunakan untuk estimasi berat udang vaname. Selain itu, penggunaan metode Mask R-CNN terbukti efektif dalam mendeteksi dan menghitung jumlah udang dengan MAE sebesar 0,373. Penelitian ini juga menunjukkan bahwa pemberian pakan sesuai takaran yang dihitung berdasarkan estimasi berat udang dapat meningkatkan efisiensi dalam budidaya udang vaname. Sistem ini memberikan solusi cepat dan akurat untuk memperbaiki proses pemberian pakan, mengurangi biaya operasional, serta mengurangi risiko cedera bagi pembudidaya
Perbandingan Kinerja YOLO vs Faster R-CNN untuk Deteksi & Estimasi Berat Ikan Justam Justam; Abdul Malik; Erlita Erlita; Deo Mangellak; Yuyun Yuyun
Jurnal Ilmiah Sistem Informasi dan Teknik Informatika (JISTI) Vol 7 No 2 (2024): Jurnal Ilmiah Sistem Informasi dan Teknik Informatika (JISTI)
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat Universitas Lamappapoleonro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57093/jisti.v7i2.273

Abstract

Ikan kerapu dan ikan kakap memiliki nilai ekonomi tinggi di pasar global, sehingga identifikasi jenis dan estimasi beratnya menjadi aspek penting dalam perdagangan. Metode manual yang umum digunakan memerlukan waktu lama dan tenaga kerja besar. Oleh karena itu, penelitian ini membandingkan performa dua model deep learning, yaitu YOLO dan Faster R-CNN, dalam mendeteksi jenis dan mengestimasi berat ikan. Dataset terdiri dari 2.991 citra yang terbagi dalam 18 kelas dan diperluas melalui augmentasi menjadi 6.843 citra. Proses deteksi menggunakan detection threshold 0,8, dengan evaluasi berdasarkan precision, recall, accuracy, serta Mean Absolute Percentage Error (MAPE) untuk estimasi berat. Hasil menunjukkan bahwa model YOLO memiliki precision, recall, dan accuracy masing-masing sebesar 0,98, 0,98, dan 0,96, sedangkan Faster R-CNN mencapai 0,97, 0,98, dan 0,95. Untuk estimasi berat, MAPE YOLO pada citra sebesar 2,42% dan pada video 3,66%, sementara Faster R-CNN memiliki MAPE 14,62% pada citra dan 13,59% pada video. Dengan demikian, model YOLO menunjukkan kinerja lebih baik dibandingkan Faster R-CNN dalam mendeteksi jenis dan mengestimasi berat ikan
Co-Authors Abdul Malik Deo Mangellak Erlita Erlita Erlita Erlita Husni Mubarak Jousadrah Ramba M Hasanuddin Muh. Nashir Takbir Nur Jamilah Rahmah Rahmah Revah Oktria Lewa Sitti Mawaddah Umar Titin Nurjanah Yuyun Yuyun