Article Per Year (5 Year)
p-Index From 2021 - 2026
1.204
P-Index
This Author published in this journals
All Journal JURNAL INFORMATIKA Journal of Artificial Intelligence and Digital Business Indonesian Journal of Multidisciplinary on Social and Technology Journal of Engineering and Science Application Teknik: Jurnal Teknik Mesin, Elektro dan Ilmu Komputer
Sutardi Sutardi
Universitas Halu Oleo
Aerospace Engineering Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Economics, Econometrics & Finance Electrical & Electronics Engineering Engineering Social Sciences Other

Published : 8 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 8 Documents
Search

 1 
Perancangan Sistem Prediksi Penyakit Padi Berbasis Citra Digital Berbasis Deep Learning Syahril Ramadhan Salman Noor; Jumadil Nangi; Bambang Pramono; Muhammad Ihsan Sarita; Sutardi Sutardi; Ryan Rinaldi Hadistio
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 5 No. 2 (2026): Mei-Juli
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v5i2.9173

Abstract

Penyakit tanaman padi merupakan salah satu faktor utama yang memengaruhi produktivitas hasil pertanian dan kualitas panen. Proses identifikasi penyakit yang masih dilakukan secara manual sering kali membutuhkan waktu cukup lama serta bergantung pada kemampuan pengamatan petani maupun tenaga ahli pertanian. Kondisi tersebut menyebabkan penanganan penyakit tanaman sering terlambat sehingga berpotensi meningkatkan risiko penyebaran penyakit pada tanaman padi. Perkembangan teknologi kecerdasan buatan dan pengolahan citra digital memberikan peluang dalam pengembangan sistem identifikasi penyakit tanaman secara otomatis dan lebih efisien. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem prediksi penyakit padi berbasis citra digital menggunakan pendekatan deep learning dengan model EfficientNet-B7. Sistem yang dikembangkan dirancang untuk membantu proses identifikasi awal penyakit tanaman padi melalui analisis citra daun yang terindikasi penyakit. Tahapan penelitian meliputi pengumpulan dataset citra penyakit tanaman padi, preprocessing data citra, perancangan sistem, serta implementasi model EfficientNet-B7 pada proses klasifikasi citra digital. Pemilihan EfficientNet-B7 didasarkan pada kemampuannya dalam melakukan ekstraksi fitur citra secara mendalam dengan efisiensi parameter yang optimal. Selain itu, sistem yang dikembangkan diharapkan dapat menjadi solusi pendukung bagi petani dalam melakukan deteksi awal penyakit tanaman secara lebih praktis melalui pemanfaatan teknologi digital modern. Penelitian ini difokuskan pada tahap perancangan arsitektur sistem, integrasi model deep learning ke aplikasi mobile berbasis Android, serta implementasi awal sistem sebagai fondasi pengembangan evaluasi model pada penelitian lanjutan. Penelitian ini diharapkan mampu menghasilkan sistem prediksi penyakit tanaman padi yang mendukung proses identifikasi penyakit secara otomatis, cepat, dan efisien dalam mendukung transformasi digital pada sektor pertanian modern berbasis kecerdasan buatan.
Implementasi Algoritma Symspell, TF-IDF Dan Cosine Similarity Untuk Pengecekan Ejaan Dan Deteksi Plagiarisme Pada Sistem Analisis Teks Berbasis Web Muh. Ikbal Ikbal; Sutardi Sutardi; Jumadil Nangi
Indonesian Journal of Multidisciplinary on Social and Technology Vol. 4 No. 2 (2026): Maret - Juni
Publisher : PT Ilmu Data Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69693/ijmst.v4i2.9434

Abstract

Perkembangan teknologi digital telah memicu lonjakan signifikan dalam produksi karya tulis ilmiah, yang sekaligus memunculkan tantangan kompleks terkait pemeliharaan kualitas kebahasaan dan pencegahan pelanggaran integritas akademik. Selama ini, proses validasi naskah sering kali mengharuskan penulis menggunakan aplikasi yang terpisah untuk memperbaiki ejaan dan mengecek plagiarisme, sehingga alur kerja menjadi kurang efisien dan memakan banyak waktu. Oleh karena itu, penelitian ini bertujuan merancang dan mengembangkan sebuah sistem analisis teks terpadu berbasis web yang difungsikan untuk melakukan pengecekan ejaan bahasa Indonesia serta mendeteksi plagiarisme naskah secara bersamaan dalam satu platform tunggal. Pengembangan sistem ini menerapkan metode rekayasa perangkat lunak Rational Unified Process (RUP). Pada sistem terpadu ini, algoritma Symmetric Delete Spelling Correction (SymSpell) diimplementasikan untuk melakukan koreksi ejaan dengan kecepatan tinggi memanfaatkan kamus frekuensi yang berisi kurang lebih 59.000 kata baku bahasa Indonesia. Selanjutnya, fitur deteksi plagiarisme dikembangkan menggunakan metode pembobotan Term Frequency-Inverse Document Frequency (TF-IDF) yang dipadukan dengan algoritma Cosine similarity untuk mengkalkulasi tingkat kemiripan teks antar dokumen. Evaluasi performa sistem dilakukan menggunakan dataset dokumen jurnal ilmiah berbahasa Indonesia. Hasil pengujian menunjukkan bahwa pengintegrasian kedua fitur tersebut berjalan sangat efektif. Algoritma SymSpell menunjukkan performa yang sangat baik dengan tingkat akurasi koreksi ejaan mencapai 98%. Sementara itu, metode TF-IDF dan Cosine similarity mencetak hasil klasifikasi dokumen yang optimal dengan akurasi sebesar 98,3% pada pengujian dengan ambang batas kemiripan (threshold) 40%. Kehadiran sistem analisis teks terpadu ini diharapkan mampu memberikan kemudahan bagi akademisi dalam memvalidasi naskah secara mandiri dan mendukung peningkatan kualitas publikasi ilmiah.
Sistem Kontrol Pertumbuhan Tanaman Cabai Pada Greenhouse Berbasis Internet of Things (IoT) Dengan Decision Tree C5 Dan Protokol Hypertext Transfer Protocol Secure (HTTPS) Isnawaty Isnawaty; Ni Wayan Erdiani; Achmad Nur Aliansyah; L.M. Fid Aksara; Sutardi Sutardi; Ryan Rinaldi Hadistio
JURNAL INFORMATIKA Vol 15, No 1 (2026): Jurnal Informatika
Publisher : Informatics Engineering Department, Dayanu Ikhsanuddin University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55340/jiu.v15i1.2741

Abstract

Tanaman cabai merupakan komoditas hortikultura yang pertumbuhannya dipengaruhi oleh kondisi lingkungan seperti suhu udara, kelembaban udara, kelembaban tanah, pH tanah, dan intensitas cahaya. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem monitoring dan kontrol greenhouse berbasis Internet of Things (IoT) menggunakan metode Decision Tree C5 dan protokol Hypertext Transfer Protocol Secure (HTTPS). Metode Decision Tree C5 diterapkan untuk mengklasifikasikan kondisi lingkungan greenhouse ke dalam kategori baik, sedang, dan buruk berdasarkan data sensor yang diperoleh. Data penelitian dikumpulkan selama 20 hari dengan frekuensi pengamatan tiga kali sehari sehingga diperoleh 60 data pengamatan. Dataset kemudian dibagi menggunakan metode hold-out dengan rasio 80:20, yaitu 48 data sebagai data latih dan 12 data sebagai data uji. Hasil pengujian menunjukkan bahwa metode Decision Tree C5 memperoleh nilai Accuracy sebesar 91,67%, Balanced Accuracy sebesar 66,67%, dan Macro F1-Score sebesar 65,08% berdasarkan evaluasi confusion matrix. Hasil tersebut menunjukkan bahwa model mampu melakukan klasifikasi kondisi lingkungan greenhouse dengan baik, namun performa klasifikasi belum sepenuhnya merata pada setiap kelas akibat adanya ketidakseimbangan distribusi data. Selain itu, pengujian Quality of Service (QoS) pada komunikasi data berbasis HTTPS menunjukkan nilai delay sebesar 9,00 ms, throughput sebesar 1500,00 kbps, packet loss sebesar 2,03%, dan jitter sebesar 0,50 ms. Hasil tersebut menunjukkan bahwa sistem mampu mendukung proses monitoring dan pengendalian kondisi greenhouse secara real-time melalui aplikasi Android. Dengan demikian, sistem yang dikembangkan berpotensi mendukung pengelolaan lingkungan greenhouse yang lebih stabil serta membantu menjaga kondisi lingkungan yang sesuai bagi pertumbuhan tanaman cabai melalui sistem monitoring dan pengendalian otomatis berbasis IoT.
MobileNetV2 Hyperparameter Optimization for Freshness Classification of Tuna Fish Based on Fish Eye Imagery Using Optuna Tree-structured Parzen Estimator (TPE) Wa Ode Asriyani; Muhammad Ihsan Sarita; Sutardi Sutardi
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 5 No. 2 (2026): Mei-Juli
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v5i1.11506

Abstract

Manually assessing the freshness of tuna (Euthynnus affinis) within traditional auction markets is frequently subjective, inconsistent, and prone to human error. To address these limitations, this study implemented a robust Deep Learning model utilizing the MobileNetV2 architecture to classify fish freshness levels based on ocular imagery into three distinct categories: Fresh, Less Fresh, and Not Fresh. Although the MobileNetV2 architecture is inherently reliable for image classification, conventional manual hyperparameter tuning often leads to suboptimal model configurations and severe overfitting challenges. As a strategic solution, this study implemented the advanced Tree-structured Parzen Estimator (TPE) algorithm through the Optuna framework to automatically optimize critical hyperparameters, including learning rate, dropout rate, optimizer type, and the fine-tune depth of the convolutional layers. Empirical testing results rigorously proved that the strategic integration of Optuna TPE with the MobileNetV2 model successfully provided a significant performance boost. The optimized model achieved an accuracy of 93.51%, representing a substantial increase of 32.04% compared to the 61.47% accuracy observed in the manual baseline model. Correspondingly impressive improvements were recorded in key performance metrics, specifically achieving a Precision of 93.64%, a Recall of 93.37%, and an F1-Score of 93.49%. In conclusion, this research demonstrates that automated hyperparameter optimization using the Optuna TPE framework significantly enhances the reliability, efficiency, and generalization capability of Deep Learning models, establishing a highly accurate and practical solution for the automated detection of tuna freshness in real-world fishery environments.
Implementasi Algoritma Xgboost dengan Bayesian Optimization pada Sistem Rekomendasi Pemilihan Atlet Bola Voli Pantai Sulawesi Tenggara untuk Meningkatkan Efektivitas Keputusan Muhammad Akbar Perdana Ramadhan; Laode Muhammad Golok Jaya; Adha Mashur Sajiah; Bambang Pramono; Sutardi Sutardi; Subardin Subardin
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 5 No. 2 (2026): Mei-Juli
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v5i2.11572

Abstract

Seleksi atlet bola voli pantai di Sulawesi Tenggara masih dilakukan secara konvensional dan bergantung pada penilaian subjektif pelatih, sehingga rentan menimbulkan inkonsistensi dan pengambilan keputusan yang kurang optimal di tengah meningkatnya jumlah calon atlet dan kompleksitas kriteria evaluasi. Kondisi ini berpotensi menghasilkan keputusan yang kurang tepat dan menghambat pengembangan atlet potensial. Penelitian ini mengimplementasikan algoritma Extreme Gradient Boosting (XGBoost) yang dioptimasi menggunakan Bayesian Optimization untuk membangun sistem rekomendasi pemilihan atlet yang objektif dan berbasis data. Dataset yang digunakan berjumlah 320 data atlet dengan 13 kriteria penilaian, dibagi menjadi 80% data pelatihan dan 20% data pengujian. Ketiga belas kriteria tersebut mencakup tinggi badan, kekuatan otot, kecepatan, kelincahan, teknik servis, smash, dan aspek psikologis. Evaluasi model dilakukan menggunakan metrik MAE, MSE, RMSE, R², dan MAPE. Hasil penelitian menunjukkan bahwa Bayesian Optimization mampu meningkatkan performa model secara signifikan, dengan nilai MAE menurun dari 1,2878 menjadi 0,9074, MSE dari 2,3796 menjadi 1,2547, RMSE dari 1,5426 menjadi 1,1201, serta R² meningkat dari 0,9412 menjadi 0,9852. Model akhir mencapai MAPE sebesar 2,61%, yang tergolong kategori sangat akurat berdasarkan kriteria Lewis (1982). Nilai MAPE di bawah 10% menunjukkan akurasi peramalan yang sangat tinggi. Sistem berhasil diimplementasikan sebagai aplikasi web berbasis Flask dan telah divalidasi secara kualitatif oleh pakar bola voli pantai. Hasil pengujian black box menunjukkan seluruh fitur sistem berjalan sesuai fungsi yang dirancang. Dengan demikian, sistem ini dapat diandalkan untuk mendukung seleksi atlet yang lebih transparan dan akurat.
Penerapan Algoritma Priority Scheduling Pada Sistem Helpdesk Berbasis Web Untuk Optimalisasi Manajemen Laporan Gangguan Teknologi Informasi (Studi Kasus: Rsud Bahteramas Provinsi Sulawesi Tenggara) Izan Fahrani; Sutardi Sutardi; Ryan Rinaldi Hadistio
Indonesian Journal of Multidisciplinary on Social and Technology Vol. 4 No. 3 (2026): Juli - Oktober
Publisher : PT Ilmu Data Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69693/ijmst.v4i3.12986

Abstract

Pelaporan gangguan teknologi informasi di RSUD Bahteramas Provinsi Sulawesi Tenggara selama ini masih ditangani secara manual, melalui komunikasi langsung dan pesan singkat antara pelapor dan staf teknologi informasi. Cara kerja seperti ini membuat laporan tersebar di berbagai kanal dan tidak terekam dalam satu basis data, sementara urutan penanganannya lebih banyak ditentukan oleh perkiraan petugas ketimbang aturan yang baku. Penelitian ini bertujuan merancang dan membangun sistem helpdesk berbasis web bernama SMART-HELP yang menerapkan algoritma Priority Scheduling berbasis rule-based untuk menentukan urutan penanganan laporan gangguan secara otomatis, dengan mempertimbangkan urgensi, dampak terhadap pelayanan, dan kategori sistem yang terganggu. Sistem dikembangkan dengan metode Rational Unified Process (RUP) yang mencakup empat fase, yaitu inception, elaboration, construction, dan transition, serta dibangun menggunakan PHP, MySQL, HTML, CSS, dan JavaScript. Pengujian dilakukan melalui black box testing terhadap 20 skenario fungsional dan pengujian khusus terhadap enam skenario algoritma, mencakup penentuan skor prioritas, pengurutan antrean, First Come First Served (FCFS) sebagai tie-breaker, preemption, aging, serta perhitungan waiting time dan turnaround time. Seluruh 20 skenario fungsional dan enam skenario algoritma menghasilkan keluaran yang sesuai dengan rancangan, sehingga tingkat keberhasilan fungsional maupun akurasi algoritma sama-sama mencapai 100%. Temuan ini mengindikasikan bahwa kombinasi Priority Scheduling dan pendekatan rule-based dapat mengobjektifkan penentuan prioritas laporan gangguan teknologi informasi rumah sakit tanpa campur tangan manual pada tahap pengambilan keputusan, sehingga berpotensi mempercepat waktu respons dan memperjelas pertanggungjawaban pengelolaan layanan teknologi informasi.
Implementation Of Support Vector Machine (SVM) Algorithm With Term Frequency–Inverse Document Frequency (TF-IDF) Weighting For Web-Based Book Classification Using Dewey Decimal Classification (DDC) Hikma Hikma; Sutardi Sutardi; Muhammad Ihsan Sarita
Journal of Engineering and Science Application Vol. 3 No. 2 (2026): Mei-Oktober
Publisher : Institute Of Advanced Knowledge and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69693/jesa.v3i2.53

Abstract

Book classification is an important activity in library management because it determines the grouping of collections based on subject areas and facilitates information retrieval. Manual classification requires considerable time and accuracy from librarians, particularly as the number of collections increases and book subjects become more diverse. This study aims to implement the Support Vector Machine (SVM) algorithm with Term Frequency–Inverse Document Frequency (TF-IDF) weighting to assist book classification based on the Dewey Decimal Classification (DDC) and to develop a web-based book classification system as a decision-support tool for librarians. The research data consist of book titles, synopses, and DDC labels obtained from the National Library of the Republic of Indonesia (Perpusnas) catalog and other library OPAC catalogs available on the internet. The research stages include text preprocessing, vocabulary construction, TF-IDF weighting, Cosine Similarity measurement as a data-scope filtering process, and classification using SVM. The Cosine Similarity testing on 20 out-of-category data and 85 in-scope data showed that a threshold of 22% achieved an accuracy of 96.19%. Furthermore, SVM model testing on 235 testing data across 46 DDC classes achieved an accuracy of 96.17%, precision of 97.09%, recall of 95.90%, and F1-Score of 96.49%. These results indicate that the combination of TF-IDF and SVM provides good classification performance in determining the DDC class of books. The developed system also provides librarian validation, as well as model management and evaluation, allowing the classification results to be used as recommendations before being established as the final classification.
Rancang Bangun Sistem Penilaian Real-Time Jawaban Esai Pada Mata Pelajaran Berbasis Website Menggunakan Metode Cosine Similarity dan Algoritma Levenshtein Distance Eviriawan Eviriawan; Sutardi Sutardi; Muhammad Ihsan Sarita
Jurnal Teknik Mesin, Elektro dan Ilmu Komputer Vol. 6 No. 2 (2026): Juli : Jurnal Teknik Mesin, Elektro dan Ilmu Komputer
Publisher : Lembaga Pengembangan Kinerja Dosen

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55606/teknik.v6i2.11272

Abstract

Exams are One of the methods used in the teaching and learning process to evaluate the quality of learning. However, they also create additional workload for teachers, especially during grading, as it takes time to compare students’ varying answers, particularly for essay questions. The goal of this project is to create a web-based, real-time grading system that will help teachers in correcting essay answers quickly and easily. The system employs the Cosine Similarity method to measure similarity between student answers and the answer key based on text vector representations, as well as the Levenshtein Distance algorithm to calculate similarity between two strings through the fewest possible operations (substitution, deletion, and insertion). Mean Absolute Error (MAE) and Mean Absolute Percentage Error (MAPE) were used in testing to gauge the correctness of the system by comparing results with manual grading. The results showed an MAE value of 0.003298 and a MAPE of 0.002484%, indicating a very low error rate, meaning the system can produce scores close to actual values. Additionally, User Acceptance Testing (UAT) showed a high acceptance rate averaging 90.98%, indicating the system is suitable for use.
Co-Authors Achmad Nur Aliansyah Adha Mashur Sajiah Bambang Pramono Eviriawan Eviriawan Golok Jaya, La Ode Muhammad Hikma Hikma Isnawaty Isnawaty Izan Fahrani Jumadil Nangi L.M. Fid Aksara Muh. Ikbal Ikbal Muhammad Akbar Perdana Ramadhan Muhammad Ihsan Sarita Ni Wayan Erdiani Ryan Rinaldi Hadistio Subardin Subardin Syahril Ramadhan Salman Noor Wa Ode Asriyani