Article Per Year (5 Year)
p-Index From 2021 - 2026
0.702
P-Index
This Author published in this journals
All Journal Jurnal Masyarakat Merdeka (JMM) Buana Information Technology and Computer Sciences (BIT and CS) Prosidia Widya Saintek
Fitri Marisa
Universitas Widya Gama Malang
Agriculture, Biological Sciences & Forestry Automotive Engineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Law, Crime, Criminology & Criminal Justice Mechanical Engineering Social Sciences Transportation Other

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

Found 4 Documents
Search

 1 
Pemanfaatan Kecerdasan Buatan Untuk Mendukung Pengembangan Bahan Pembelajaran Pada SMK Widyagama Malang Istiadi Istiadi; Fitri Marisa; Syahroni Wahyu Iriananda; Rangga Pahlevi Putra
JMM - Jurnal Masyarakat Merdeka Vol. 9 No. 1 (2026): MEI
Publisher : Universitas Merdeka Pasuruan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51213/jmm.v9i1.217

Abstract

Program pengabdian kepada masyarakat ini bertujuan meningkatkan kompetensi guru SMK Widyagama Malang dalam memanfaatkan kecerdasan buatan, khususnya Generative AI (GenAI), untuk pengembangan bahan ajar vokasional. Metode yang digunakan adalah pendekatan partisipatif melalui observasi, wawancara, workshop interaktif, dan pendampingan selama 2–3 minggu. Pelatihan mencakup penggunaan tools seperti ChatGPT, Canva AI, Diffit, dan MagicSchool. Hasil menunjukkan tingkat kepuasan peserta sebesar 86% serta peningkatan pemahaman dan keterampilan guru dalam mengintegrasikan GenAI ke dalam pembelajaran. Secara keseluruhan, program ini efektif dalam mendorong peningkatan kompetensi digital guru, meskipun diperlukan durasi pelatihan yang lebih panjang untuk hasil yang optimal.
Classification of Tulungagung Batik Images in Comparison of Convolution Neural Network and Vision Transformer Algorithms: Author's Country: Indonesia Augustiar Mahendra Mochammad; Firman Nurdiyansyah; Fitri Marisa
Buana Information Technology and Computer Sciences (BIT and CS) Vol. 7 No. 1 (2026): Buana Information Technology and Computer Sciences (BIT and CS)
Publisher : Information System; Universitas Buana Perjuangan Karawang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36805/84twwe32

Abstract

Batik is a significant Indonesian cultural heritage with a vast diversity of motifs, making manual classification a challenging task. This research provides a comparative analysis of two prominent deep learning architectures, the Convolutional Neural Network (CNN), represented by VGG16, and the Vision Transformer (ViT), represented by DeiT, for the classification of Tulungagung batik images. A balanced dataset of 2,400 images, comprising two classes (Bangoan and Majanan), was utilized. The experiment was conducted using three distinct training-to-testing split ratios (80:20, 70:30, and 60:40) to evaluate model robustness. Performance was assessed using accuracy, precision, recall, F1-score, and the confusion matrix. The results indicate that the CNN (VGG16) model consistently outperformed the ViT (DeiT), achieving its peak accuracy of 96% on both the 80:20 and 60:40 split ratios, showcasing high stability. The ViT (DeiT) model was more sensitive to the data split, reaching a peak accuracy of 94% with less consistent performance. We conclude that for this specific classification task, the VGG16 architecture is more robust, stable, and effective than the DeiT architecture.
KLASIFIKASI KEMATANGAN BUAH PINANG PAPUA MENGGUNAKAN M-SVM DAN EKSTRAKSI GLCM Aser Afanti Naa; Istiadi Istiadi; Fitri Marisa
Prosidia Widya Saintek Vol. 5 No. 2 (2026)
Publisher : Universitas Widyagama Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pemilahan tingkat kematangan buah pinang Papua secara manual berpotensi menghasilkan penilaian yang tidak konsisten, sehingga diperlukan pendekatan klasifikasi berbasis citra. Penelitian ini bertujuan mengklasifikasikan buah pinang ke dalam kelas mentah, matang, dan tua menggunakan ekstraksi tekstur Gray Level Co-occurrence Matrix (GLCM) dan Multiclass Support Vector Machine (M-SVM). Dataset terdiri atas 90 citra berformat JPG, masing-masing 30 citra per kelas. Tahap praproses meliputi cropping dan resize menjadi 256×256 piksel. Implementasi ekstraksi menghasilkan fitur contrast dan correlation yang digunakan untuk melatih M-SVM dengan kernel linear, polynomial, Gaussian/RBF, dan sigmoid pada sembilan rasio pembagian data. Hasil pengujian yang dilaporkan menunjukkan nilai tertinggi 77,78% pada kernel Gaussian dan linear untuk rasio data latih:data uji 90:10. Berdasarkan matriks konfusi, kedua kernel menghasilkan enam prediksi benar dari sembilan data uji atau akurasi keseluruhan 66,67%. Kernel Gaussian memberikan presisi dan recall makro masing-masing 66,67%, lebih seimbang daripada kernel linear. Hasil ini menunjukkan bahwa kombinasi GLCM dan M-SVM dapat digunakan sebagai dasar klasifikasi otomatis, tetapi peningkatan jumlah data, standardisasi akuisisi citra, dan validasi silang terstratifikasi masih diperlukan untuk meningkatkan generalisasi model.
UJI KOMPARASI METODE NAÏVE BAYES DAN RANDOM FOREST DALAM PREDIKSI PRESTASI BELAJAR SISWA SMA PJ GLOBAL SCHOOL Retno Wilujeng; Fitri Marisa; Istiadi Istiadi
Prosidia Widya Saintek Vol. 5 No. 2 (2026)
Publisher : Universitas Widyagama Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penelitian ini bertujuan untuk menganalisis dan membandingkan kinerja algoritma machine learning dalam memprediksi prestasi belajar siswa sekolah menengah atas. Permasalahan utama dalam penelitian ini adalah belum optimalnya pemanfaatan data akademik untuk mendukung pengambilan keputusan berbasis data di lingkungan sekolah. Metode yang digunakan adalah pendekatan klasifikasi dengan menerapkan algoritma Naïve Bayes dan Random Forest. Data penelitian berupa data primer sebanyak 82 siswa SMA PJ Global School yang mencakup variabel jenis kelamin, jumlah saudara, jarak rumah ke sekolah, nilai rapor setiap semester, serta nilai rata – rata akademik. Tahapan penelitian meliputi pengumpulan data, preprocessing yang terdiri atas pembersihan dan transformasi data, pemodelan klasifikasi, serta evaluasi menggunakan metrik akurasi, presisi, recall, F1-score, dan AUC melalui skema 4-fold cross validation. Hasil penelitian menunjukkan bahwa kedua algoritma mampu melakukan klasifikasi dengan performa yang baik, namun Random Forest menghasilkan tingkat akurasi dan konsistensi yang lebih tinggi dibandingkan Naïve Bayes. Temuan ini menunjukkan bahwa metode ensemble learning lebih efektif dalam memodelkan pola prestasi belajar pada dataset yang digunakan.
Co-Authors Aser Afanti Naa Augustiar Mahendra Mochammad Firman Nurdiyansyah Istiadi Istiadi Istiadi Istiadi Rangga Pahlevi Putra Retno Wilujeng Syahroni Wahyu Iriananda