Article Per Year (5 Year)
p-Index From 2021 - 2026
0.562
P-Index
This Author published in this journals
All Journal Jurnal Ilmu Komputer dan Sistem Komputer Terapan (JIKSTRA) Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI)
Yiska Dayanti Zagoto
Universitas Potensi Utama
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Engineering

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Klasifikasi Penyakit Daun Tomat Menggunakan Pengolahan Citra Dan Algoritma Machine Learning Romi Antoni; Susiana Khosasih; Ricky Irnanda; Iswanto; Farhan Sardy Abdillah; Yiska Dayanti Zagoto; Rika Rosnelly
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 4 No. 3 (2026): Februari 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v4i3.778

Abstract

Klasifikasi penyakit daun tomat merupakan langkah penting untuk meningkatkan produktivitas pertanian dan meminimalkan kerugian akibat patogen. Penelitian ini bertujuan membandingkan dan mengevaluasi performa algoritma Naive Bayes dan Support Vector Machine (SVM) dalam klasifikasi penyakit daun tomat berbasis pengolahan citra digital. Pipeline penelitian mencakup segmentasi citra berbasis HSV, ekstraksi fitur warna, bentuk, dan tekstur menggunakan metode Gray Level Co-occurrence Matrix (GLCM) dan Local Binary Pattern (LBP), serta proses klasifikasi. Sistem diimplementasikan dalam bentuk Graphical User Interface (GUI) berbasis MATLAB untuk memudahkan manajemen data latih, pelatihan model, klasifikasi, dan evaluasi performa. Hasil pengujian menunjukkan bahwa SVM mencapai akurasi 92,36%, lebih tinggi dibandingkan Naive Bayes sebesar 79,41%. Kontribusi penelitian ini meliputi analisis komparatif Naive Bayes dan SVM dalam klasifikasi penyakit daun tomat, integrasi fitur warna, bentuk, dan tekstur dalam satu pipeline, dan pengembangan GUI interaktif untuk klasifikasi. Penelitian ini diharapkan dapat mendukung pertanian presisi melalui deteksi penyakit daun tomat yang lebih cepat, akurat, dan efisien.
Kombinasi K-Means dan Fuzzy C-Means untuk Clustering Transaksi PPOB Berdasarkan Validitas Cluster Nanda Setiawan; Heru Fredi; Bualazatulo Laia; Yiska Dayanti Zagoto; Johan; Andreas Jorghy Parapat; Wahyu Saptha Negoro
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 4 No. 3 (2026): Februari 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v4i3.839

Abstract

Perkembangan layanan Payment Point Online Bank (PPOB) telah mendorong peningkatan signifikan pada volume dan kompleksitas data transaksi digital yang dihasilkan. Algoritma K-Means merupakan salah satu metode clustering yang paling banyak digunakan karena kesederhanaan, efisiensi komputasi, dan kemampuannya dalam menangani data berskala besar. Tujuan penelitian adalah mengelompokkan data transaksi PPOB secara optimal menggunakan kombinasi algoritma K-Means dan Fuzzy C-Means (FCM) serta mengevaluasi kualitas cluster berdasarkan validitas cluster. Data yang digunakan dalam penelitian ini merupakan data transaksi Payment Point Online Bank (PPOB) periode Januari 2024 yang diolah menggunakan Google Colaboratory (Google Colab). Data tersimpan dalam format CSV dan berisi informasi transaksi yang dilakukan oleh berbagai loket PPOB dengan jumlah data: 498.853 data transaksi. Penerapan metode Fuzzy C-Means memberikan hasil yang lebih sesuai karena mampu merepresentasikan derajat keanggotaan ganda pada loket-loket yang berada di zona transisi antar cluster. Keberadaan zona transisi tersebut membuktikan bahwa pendekatan Fuzzy lebih tepat digunakan dalam konteks bisnis PPOB yang dinamis, di mana performa loket dapat berubah seiring waktu dan tidak selalu berada pada kategori yang bersifat mutlak.
Perbandingan Kinerja MetodeTF-IDF dan BM25 pada Pencarian Artikel Berita Bahasa Indonesia Muhammad Al Adib; Yiska Dayanti Zagoto; Bualazatulo Laia; Roslina
Jurnal Ilmu Komputer dan Sistem Komputer Terapan (JIKSTRA) Vol. 8 No. 2 (2026): Edisi Oktober
Publisher : Universitas Harapan Medan

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

Abstract

The growth of online media has increased the number of Indonesian-language news articles and created a need for effective and efficient retrieval systems. This study compares Term Frequency–Inverse Document Frequency (TF-IDF) and Best Matching 25 (BM25) using the Indonesia News Dataset (2025). Of 80,472 articles, 80,463 documents were retained after removing nine articles with empty content. The evaluation used 10 multi-category queries. Ground truth was constructed by pooling the top 20 results from each method, producing 304 query–document pairs manually assessed by one evaluator using relevance labels from 0 to 2. Retrieval effectiveness was measured using Precision@k, Recall@k, Mean Average Precision (MAP), Mean Reciprocal Rank (MRR), and normalized Discounted Cumulative Gain (nDCG). Retrieval time was measured over 30 repetitions after three warm-up runs. At Top-10, BM25 achieved a Precision@10 of 0.79, Recall@10 of 0.351630, MAP@10 of 0.728635, and nDCG@10 of 0.630976, which were higher than the corresponding TF-IDF scores. TF-IDF obtained a slightly higher MRR of 0.90 than BM25 at 0.85. In the evaluated implementation, BM25 required 0.010191 seconds on average, whereas TF-IDF required 0.066014 seconds. Descriptively, BM25 performed better on most Top-10 metrics and retrieval time, but the results depended on query characteristics and experimental configuration.
Co-Authors Andreas Jorghy Parapat Bualazatulo Laia Farhan Sardy Abdillah Heru Fredi Iswanto Johan Muhammad Al Adib Nanda Setiawan Negoro, Wahyu Saptha Ricky Irnanda Rika Rosnelly Romi Antoni Roslina, Roslina Susiana Khosasih