Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Jurnal Informatika Progres Jurnal Esensi Infokom : Jurnal Esensi Sistem Komputer dan Informasi
Teny Handhayani
Fakultas Teknologi Informasi, Universitas Tarumanagara
Computer Science & IT

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Perbandingan Algoritma K-Means dan Fuzzy C-Means untuk Klasterisasi Produktivitas Kedelai di Pulau Jawa Jefri Jaya; Teny Handhayani
Jurnal Esensi Infokom : Jurnal Esensi Sistem Informasi dan Sistem Komputer Vol 9 No 1 (2025)
Publisher : Institut Bisnis Nusantara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55886/infokom.v9i1.949

Abstract

Kedelai merupakan tanaman pangan yang memiliki nilai ekonomi yang tinggi dan merupakan salah satu bahan pangan yang sering di konsumsi oleh masyarakat Indonesia. Meskipun memiliki potensi besar dalam mendukung ketahanan pangan nasional, Indonesia masih menghadapi tantangan dalam memenuhi kebutuhan kedelai secara mandiri. Hal ini disebabkan oleh keterbatasan produksi lokal yang belum mampu mengimbangi tingginya permintaan masyarakat. Akibatnya, Indonesia masih bergantung pada impor kedelai dari luar negeri untuk memenuhi kebutuhan domestik. Penelitian ini bertujuan menghasilkan informasi berupa pengelompokkan wilayah, menganalisis pola tren pertumbuhan, dan menentukan model klasterisasi yang paling optimal dari K-Means dan Fuzzy C-Means dengan menggunakan data tanaman pangan Kedelai di Pulau Jawa. Data yang digunakan berupa time series tahunan dari tahun 2010 hingga 2022, yang diperoleh dari situs Basis Data Statistik Pertanian. Hasil evaluasi silhouette dari metode K-Means dan Fuzzy C-Means memiliki hasil yang serupa dalam menentukan klasterisasi data berdasarkan nilai k yang paling optimal berada di 0.4659 dengan jumlah klaster k = 2. Tiap klaster terbagi menjadi 2 klaster, klaster 0 memiliki 66 wilayah dengan hasil produktivitas rendah, klaster 1 memiliki 16 wilayah dengan hasil produktivitas tinggi.
PERBANDINGAN KINERJA K-NEAREST NEIGHBORS DAN CONVOLUTIONAL NEURAL NETWORK UNTUK KLASIFIKASI CITRA KONDISI PERMUKAAN JALAN Fenny Jong; Teny Handhayani
PROGRESS Vol 17 No 1 (2025): April
Publisher : P3M STMIK Profesional Makassar

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

Abstract

Improving road infrastructure quality is an important aspect of transportation development and road user safety. Automatically assessing road surface conditions can accelerate maintenance and repair efforts. This study compares two classification methods, K-Nearest Neighbors (KNN) and Convolutional Neural Network (CNN), to evaluate road surface conditions based on digital images. Texture features are extracted using the Gray Level Co-occurrence Matrix (GLCM), including Contrast, Homogeneity, Energy, and others, to enhance the classification accuracy in KNN, while feature extraction and classification in CNN are performed automatically. The dataset used in this research consists of 1500 images of road surfaces with three different conditions: smooth, cracked, and potholes. Each condition contains 500 images with a resolution of 300x300 pixels. The results show that the KNN algorithm achieves an accuracy of 57.2%, while CNN demonstrates the best performance with an accuracy of 93.8%. for 80% training data and 20% testing data
Co-Authors Fenny Jong Jefri Jaya