Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal JTERA (Jurnal Teknologi Rekayasa) Jurnal Ilmiah Teknik Informatika (TEKINFO)
Adhi Kusnadi
UNIVERSITAS NUSA PUTRA
Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Industrial & Manufacturing Engineering Mechanical Engineering Social Sciences Transportation

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

Found 2 Documents
Search

 1 
Evaluasi Komparatif Algoritma Machine Learning Menggunakan SMOTENC pada Klasifikasi Status Gizi Balita Berbasis Data Antropometri Erip Suratno; Adhi Kusnadi; Zeldi Suryady
JTERA (Jurnal Teknologi Rekayasa) Vol 11 No 1: Vol. 11 No. 1: Juni 2026
Publisher : Politeknik Sukabumi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31544/jtera.v11.i1.2026.101-110

Abstract

Ketidakseimbangan distribusi kelas pada data status gizi balita dapat membuat model klasifikasi tampak akurat, tetapi kurang mampu mengenali kelas minoritas. Penelitian ini mengevaluasi Support Vector Machine, K-Nearest Neighbors, Naive Bayes, Decision Tree, dan Random Forest untuk klasifikasi multikelas status gizi balita berbasis data antropometri. Dataset berjumlah 3.716 data Posyandu Desa Ujunggenteng tahun 2025 dengan fitur jenis kelamin, usia, berat badan, dan tinggi badan serta empat kelas target: kurang gizi, gizi baik, risiko gizi lebih, dan gizi lebih. Label diperlakukan sebagai label operasional dalam dataset, bukan hasil penghitungan ulang z-score WHO/Kementerian Kesehatan. Eksperimen menggunakan pembagian data latih-uji terstratifikasi 80:20, 5-fold Stratified K-Fold Cross-Validation, pencarian kandidat parameter terbatas, preprocessing numerik-kategorik, dan SMOTENC hanya pada data latih atau fold pelatihan. Hasil cross-validation menunjukkan SVM memperoleh CV F1 Macro tertinggi sebesar 0,829578. Pada data uji, Random Forest memperoleh F1 Macro tertinggi sebesar 0,827132, sedangkan KNN memperoleh akurasi tertinggi sebesar 0,956989 dan balanced accuracy tertinggi sebesar 0,883393. Pemilihan model perlu mempertimbangkan F1 Macro, balanced accuracy, confusion matrix, dan performa per kelas. Berdasarkan cross-validation, SVM ditetapkan sebagai model final, sedangkan Random Forest dilaporkan terbaik pada data uji berdasarkan F1 Macro.
Perbandingan Kinerja YOLOv8 dan SSD MobileNet untuk Deteksi Kelengkapan Atribut Seragam Siswa Argi Ginanjar; Adhi Kusnadi
Jurnal Ilmiah Teknik Informatika (TEKINFO) Vol. 27 No. 2 (2026): TEKINFO Vol 27 No 2 Oktober 2026
Publisher : Fakultas Teknik Universitas Persada Indonesia YAI

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

Abstract

Inspecting the completeness of student uniform attributes is challenging because several items, suchas epaulettes, name tags, belts, black shoes, and caps, may appear small, partially occluded, orvisually unclear. This study compares YOLOv8n and SSD MobileNet for detecting student uniformattributes using a self-collected dataset. The dataset contains 1,532 augmented images, five objectclasses, and 5,294 YOLO-format bounding box annotations. The experimental procedure includeddataset preparation, object annotation, train-validation-test splitting, model training, and finalevaluation on the test set. The evaluation used precision, recall, mAP@50, mAP@50-95, inferencetime, and FPS. On the test set, YOLOv8n achieved a precision of 0.8966, recall of 0.8689, mAP@50of 0.9276, mAP@50-95 of 0.6723, inference time of 10.36 ms, and 96.47 FPS. SSD MobileNetachieved a precision of 0.5140, recall of 0.5169, mAP@50 of 0.6034, mAP@50-95 of 0.3171,inference time of 11.00 ms, and 90.87 FPS. These findings indicate that YOLOv8n performed betterin the tested dataset and experimental setting.
Co-Authors Argi Ginanjar Erip Suratno Zeldi Suryady