Article Per Year (5 Year)
p-Index From 2021 - 2026
0.562
P-Index
This Author published in this journals
All Journal JATI (Jurnal Mahasiswa Teknik Informatika)
Gema Parasti Mindara
Teknologi Rekayasa Komputer, IPB University
Computer Science & IT

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

Found 3 Documents
Search

 1 
ANALISIS KINERJA YOLOV11 VS YOLOV8 PADA DATASET DEEPFASHION2: PENERAPAN MODEL TERBARU UNTUK DETEKSI KEPATUHAN PAKAIAN PADA APLIKASI WEB Reksa Prayoga Syahputra; Aubrey Nedwin Mantiri; Aditya Rieyza Munif; Gema Parasti Mindara; Endang Purnama Giri
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 10 No. 1 (2026): JATI Vol. 10 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v10i1.16641

Abstract

Pemantauan kepatuhan aturan busana (dress code) di lingkungan institusi sering kali terkendala oleh proses verifikasi manual yang subjektif dan tidak efisien. Penelitian ini bertujuan untuk merancang sistem deteksi otomatis berbasis web serta melakukan analisis komparatif antara model YOLOv8 dan model terbaru YOLOv11 dalam mengenali atribut panjang lengan pakaian. Sistem dikembangkan menggunakan arsitektur frontend React dan backend Flask, dengan model deteksi yang dilatih pada subset dataset DeepFashion2 yang terdiri dari empat kelas yang merepresentasikan variasi lengan panjang dan pendek pada kemeja serta luaran. Hasil pengujian kuantitatif menunjukkan bahwa YOLOv11 mengungguli YOLOv8 pada deteksi bounding box dengan mAP@0.5 mencapai 0,57 dan peningkatan Precision yang signifikan hingga 0,809, meskipun YOLOv8 menunjukkan stabilitas yang sedikit lebih baik pada segmentasi mask. Kinerja terendah tercatat pada kelas outwear akibat ketidakseimbangan data yang ekstrem. Secara keseluruhan, sistem terbukti mampu menyajikan status kepatuhan secara optimal, menempatkan YOLOv11 sebagai opsi model yang lebih efisien dan akurat untuk skenario pemantauan dress code otomatis
KLASIFIKASI MOTIF BATIK INDONESIA MENGGUNAKAN DEEP LEARNING BERBASIS CONVOLUTIONAL NEURAL NETWORK (CNN) Muhammad Rizki Pramudya Idris; Ahmad Ahmad; Dzulfiqar Azhar Al Ghifari; Gema Parasti Mindara; Endang Purnama Giri
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 10 No. 1 (2026): JATI Vol. 10 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v10i1.16917

Abstract

Batik merupakan warisan budaya Indonesia yang banyak didigitalisasi dalam bentuk citra, sehingga dibutuhkan sistem pengenalan motif yang cepat dan akurat untuk mendukung dokumentasi, pencarian produk, dan edukasi. Permasalahan dalam penelitian ini adalah bagaimana merancang model klasifikasi motif batik yang mampu mengenali banyak kelas motif sekaligus tetap andal terhadap variasi citra, termasuk perbedaan sudut pengambilan dan tekstur kain. Penelitian ini bertujuan membangun dan mengevaluasi model klasifikasi motif batik berbasis deep learning dengan arsitektur ResNet50. Dataset yang digunakan terdiri atas 3.000 citra kain batik datar berwarna yang merepresentasikan 20 kelas motif. Metode yang diterapkan meliputi pra-pemrosesan citra dengan teknik edge-enhanced berbasis deteksi tepi, penerapan transfer learning pada ResNet50, serta pelatihan dua tahap, yaitu pelatihan classifier head dan fine-tuning sebagian lapisan. Kinerja model dievaluasi menggunakan akurasi, precision, recall, F1-score, dan confusion matrix pada data uji terpisah. Hasil pengujian menunjukkan bahwa model menghasilkan performa klasifikasi yang sangat baik dan relatif seimbang di sebagian besar kelas, serta tetap mampu mengklasifikasikan citra kain maupun pakaian bermotif batik, meskipun lipatan kain dan latar belakang kompleks masih dapat menurunkan tingkat keyakinan model.
PENERAPAN METODE IMAGE PROCESSING BERBASIS HISTOGRAM WARNA UNTUK IDENTIFIKASI DAN PENENTUAN TINGKAT KEMATANGAN BUAH PISANG Davino Rizqy Dayan; Muhammad Gibran Anggalana; Muh Fahrul Fahrezi; Naufalih Muzakki Sujono; Rheynesta Hannover; Endang Purnama Giri; Gema Parasti Mindara
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 10 No. 3 (2026): JATI Vol. 10 No. 3
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v10i3.18348

Abstract

Penentuan tingkat kematangan buah pisang merupakan aspek penting dalam proses pascapanen untuk menjaga kualitas sebelum distribusi. Namun, metode manual yang sering digunakan petani masih bersifat subjektif dan kurang akurat. Penelitian ini bertujuan mengembangkan sistem klasifikasi tingkat kematangan pisang menggunakan pengolahan citra digital berbasis histogram warna dan algoritma Support Vector Machine (SVM). Dataset yang digunakan sebanyak 1.865 citra dari empat kategori kematangan, yaitu mentah, setengah matang, matang, dan terlalu matang. Tahapan penelitian meliputi segmentasi citra menggunakan Otsu Thresholding, ekstraksi fitur statistik orde pertama (Mean, Skewness, Energy, dan Smoothness) dari ruang warna RGB, HSV, dan Lab*, serta klasifikasi menggunakan SVM kernel Radial Basis Function (RBF). Hasil pengujian menunjukkan model mampu mengklasifikasikan tingkat kematangan pisang dengan akurasi sebesar 98%. Kelas matang memperoleh precision 93%, recall 95%, dan F1-score 94%, sedangkan kelas mentah mencapai precision 99%, recall 100%, dan F1-score 99%. Kelas setengah matang memperoleh nilai 99% untuk seluruh metrik, sementara kelas terlalu matang mencapai precision 98%, recall 96%, dan F1-score 97%. Hasil ini menunjukkan metode yang digunakan efektif sebagai solusi otomatis dan objektif dalam identifikasi kematangan buah pisang
Co-Authors Aditya Rieyza Munif Ahmad Ahmad Aubrey Nedwin Mantiri Davino Rizqy Dayan Dzulfiqar Azhar Al Ghifari Endang Purnama Giri Endang Purnama Giri Muh Fahrul Fahrezi Muhammad Gibran Anggalana Muhammad Rizki Pramudya Idris Naufalih Muzakki Sujono Reksa Prayoga Syahputra Rheynesta Hannover