Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal JATI (Jurnal Mahasiswa Teknik Informatika)
Endang Purnama Giri
Ilmu Komputer, IPB University
Computer Science & IT

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

Found 2 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.
Co-Authors Aditya Rieyza Munif Ahmad Ahmad Aubrey Nedwin Mantiri Dzulfiqar Azhar Al Ghifari Gema Parasti Mindara Muhammad Rizki Pramudya Idris Reksa Prayoga Syahputra