Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal PROSISKO : Jurnal Pengembangan Riset dan observasi Rekayasa Sistem Komputer Journal Of Artificial Intelligence And Software Engineering
Mayanda Mega Santoni
Informatika, Fakultas Ilmu Komputer, Universitas Pembangunan Nasional Veteran Jakarta
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Mechanical Engineering

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

Found 2 Documents
Search

 1 
Pengembangan Sistem Pendeteksi dan Penghitungan Uang Rupiah Otomatis Menggunakan YOLOv8 Achmad Fauzal Khobir; Muthiah Hamidah; Mayanda Mega Santoni; Dodik Ariyanto; Faldiena Marcelita
PROSISKO: Jurnal Pengembangan Riset dan Observasi Sistem Komputer Vol. 13 No. 2 (2026): Prosisko Vol. 13 No. 2 Juli 2026
Publisher : Pogram Studi Sistem Komputer Universitas Serang Raya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30656/g16vzn71

Abstract

Perkembangan teknologi computer vision dan deep learning telah mendorong pengembangan sistem deteksi objek secara otomatis pada berbagai bidang, termasuk pengenalan mata uang. Penelitian ini bertujuan untuk mengembangkan sistem pendeteksi dan penghitungan uang rupiah otomatis menggunakan algoritma YOLOv8. Penelitian dilakukan dengan membandingkan performa dua varian model, yaitu YOLOv8n dan YOLOv8s, dalam mendeteksi nominal uang rupiah berdasarkan metrik evaluasi precision, recall, mAP50, dan mAP50-95. Tahapan penelitian meliputi pengumpulan dataset, preprocessing data, pelatihan model, pengujian model, evaluasi kinerja, serta analisis hasil. Dataset yang digunakan terdiri dari citra uang rupiah dengan tujuh kelas nominal, yaitu Rp1.000, Rp2.000, Rp5.000, Rp10.000, Rp20.000, Rp50.000, dan Rp100.000. Hasil penelitian menunjukkan bahwa kedua model mampu mendeteksi nominal uang rupiah dengan baik serta melakukan penghitungan total nominal uang secara otomatis. Model YOLOv8s menunjukkan performa yang lebih baik dalam mendeteksi objek secara umum dan menghasilkan deteksi yang lebih akurat, sedangkan YOLOv8n memiliki kemampuan lokalisasi objek yang lebih stabil berdasarkan nilai mAP50-95 yang lebih tinggi serta ukuran model yang lebih ringan. Beberapa kesalahan deteksi masih ditemukan pada kondisi uang yang bertumpuk (overlap), pencahayaan yang kurang optimal, dan kemiripan warna antar-nominal uang. Secara keseluruhan, penelitian ini menunjukkan bahwa algoritma YOLOv8 memiliki potensi yang baik untuk diterapkan pada sistem pendeteksi dan penghitungan uang rupiah otomatis berbasis computer vision serta dapat diimplementasikan pada aplikasi berbasis web.
Automated Student Card Detection and Identity Verification System for Laboratory Management Using YOLOv8n and OCR Muhammad Raihan Zaldiputra; Raffa Danendra Pramono; Keisyah Zahra Anatasya; Dodik Ariyanto; Faldiena Marcelita; Mayanda Mega Santoni
Journal of Artificial Intelligence and Software Engineering Vol 6, No 2 (2026): Juni (OnProgress)
Publisher : Politeknik Negeri Lhokseumawe

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30811/jaise.v6i2.9208

Abstract

Pengelolaan peminjaman laboratorium komputer di Sekolah Vokasi IPB University masih dilakukan secara manual, sehingga menimbulkan inefisiensi operasional, ketidakakuratan pencatatan, dan ketidakmampuan pemantauan secara real-time. Penelitian ini bertujuan mengembangkan sistem peminjaman laboratorium berbasis web yang mengotomatisasi proses verifikasi identitas mahasiswa melalui integrasi tiga teknologi utama, yaitu You Only Look Once version 8 Nano (YOLOv8n), Optical Character Recognition (OCR) menggunakan PaddleOCR, dan verifikasi wajah menggunakan ArcFace. Metodologi penelitian meliputi pengumpulan 110 citra Kartu Tanda Mahasiswa (KTM), anotasi bounding box pada empat region, preprocessing dan augmentasi hingga menghasilkan 780 citra, pelatihan model selama 150 epoch menggunakan GPU Tesla T4, serta integrasi ke dalam platform web menggunakan FastAPI dan Next.js. Hasil evaluasi menunjukkan model YOLOv8n mencapai mAP@0,5 sebesar 0,976, precision 0,977, dan recall 0,979. Sistem ini berhasil mengintegrasikan seluruh pipeline verifikasi KTM secara otomatis dan real-time, menghilangkan ketergantungan pada proses manual dalam pengelolaan peminjaman laboratorium.
Co-Authors Achmad Fauzal Khobir Dodik Ariyanto Dodik Ariyanto Faldiena Marcelita Faldiena Marcelita Keisyah Zahra Anatasya Muhammad Raihan Zaldiputra Muthiah Hamidah Raffa Danendra Pramono