Article Per Year (5 Year)
p-Index From 2020 - 2025
7.395
P-Index
This Author published in this journals
All Journal Techno.Com: Jurnal Teknologi Informasi Jurnal Sisfokom (Sistem Informasi dan Komputer) Jurnal Ilmiah Media Sisfo JOURNAL OF SCIENCE AND SOCIAL RESEARCH JOISIE (Journal Of Information Systems And Informatics Engineering) INTI Nusa Mandiri Jurnal Teknologi Dan Sistem Informasi Bisnis JATI (Jurnal Mahasiswa Teknik Informatika) Indonesian Journal of Electrical Engineering and Computer Science Jurnal Pendidikan Guru (JPG) JITSI : Jurnal Ilmiah Teknologi Sistem Informasi Journal of Education Research Algoritme Jurnal Mahasiswa Teknik Informatika Jurnal Pustaka AI : Pusat Akses Kajian Teknologi Artificial Intelligence Jurnal Informatika Teknologi dan Sains (Jinteks) Jurnal Komtekinfo Indonesian Journal Computer Science (ijcs) Journal of Information System and Education Development Kesatria : Jurnal Penerapan Sistem Informasi (Komputer dan Manajemen) The Indonesian Journal of Computer Science CSRID
Ramadhanu, Agung
Unknown Affiliation
Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Languange, Linguistic, Communication & Media Mathematics Social Sciences Other

Published : 62 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 62 Documents
Search

 3   4   5   6   7 
KLASIFIKASI CITRA DIGITAL BATU KERIKIL DAN BATU KALI DENGAN METODE K-MEANS DAN TEKNIK PENGOLAHAN CITRA Gafari, Abuzar; Ramadhanu, Agung
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 9 No. 2 (2025): JATI Vol. 9 No. 2
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v9i2.13170

Abstract

Perkembangan teknologi informasi yang pesat seperti kecerdasan buatan, sedikit banyaknya menjadi pemicu inovasi di berbagai bidang, termasuk pengolahan citra, salah satu penerapannya adalah identifikasi dan pengelompokan objek dalam citra digital yang dapat digunakan di berbagai bidang, dan bidang konstruksi merupakan salah satunya. Pada pekerjaan konstruksi, material yang sering digunakan diantaranya dalah batu kerikil dan batu kali. Penggunaan teknik manual untuk mengklasifikasikan material berpotensi menghasilkan kesalahan dari sisi manusianya, juga membutuhkan banyak waktu dan tenaga pekerja. Penerapan metode K-means Clustering pada klasifikasi batu kerikil dan batu kali memberikan solusi baru pada otomatisasi yang efisien, dan juga mendukung pengelolaan material yang baik, meningkatkan kualitas hasil konstruksi serta dapat mengurangi dampak kerusakan lingkungan. Oleh sebab itu, penelitian ini dilakukan guna pengembangan model klasifikasi citra digital batu kerikil dan batu kali menggunakan metode K-means Clustering dan dilengkapi dengan teknik pengolahan citra guna memberikan kontribusi nyata dalam otomatisasi klasifikasi material konstruksi. Secara umum, hasil penelitian dapat disimpulkan bahwa identifikasi jenis batu material konstruksi menggunakan metode K-means dan teknik pengolah citra sangat akurat dan efektif dalam membedakan jenis batu kali da batu kerikil.
PENERAPAN ALGORITMA K-NEAREST NEIGHBOR(KNN) DAN PCA UNTUK KLASIFIKASI APEL HIJAU, APEL FUJI DAN JERUK Rosa, Imelda; Ramadhanu, Agung
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 9 No. 2 (2025): JATI Vol. 9 No. 2
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v9i2.13309

Abstract

Buah-buahan seperti apel hijau, apel Fuji, dan jeruk memiliki karakteristik visual yang berbeda berdasarkan tektur, bentuk, dan warnanya. Klasifikasi otomatis buah ini sangat berguna dalam industri pertanian dan perdagangan, seperti dalam proses sortir otomatis, deteksi kualitas buah, dan pengemasan yang lebih efisien. Teknik pengolahan citra dan machine learning dapat membantu mengklasifikasikan buah secara otomatis berdasarkan fitur visualnya. Pada penelitian metode yang digunakan untuk klasifikasi tiga jenis buah, yaitu apel hijau, apel Fuji, dan jeruk adalah K-Nearest Neighbor (KNN) dan Principal Component Analysis (PCA) untuk. PCA digunakan untuk mereduksi dimensi data fitur citra buah seperti warna, tekstur, dan bentuk, sehingga meningkatkan efisiensi proses klasifikasi. Algoritma KNN diterapkan untuk mengklasifikasikan buah berdasarkan hasil reduksi fitur yang diperoleh dari PCA. Uji coba dilakukan pada dataset citra buah dengan berbagai kondisi pencahayaan dan sudut pengambilan gambar. Dari 30 gambar (10 apel Fuji 10 apel hijau, dan 10 jeruk), hasil menunjukkan bahwa 2 apel fuji tidak teridentifikasi dengan benar, dengan akurasi mencapai 93%. Hasil penelitian menunjukkan bahwa kombinasi PCA dan KNN mampu mencapai tingkat akurasi tinggi dalam mengklasifikasikan ketiga jenis buah tersebut, dengan tingkat akurasi terbaik sebesar 93%. Kombinasi metode ini dapat diandalkan sebagai solusi dalam sistem klasifikasi otomatis berbasis citra digital.
KLASIFIKASI BAWANG MERAH, BAWANG PUTIH, DAN TOMAT DENGAN HYBRID INTELLIGENCE SYSTEM BERBASIS KNN DAN PCA Permata, Edo; Ramadhanu, Agung
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 9 No. 2 (2025): JATI Vol. 9 No. 2
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v9i2.13559

Abstract

Sektor pertanian memiliki peran penting dalam meningkatkan ketersediaan pangan, kesejahteraan petani, serta menjaga kelestarian lingkungan. Komoditas seperti bawang putih, bawang merah, dan tomat berkontribusi dalam mendukung ketahanan pangan dan perekonomian petani. Penelitian ini bertujuan mengembangkan sistem otomatis untuk mengklasifikasikan bawang putih, bawang merah, dan tomat berdasarkan citra visual menggunakan metode Hybrid Intelligence, yaitu kombinasi K-Nearest Neighbor (KNN) dan Principal Component Analysis (PCA). Sistem Hybrid Intelligence efektif diterapkan dalam berbagai bidang pengolahan citra. Dataset yang digunakan meliputi 16 data latih (7 bawang putih, 4 bawang merah, 5 tomat) dan 10 data uji (4 bawang putih, 3 bawang merah, 3 tomat). Hasil menunjukkan sistem hybrid ini mampu mencapai akurasi 96,15% dalam pengujian validasi, dengan nilai parameter K terbaik adalah 3. Sistem ini berhasil mengklasifikasikan bawang putih, bawang merah, dan tomat dengan tingkat akurasi tinggi, memberikan solusi efisien dan efektif dalam mendeteksi berdasarkan citra
Klasifikasi Citra Dalam Identifikasi Jeruk Nipis dan Jeruk Mandarin Menggunakan Convolutional Neural Network (CNN) Saputra, Randy; Erlanda, Hadrian; Ramadhanu, Agung
JITSI : Jurnal Ilmiah Teknologi Sistem Informasi Vol 5 No 4 (2024)
Publisher : SOTVI - Society of Visual Informatics

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62527/jitsi.5.4.282

Abstract

With the rapid development of technology in the field of image processing, it really helps farmers in identifying types of citrus fruit. This research aims to identify the differences between limes (Citrus aurantiifolia) and mandarin oranges (Citrus reticulata) using image processing methods and morphological analysis. Image processing is carried out to analyze visual differences based on color, texture and fruit size. In addition, chemical analysis was carried out to differentiate the composition of the compounds contained in the two types of oranges. The research results show that this approach is able to identify the differences between limes and mandarins with a high level of accuracy, and can be applied in various industries, including agriculture and food processing.
Klasifikasi Kematangan Buah Pepaya Berdasarkan Warna Menggunakan Convolutional Neural Network Utama Putra, Kharisma; Yosfand, Windra; Ramadhanu, Agung
JITSI : Jurnal Ilmiah Teknologi Sistem Informasi Vol 6 No 1 (2025)
Publisher : SOTVI - Society of Visual Informatics

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62527/jitsi.6.1.283

Abstract

Dengan kemajuan teknologi di bidang pengolahan citra digital (digital image processing) menjadi daya tarik tersendiri dalam mempermudah kehidupan manusia sehingga memunculkan banyak aplikasi yang dapat menerapkannya dalam berbagai bidang. Metode digital image processing dapat mentransformasikan citra masukan menjadi citra keluaran yang dapat dimanfaatkan untuk mengidentifikasi dan mengklasifikasi objek dalam kehidupan. Buah pepaya merupakan buah yang sering dikonsumsi manusia. Proses pemanenan buah pepaya dapat dilakukan menggunakan metode visual dengan memperhatikan warna dan ukuran buah. Pada penelitian ini beberapa sampel buah pepaya diambil nilai RGB dan dilakukan pengolahan dengan metode convutional neural network untuk mendapatkan tingkat kematangan dari buah pepaya. Hasil akhir dari penelitian ini bertujuan untuk membuat aplikasi yang dapat melakukan identifikasi dan mengklasifikasikan objek. Dalam pengujian sistem diperoleh persentase tingkat keberhasilan sebanyak 95%.
IMPLEMENTASI HYBRID INTELLIGENT SYSTEMS DALAM PENGKLASIFIKASIAN JENIS BUAH BERRY Agus Salim, David; Ramadhanu, Agung
JPG: Jurnal Pendidikan Guru Vol. 6 No. 2 (2025): JPG: Jurnal Pendidikan Guru
Publisher : Fakultas Keguruan dan Ilmu Pendidikan, Universitas Ibn Khaldun Bogor

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32832/jpg.v6i2.18987

Abstract

Penelitian ini bertujuan untuk mengklasifikasikan jenis buah berry berdasarkan kualitas dan kesegarannya menggunakan metode Principal Component Analysis (PCA) dan K-Nearest Neighbor (KNN). Penelitian dilakukan dengan menggunakan 16 citra latih dan 10 citra uji, yang terdiri atas tiga jenis buah berry: blackberry, blueberry, dan raspberry. Ekstraksi fitur dilakukan menggunakan PCA untuk mengurangi dimensi data, diikuti dengan proses klasifikasi menggunakan algoritma KNN dengan jarak Euclidean. Hasil pengujian menunjukkan bahwa kombinasi metode PCA dan KNN mampu mencapai tingkat akurasi sebesar 100%, yang menunjukkan efektivitas model dalam mengklasifikasikan jenis buah berry dengan akurat. Meskipun akurasi yang tinggi telah diperoleh, diperlukan evaluasi lebih lanjut untuk memastikan kemampuan generalisasi model dan menghindari risiko overfitting. Penelitian ini memberikan solusi praktis untuk klasifikasi buah berry berdasarkan kualitas dan kesegaran dengan lebih cepat dan akurat.  
PENERAPAN HYBRID INTELLIGENT SYSTEM UNTUK IDENTIFIKASI BUAH MANGGA DAN PEPAYA MENGGUNAKAN KNN DAN PCA Wirdawati, Wira; Ramadhanu, Agung
Jurnal Informatika Teknologi dan Sains (Jinteks) Vol 7 No 2 (2025): EDISI 24
Publisher : Program Studi Informatika Universitas Teknologi Sumbawa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51401/jinteks.v7i2.5658

Abstract

Klasifikasi buah merupakan aspek penting dalam industri pertanian dan perdagangan, yang berkontribusi pada peningkatan efisiensi dan akurasi dalam pengelolaan produk. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi otomatis untuk buah Mangga Hijau, Mangga Kuning dan Pepaya dengan memanfaatkan Metode K-Nearest Neighbors (KNN) dan Principal Component Analysis (PCA). Metode ini adalah dua teknik yang umum digunakan dalam analisis data dan pembelajaran mesin. PCA bertujuan untuk mengubah data dan mempertahankan sebanyak mungkin informasi yang ada, sedangkan KNN bertujuan untuk mengklasifikasikan data berdasarkan kedekatannya dengan data lain. Berdasarkan permasalahan tersebut dibuatlah sebuah sistem untuk mengklasifikasikan buah Mangga dan pepaya, dengan memanfaatkan fitur warna RGB dan HSV. Klasifikasi menggunakan pengolahan citra dengan memanfaatkan software MATLAB. Data yang digunakan dalam penelitian ini sebanyak 26 data, yaitu16 data latih dan 10 data uji. Hasil analisis menunjukkan bahwa system hybrid yang diusulkan mencapai akurasi klasifikasi sebesar 90%, dengan waktu pemrosesan yang efisien. Penelitian ini memberikan wawasan baru dalam penerapan teknologi cerdas untuk klasifikasi buah, serta potensi untuk pengembangan sistem otomatis dalam industri pertanian, Penelitian ini memberikan kontribusi signifikan terhadap pengembangan teknologi klasifikasi buah yang lebih efisien dan akurat, serta membuka peluang untuk penerapan lebih lanjut dalam bidang pertanian cerdas.
Implementasi K-Means Clustering dan Teknik Pengolahan Citra Dalam Klasifikasi Buah Kiwi dan Sawo Hidayati, Dzil; Ramadhanu, Agung
Jurnal Ilmiah Media Sisfo Vol 19 No 1 (2025): Jurnal Ilmiah Media Sisfo
Publisher : LPPM Universitas Dinamika Bangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33998/mediasisfo.2025.19.1.2312

Abstract

Buah kiwi dan sawo merupakan dua jenis buah yang memiliki beberapa kesamaan dalam warna kulit, namun memiliki perbedaan yang mencolok dalam hal bentuk dan tekstur. Kedua buah ini, meskipun memiliki kemiripan dalam beberapa aspek visual, membutuhkan metode yang tepat untuk membedakan dan mengklasifikasikannya secara otomatis. Salah satu teknik pengolahan citra yang efektif untuk tujuan tersebut adalah K-Means clustering, yang dapat digunakan untuk mengelompokkan objek berdasarkan kemiripan fitur visual. Penelitian ini bertujuan untuk mengimplementasikan K-Means clustering dalam membedakan buah kiwi dan sawo menggunakan citra digital. Gambar buah kiwi dan sawo yang diambil dengan kamera digital diolah untuk mengekstraksi fitur-fitur penting, seperti bentuk, dan tekstur. Hasil dari penerapan K-Means clustering menunjukkan kemampuan metode ini dalam mengelompokkan kedua buah berdasarkan perbedaan yang signifikan pada bentuk dan tekstur, meskipun keduanya memiliki kemiripan dalam warna. Penelitian ini memberikan kontribusi dalam pengembangan sistem klasifikasi otomatis yang dapat diterapkan dalam industri pertanian, pemindai buah, dan pengawasan kualitas produk
IMPLEMENTASI ALGORITMA KNN, PCA PADA KLASIFIKASI BUAH PIR MADU, PIR HIJAU DAN APEL MERAH Yulihartati, Sandra; Ramadhanu, Agung
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 9 No. 4 (2025): JATI Vol. 9 No. 4
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v9i4.13835

Abstract

Klasifikasi citra buah dapat dilakukan berdasarkan bentuk, ukuran, tekstur, warna buah. Buah merupakan salah satu data yang dipakai pada pengolahan data yang dapat mempermudah identifikasi jenis buah berdasarkan ciri-ciri fisiknya. Penelitian ini bertujuan mengimplementasikan algoritma K-Nearest Neighbors (KNN) dan Principal Component Analysis (PCA) untuk mengklasifikasikan tiga jenis buah, yaitu Pir Madu, Pir Hijau, dan Apel Merah. PCA digunakan untuk mereduksi dimensi data morfologi yang terdiri dari fitur berat, panjang, dan lebar buah, sehingga meningkatkan efisiensi dan efektivitas model KNN dalam melakukan klasifikasi. Data yang digunakan terdiri dari 26 data yang dibagi menjadi data latih dan data uji. Setelah proses standarisasi, PCA diterapkan untuk mengurangi jumlah komponen fitur menjadi dua komponen utama yang mempertahankan informasi penting dalam data. Selanjutnya, algoritma KNN dengan parameter k=3 digunakan untuk melakukan klasifikasi pada data uji. Hasil penelitian menunjukkan bahwa kombinasi PCA dan KNN menghasilkan akurasi klasifikasi sebesar 90%, dengan nilai precision 90 %, recal 90%, dan F1-score 94,7% yang baik untuk setiap jenis buah. Hasil ini menunjukkan bahwa teknik PCA dapat meningkatkan kinerja algoritma KNN dalam klasifikasi buah dengan mengurangi dimensi data yang kompleks. Penelitian ini memberikan kontribusi pada pengembangan teknik klasifikasi buah berbasis data morfologi dengan penerapan PCA dan KNN.
HYBRID INTELLIGENCE SYSTEM FOR IMAGE CLASSIFICATION OF FRUIT TYPES Syalsabilla, Adinda; Ramadhanu, Agung
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 9 No. 3 (2025): JATI Vol. 9 No. 3
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v9i3.13862

Abstract

Indonesia sebagai negara tropis memiliki kekayaan beragam jenis buah-buahan, seperti paprika dan apel, yang tumbuh subur di berbagai wilayah. Buah-buahan ini memiliki nilai ekonomis tinggi dan berpotensi memberikan keuntungan besar, sehingga mendorong pengembangan produktivitas di berbagai daerah. Namun, kesamaan fisik antar jenis buah seringkali menyulitkan proses identifikasi, yang dapat memengaruhi pengelolaan dan pemanfaatannya. Perkembangan teknologi, khususnya dalam pengolahan citra digital, menjadi solusi untuk mengatasi tantangan ini dengan meningkatkan akurasi dan efisiensi klasifikasi buah. Penelitian ini bertujuan mengembangkan sistem klasifikasi citra buah menggunakan kombinasi algoritma K-Nearest Neighbor (K-NN) dan Principal Component Analysis (PCA) sebagai pendekatan Hybrid Intelligence. PCA digunakan untuk mereduksi dimensi fitur visual seperti warna dan bentuk, sementara K-NN melakukan klasifikasi berdasarkan jarak terdekat. Sistem ini dirancang untuk mengidentifikasi jenis buah seperti paprika merah, paprika hijau, dan apel merah. Hasil penelitian menunjukkan bahwa penggabungan K-NN dan PCA meningkatkan akurasi dan efisiensi klasifikasi, dengan akurasi mencapai 90%. Penelitian ini memberikan kontribusi dalam meningkatkan akurasi dan keandalan sistem klasifikasi buah, serta menawarkan manfaat praktis dalam mendukung pengelolaan hasil pertanian, meningkatkan nilai tambah produk, dan memperkuat sektor agribisnis di era digital.
Co-Authors Afriadi Afriadi Afriadi, A Agus Salim, David Ahmad Syarif ahmad yani Akbar, Syifa Chairunnissa Deliva Al-arrafi, Muhammad Ikhsan Angga Angga Anggara Putra, Febri Antoni Antoni Chairunnissa Deliva Akbar, Syifa Chan, Fajri Rinaldi Devita, Retno Dicky Imansyah, Muhammad Dila, Rahmah Enggari, Sofika Erlanda, Hadrian Fajri Saputra, Charisman Gafari, Abuzar Gunadi Widi Nurcahyo Hadi Syahputra Halifia Hendri Harnaranda, Jefri Hidayati, Dzil Honestya, Gabriela Ilmawan, Fachrul Irsyad, As'Ary Sahlul Karseno, Doni Khomsi, Ahmad Mardison Mardison Masri, Taufik Muhammad Idris Nadia, Nadia Aini Hafizhah Negoro, Wahyu Saptha Nurdiansyah, Ali Permata, Edo Pertiwi, Yuliana Pratama, Dede Putra, Kharisma Utama Rahmad Rahmad Rahmad, R Rianti, Eva Riati, Itin Riyan Saputra, Riyan Rosa, Imelda Sajida, Mayang salim, alfajri Saputra, Randy Sarjon Defit Selvia, Dina Silfia Andini, Silfia Sumijan, S Sutri, Ridwan Syafril Syafril Syafril, S Syalsabilla, Adinda Tesa Vausia Sandiva Utama Putra, Kharisma Vidyanti, Angela Citra Wirdawati, Wira Yanti, Rahma Yasmin, Nabila Yasmin, Nabilla Yemi, Leonardo Yesi Betriana Roza, yesibetriana_18 Yolanda Yolanda, Yolanda Yosfand, Windra Yuhandri Yulihartati, Sandra