Article Per Year (5 Year)
p-Index From 2021 - 2026
3.993
P-Index
This Author published in this journals
All Journal JOIV : International Journal on Informatics Visualization Pendas : Jurnah Ilmiah Pendidikan Dasar JURNAL PENDIDIKAN TAMBUSAI GERVASI: Jurnal Pengabdian kepada Masyarakat Jurnal Teknologi Informasi dan Pendidikan Suluah Bendang: Jurnal Ilmiah Pengabdian Kepada Masyarakat INCARE Al-DYAS : Jurnal Inovasi dan Pengabdian kepada Masyarakat Jurnal Teknik Komputer dan Informatika (JTeKI) Journal of Authentic Research Jurnal Publikasi Manajemen Informatika
Budayawan, Khairi
Unknown Affiliation
Religion Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Education Electrical & Electronics Engineering Engineering Languange, Linguistic, Communication & Media Mathematics Public Health Social Sciences Other

Published : 26 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 26 Documents
Search

 1   2   3 
Implementasi MobileNetV2 dengan Teknik Augmentasi Data untuk Klasifikasi Penyakit Daun Cabai Berbasis Website Ali, Muhammad Irzan; Asmara, Delvi; Hadi, Ahmaddul; Budayawan, Khairi
Journal of Authentic Research Vol. 5 No. 2 (2026): May
Publisher : LITPAM

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36312/txr3y475

Abstract

Penelitian ini bertujuan mengembangkan model klasifikasi penyakit daun cabai berbasis MobileNetV2 yang diintegrasikan ke dalam prototipe website sebagai alat bantu diagnosis awal. Permasalahan utama yang diangkat adalah kemiripan gejala visual antarpenyakit daun cabai, keterbatasan identifikasi manual, dan kebutuhan model yang ringan untuk implementasi praktis. Dataset terdiri atas 500 citra awal dari lima kelas, yaitu daun sehat, daun keriting, daun kuning, bercak daun, dan embun tepung. Data diperluas melalui augmentasi rotasi, shear, zoom, dan horizontal flip sehingga diperoleh 2.200 citra, kemudian dibagi menjadi data latih 80%, validasi 10%, dan uji 10%. Model dilatih menggunakan arsitektur MobileNetV2 dengan optimizer Adam, batch size 32, dan 20 epoch. Hasil menunjukkan bahwa augmentasi data meningkatkan akurasi model dari 74,00% menjadi 99,09%. Pada data uji, model mencapai akurasi 98,64% dengan loss 0,0363. Classification report memperlihatkan performa tinggi pada seluruh kelas, meskipun masih terdapat kesalahan minor pada kelas daun keriting dan embun tepung. Sistem berbasis website juga berhasil menjalankan fungsi registrasi, login, unggah citra, klasifikasi, konsultasi AI, dan profil pengguna melalui pengujian black-box. Secara kritis, hasil ini menunjukkan potensi MobileNetV2 sebagai model efisien untuk klasifikasi penyakit daun cabai, namun validasi eksternal pada kondisi lapangan yang lebih beragam tetap diperlukan sebelum sistem digunakan sebagai alat diagnosis pertanian berskala luas. This study aims to develop a MobileNetV2-based chili leaf disease classification model integrated into a website prototype as an early diagnostic support tool. The central problem concerns the visual similarity among chili leaf disease symptoms, the limitations of manual identification, and the need for a lightweight model suitable for practical deployment. The dataset consisted of 500 original images from five classes, namely healthy leaf, curly leaf, yellow leaf, leaf spot, and powdery mildew. Data augmentation using rotation, shear, zoom, and horizontal flipping expanded the dataset to 2,200 images, which were divided into 80% training, 10% validation, and 10% testing subsets. The model was trained using the MobileNetV2 architecture with the Adam optimizer, a batch size of 32, and 20 epochs. The results show that data augmentation improved model accuracy from 74.00% to 99.09%. On the test set, the model achieved 98.64% accuracy with a loss value of 0.0363. The classification report indicates strong performance across all classes, although minor misclassifications were found in curly leaf and powdery mildew classes. The web-based system also successfully supported registration, login, image upload, classification, AI consultation, and user profile functions through black-box testing. Critically, these findings demonstrate the potential of MobileNetV2 as an efficient model for chili leaf disease classification, but external validation under more diverse field conditions is still necessary before the system can be used as a large-scale agricultural diagnostic tool.
Implementasi YOLOv8 dan TensorFlow Lite pada Aplikasi Mobile untuk Deteksi Kerusakan Jalan secara Real-Time Mardian, Syauqi Revo; Budayawan, Khairi; Sriwahyuni, Titi; kurnia , Hadi
Journal of Authentic Research Vol. 5 No. 2 (2026): May
Publisher : LITPAM

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36312/qwq2bk22

Abstract

Kerusakan jalan seperti lubang dan retak memerlukan mekanisme pelaporan yang cepat, objektif, dan berbasis lokasi agar proses pemeliharaan infrastruktur dapat dilakukan secara lebih responsif. Penelitian ini bertujuan mengembangkan aplikasi mobile berbasis computer vision untuk mendeteksi dan melaporkan kerusakan jalan secara real-time dengan mengintegrasikan model YOLOv8, TensorFlow Lite, kamera smartphone, GPS, basis data lokal, RESTful API Laravel, MySQL, dan dashboard monitoring geografis. Metode penelitian menggunakan pendekatan penelitian dan pengembangan perangkat lunak dengan model Waterfall yang mencakup analisis kebutuhan, desain sistem, implementasi, pengujian fungsional, dan evaluasi model deteksi. Dataset disusun secara hibrida dari dataset publik dan data lokal, lalu dibagi menjadi data latih 70%, validasi 20%, dan uji 10%. Hasil menunjukkan bahwa aplikasi berhasil menjalankan autentikasi, deteksi kamera, pengambilan koordinat, pengiriman laporan daring, penyimpanan laporan saat blank spot, visualisasi peta GIS, dan validasi administrator. Model YOLOv8s yang dikonversi ke format TensorFlow Lite memperoleh rata-rata precision 69,4%, recall 66,6%, dan mAP50 67,7%. Kinerja terbaik terdapat pada kelas pothole dengan mAP50 76,6%, sedangkan kelas crack memperoleh mAP50 58,8% karena bentuk retakan yang tipis dan tidak beraturan. Temuan ini menunjukkan bahwa integrasi edge computing dan server terpusat dapat menjadi solusi awal untuk pelaporan kerusakan jalan yang lebih cepat, meskipun peningkatan dataset lokal dan pendekatan segmentasi masih diperlukan untuk memperbaiki deteksi retakan. Road damage, including potholes and cracks, requires a fast, objective, and location-based reporting mechanism to support more responsive infrastructure maintenance. This study developed a mobile computer-vision application for real-time road damage detection and reporting by integrating YOLOv8, TensorFlow Lite, smartphone cameras, GPS, local storage, a Laravel RESTful API, MySQL, and a geographic monitoring dashboard. The research adopted a software research-and-development approach using the Waterfall model, covering requirement analysis, system design, implementation, functional testing, and detection-model evaluation. The image dataset was prepared using a hybrid approach that combined public datasets and local field data, with a 70% training, 20% validation, and 10% testing split. The results show that the application successfully performed authentication, camera-based detection, coordinate acquisition, online report submission, offline report storage in blank-spot conditions, GIS map visualization, and administrator validation. The YOLOv8s model converted into TensorFlow Lite achieved an average precision of 69.4%, recall of 66.6%, and mAP50 of 67.7%. The best performance was obtained for pothole detection with an mAP50 of 76.6%, while crack detection reached an mAP50 of 58.8% because cracks are thin, elongated, and irregular visual objects. These findings indicate that the integration of edge computing and centralized server management can provide an initial solution for faster road damage reporting, although larger local datasets and segmentation-based approaches are still needed to improve crack detection.
Rancang Bangun Sistem Pembayaran Komite Sekolah Berbasis Web Terintegrasi Midtrans Payment Gateway dan WhatsApp Gateway dengan Reminder Otomatis Pratama, Galant Anefsyah; Samala, Agariadne Dwinggo; Budayawan, Khairi; Sandra, Randi Proska
Journal of Authentic Research Vol. 5 No. 2 (2026): May
Publisher : LITPAM

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36312/qtsq1788

Abstract

Pengelolaan pembayaran komite sekolah yang masih dilakukan secara tunai dan dicatat melalui buku kas atau Microsoft Excel berpotensi menimbulkan antrean, keterlambatan rekonsiliasi, kesalahan pencatatan, serta rendahnya transparansi bagi orang tua. Penelitian ini bertujuan merancang dan membangun sistem pembayaran komite sekolah berbasis web yang terintegrasi dengan Midtrans Payment Gateway dan WhatsApp Gateway dengan strategi reminder otomatis. Penelitian menggunakan metode Research and Development dengan model Prototype yang meliputi komunikasi kebutuhan, perencanaan cepat, pemodelan rancangan, konstruksi purwarupa, evaluasi pengguna, dan penyempurnaan sistem. Data kebutuhan dikumpulkan melalui observasi proses pembayaran manual, wawancara dengan bendahara dan petugas administrasi, serta studi dokumentasi pembayaran komite di SMA Negeri 1 Painan. Sistem dikembangkan menggunakan Laravel 9, basis data MySQL, arsitektur Model-View-Controller, integrasi Midtrans Snap API dan webhook, serta pengiriman notifikasi WhatsApp secara bertahap pada H-7, H-3, dan H-1 sebelum jatuh tempo. Hasil penelitian menunjukkan bahwa sistem mampu memfasilitasi manajemen data siswa, pembuatan tagihan massal, pembayaran digital melalui QRIS dan e-wallet, pembaruan status pembayaran secara otomatis, pembuatan invoice, dashboard monitoring, dan laporan pembayaran real-time. Pengujian Black-box menunjukkan seluruh fitur utama berjalan sesuai spesifikasi fungsional. Sistem ini berkontribusi pada digitalisasi administrasi keuangan sekolah dengan meningkatkan efisiensi transaksi, akuntabilitas data, transparansi status pembayaran, dan ketepatan komunikasi kepada orang tua. Manual school committee payment management using cash, ledger books, and spreadsheet records may cause queues, delayed reconciliation, recording errors, and limited transparency for parents. This study aims to design and develop a web-based school committee payment system integrated with the Midtrans Payment Gateway and WhatsApp Gateway using an automatic reminder strategy. The study applied a Research and Development approach with a Prototype model consisting of requirement communication, quick planning, design modeling, prototype construction, user evaluation, and system refinement. Requirement data were collected through direct observation of manual payment activities, interviews with school treasurers and administrative staff, and documentation analysis at SMA Negeri 1 Painan. The system was developed using Laravel 9, MySQL, Model-View-Controller architecture, Midtrans Snap API and webhook integration, and staged WhatsApp reminders sent seven, three, and one day before payment due dates. The results show that the system supports student data management, bulk billing, digital payment through QRIS and e-wallets, automatic payment status updates, invoice generation, real-time monitoring dashboards, and payment reporting. Black-box testing indicates that all major functional modules operate according to the specified requirements. The system contributes to the digital transformation of school financial administration by improving transaction efficiency, data accountability, payment transparency, and timely communication with parents.
Pengembangan Aplikasi Deteksi Ancaman Siber Real-Time Berbasis Analisis Log Menggunakan Machine Learning dengan Notifikasi Peringatan Otomatis Wijaya, Qhodry Andra; Saputra, Hadi Kurnia; Budayawan, Khairi; Wahyuni, Titi Sri
Journal of Authentic Research Vol. 5 No. 2 (2026): May
Publisher : LITPAM

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36312/y98nvh32

Abstract

Penelitian ini mengembangkan aplikasi deteksi ancaman siber real-time berbasis analisis Apache access log dengan dukungan machine learning dan notifikasi otomatis. Permasalahan utama yang diangkat adalah keterlambatan deteksi ketika administrator masih memeriksa log secara manual, padahal pola serangan web seperti SQL Injection, Cross-Site Scripting, Directory Traversal, dan Brute Force dapat muncul sebagai rangkaian request singkat yang memerlukan respons cepat. Sistem dikembangkan menggunakan model prototipe dengan frontend Next.js, backend FastAPI, database PostgreSQL, pipeline analitik Python, serta Telegram Bot sebagai kanal peringatan. Dataset awal berjumlah 56.757 baris dan diproses melalui pembersihan, ekstraksi fitur perilaku dan signature, deteksi anomali Isolation Forest, klasterisasi DBSCAN, penyeimbangan SMOTE, serta klasifikasi Random Forest. Hasil evaluasi menunjukkan bahwa DBSCAN mencapai Silhouette Score 0,4788, sedangkan Random Forest memperoleh akurasi keseluruhan 0,9971 pada 10.874 data uji dengan performa sangat tinggi pada kelas Normal, SQL Injection, XSS, Directory Traversal, dan Brute Force. Pengujian fungsional menghasilkan seluruh skenario valid, sementara pengujian real-time menunjukkan rata-rata latensi 3,357 detik dari serangan masuk sampai notifikasi diterima. Temuan ini menunjukkan bahwa integrasi analisis log, machine learning, dashboard, dan notifikasi dapat meningkatkan visibilitas keamanan serta mendukung peringatan dini pada server web. This study develops a real-time cyber threat detection application based on Apache access log analysis using machine learning and automated alert notification. The main problem addressed is delayed threat detection when administrators still inspect logs manually, whereas web attack patterns such as SQL Injection, Cross-Site Scripting, Directory Traversal, and Brute Force may occur as short sequences of requests requiring immediate response. The system was developed using a prototyping model with a Next.js frontend, FastAPI backend, PostgreSQL database, Python analytical pipeline, and Telegram Bot as the alert channel. The initial dataset contained 56,757 rows and was processed through cleaning, behavioral and signature-based feature extraction, Isolation Forest anomaly detection, DBSCAN clustering, SMOTE balancing, and Random Forest classification. The evaluation indicates that DBSCAN achieved a Silhouette Score of 0.4788, while Random Forest obtained an overall accuracy of 0.9971 on 10,874 test instances with strong performance across Normal, SQL Injection, XSS, Directory Traversal, and Brute Force classes. Functional testing confirmed that all scenarios were valid, and real-time testing showed an average latency of 3.357 seconds from attack arrival to alert reception. These findings demonstrate that the integration of log analysis, machine learning, dashboards, and notification services can improve security visibility and support early warning on web servers.
Perancangan Confusion-Aware Adaptive User Interface Berbasis Kombinasi Ekspresi Wajah dan Pola Navigasi Pengguna Pada Website Edukasi untuk Anak Berkebutuhan Khusus Ramadhan, Dzaky Fawwaz; Sandra, Randi Proska; Samala, Agariadne Dwinggo; Budayawan, Khairi
Journal of Authentic Research Vol. 5 No. 2 (2026): May
Publisher : LITPAM

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36312/rct91846

Abstract

Perkembangan teknologi informasi mendorong penggunaan website edukasi sebagai media pembelajaran interaktif. Namun, sebagian besar website edukasi masih dirancang dengan antarmuka statis yang belum mempertimbangkan karakteristik pengguna, terutama anak berkebutuhan khusus (ABK), sehingga berpotensi menimbulkan kebingungan dan hambatan belajar. Penelitian ini bertujuan merancang Confusion-Aware Adaptive User Interface berbasis kombinasi ekspresi wajah dan pola navigasi pengguna pada website edukasi untuk ABK. Sistem dikembangkan menggunakan metode Prototype dengan pendekatan rule-based untuk menentukan adaptasi antarmuka. Deteksi ekspresi wajah menggunakan kombinasi MediaPipe dan Facial Emotion Recognition (FER), sementara pola navigasi dianalisis berdasarkan jumlah klik, salah klik, dan durasi halaman. Hasil pengujian fungsional dengan Black Box Testing menunjukkan seluruh fitur sistem berjalan sesuai rancangan. Pengujian Confusion-Aware Engine pada 8 skenario menunjukkan akurasi klasifikasi kondisi pengguna (normal, cemas, bingung) sebesar 100% dengan penerapan UI adaptif yang konsisten. Sistem berhasil mengidentifikasi siswa melalui validasi kode unik berbasis sekolah, menampilkan materi dinamis sesuai kategori hewan (darat, laut, udara), serta menyediakan rekap hasil belajar lengkap dengan fitur ekspor PDF dan Excel. Penelitian ini berkontribusi pada pengembangan teknologi pembelajaran inklusif melalui antarmuka adaptif yang responsif terhadap kondisi pengguna secara real-time.
IMPLEMENTASI PROGRESSIVE WEB APP DAN REALTIME DATABASE PADA SISTEM MANAJEMEN GUDANG MATERIAL UNTUK OPTIMASI LOGISTIK PT PLN (PERSERO) Patricia Putri, Ririn; Agni Zaus , Mahesi; Irma Delianti, Vera; Budayawan, Khairi
Pendas : Jurnal Ilmiah Pendidikan Dasar Vol. 11 No. 03 (2026): Volume 11 Nomer 03, September 2026 Publication
Publisher : Program Studi Pendidikan Guru Sekolah Dasar FKIP Universitas Pasundan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23969/jp.v11i03.59908

Abstract

The management of distribution materials at PT PLN (Persero) ULP Tabing often faces obstacles due to manual recording processes that lack real-time synchronization and are prone to human error. This study aims to develop a Warehouse Management System (WMS) based on Progressive Web App (PWA) and Firebase to optimize logistics operational efficiency. The development follows the Waterfall methodology, which provides a structured approach from analysis to implementation. The system incorporates Role-Based Access Control (RBAC) to ensure data integrity and secure user access management. The results demonstrate that the proposed system successfully digitizes stock recording and material tracking, significantly improving the accuracy of logistics data and providing better decision-making support for management.
Co-Authors Afifah Rizki, Putri Agariadne Dwinggo Samala Agni Zaus , Mahesi Ahmaddul Hadi, Ahmaddul Al-Ayyubi, Andi Sultan Ali, Muhammad Irzan Almira Haswir, Siti Asmara, Delvi Azmi, Arafil Dadi Satria Delfi Eliza Dony Novaliendry Ernawati Ernawati Farizi, Habib Al Fran Serano Andres Hadi Kurnia Saputra Hanif, Insan Matin Hasibuan, Kholid Haswir, Siti Almira Ika Parma Dewi Irma Delianti, Vera Irnanda, Muhammad Fakhri Jannah, Zahratul Khairiah, Fisna kurnia , Hadi Kurnia Saputra, Hadi Kurniadi, Denny Lise Asnur Mahesi Agni Zaus Mardian, Syauqi Revo Nabila Tasrif Patricia Putri, Ririn Pratama, Galant Anefsyah Pratiwi, Nurul Gita Putra, Reza Yasa Ramadhan, Dzaky Fawwaz Ramadhan, Ilhamdi Sandra, Randi Proska Sandria, Sandria Sri Hartati Suciko, Adelina Syafrijon, Syafrijon Titin Sriwahyuni Trisna Mulyeni Vera Irma Delianti Wahyuni, Titi Sri Wijaya, Qhodry Andra Yeka Hendriyani