Article Per Year (5 Year)
p-Index From 2021 - 2026
1.829
P-Index
This Author published in this journals
All Journal TEKNIK INFORMATIKA Techno.Com: Jurnal Teknologi Informasi JUITA : Jurnal Informatika Jurnal Leverage, Engagement, Empowerment of Community (LeECOM) Jurnal Informatika dan Sistem Informasi Teknika Journal of Applied Data Sciences JUSTIN (Jurnal Sistem dan Teknologi Informasi) JuTISI (Jurnal Teknik Informatika dan Sistem Informasi)
Lestari, Caecilia Citra
Universitas Ciputra
Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Engineering Social Sciences

Published : 13 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 13 Documents
Search

 1   2 
Rancang Bangun Aplikasi Desktop Simulasi Respon Hewan Peliharaan Berbasis Leap Motion Cenjaya, Andrean; Lestari, Caecilia Citra
Jurnal Informatika dan Sistem Informasi Vol. 7 No. 2 (2021): Jurnal Informatika dan Sistem Informasi
Publisher : Universitas Ciputra Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Memiliki hewan peliharaan adalah salah satu dari keinginan setiap orang. Dengan memiliki hewan peliharaan, orang dapat menikmati kelucuan atau keindahan dari hewan peliharaan tersebut. Namun tidak sedikit pula orang dengan keinginan memiliki hewan peliharaan tidak terkabul. Hal tersebut disebabkan beberapa faktor seperti kesehatan, biaya perawatan, dan tempat tinggal. Oleh karena itu, akan dilakukan rancang bangun aplikasi simulasi hewan peliharaaan dengan integrasi Leap Motion, yang mampu memenuhi keinginan mereka yang tidak sanggup memiliki hewan peliharaan¸ dengan fitur interaktif dan efek realisme dengan grafik 3D yang dibangun menggunakan Unity. Tujuan dari penelitian ini adalah merancang dan membangun aplikasi simulasi hewan peliharaan berbasis desktop. Pembuatan aplikasi menggunakan Unity dengan bahasa pemograman C#. Aplikasi menggunakan Leap Motion sebagai alat input penangkap gerakan tangan. Pada rancang bangun aplikasi ini, model hewan peliharaan yang digunakan adalah kucing.Simulasi pada aplikasi berpusat pada interaksi antara pengguna dengan hewan. Interaksi tersebut dibagi menjadi dua bagian, masukan dari pengguna dan reaksi dari hewan terhadap masukan. Masukan akan diklasifikasi menggunakan metode Dynamic Time Warping untuk menentukan jenis gerakan. Reaksi dari hewan akan diklasifikasi menggunakan metode Naïve Bayes. Data pelatihan untuk reaksi hewan didapat secara eksperimental. Pengujian aplikasi difokuskan pada pengukuran akurasi dari kedua metode klasifikasi yang digunakan, dengan data pengujian yang disediakan. Hasil pengujian menunjukan akurasi untuk klasifikasi gerakan tangan adalah 100% dan untuk klasifikasi respon hewan adalah 43,75%. Kesimpulan yang ditarik adalah model data pelatihan masih underfitting sehingga perlu penambahan sampel untuk data pelatihan.
Rancang Bangun Sistem Rekomendasi Tempat Makan Menggunakan Algoritma Typicality Based Collaborative Filtering Muliadi, Kevin Hartato; Lestari, Caecilia Citra
Techno.Com Vol. 18 No. 4 (2019): November 2019
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (528.521 KB) | DOI: 10.33633/tc.v18i4.2515

Abstract

Makanan merupakan bagian penting bagi manusia baik sebagai kebutuhan primer maupun sebagai bagian dari gaya hidup seseorang. Tempat makan yang semakin banyak dan tawaran makanan yang beragam, membuat seseorang memiliki lebih banyak pilihan akan tempat makan yang dapat dikunjungi. Dengan dibantu oleh teknologi, sekarang seseorang bisa mencari rekomendasi dengan menggunakan algoritma sistem rekomendasi. Saat ini ada tiga algoritma sistem rekomendasi yang populer yaitu Content Based Filtering (CBF), Collaborative Filtering (CF) dan metode hybrid. Metode CF merekomendasikan sebuah item kepada pengguna dengan memprediksi preferensi dari pengguna aktif terhadap sejumlah item berdasarkan preferensi dari pengguna atau item lain yang mirip. Ada dua jenis metode dalam CF yaitu User Based CF dan Item Based CF. Terdapat sebuah metode baru yang dikembangkan dari metode User Based CF, metode ini adalah Typicality Based CF. Typicality Based CF (TyCo) memiliki kelebihan yang tidak dimiliki metode CF lainnya dapat memberikan prediksi yang akurat walau data terbatas, dapat melakukan clustering tanpa algoritma tambahan dan dapat mengatasi masalah cold-start yang biasa dialami metode CF. Berdasarkan pengujian yang telah dilakukan diketahui bahwa aplikasi ini memiliki nilai rata-rata Mean Absolute Error (MAE) sebesar 1.366 yang disebabkan karena kurangnya data training.
Penerapan YOLOv5 untuk Klasifikasi Gambar dalam Sistem Estimasi Kandungan Kalori Masakan Indonesia Wiranata, Maximus Aurelius; Lestari, Caecilia Citra
Jurnal Teknik Informatika dan Sistem Informasi Vol 11 No 1 (2025): JuTISI
Publisher : Maranatha University Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.28932/jutisi.v11i1.10284

Abstract

In this era of continuously evolving technology, calorie counting applications have become crucial for individuals who are concerned about their eating habits and health. However, most of these applications have not fully accommodated the variety of dishes commonly consumed in Indonesia, especially the popular dishes in Java Island, which has the largest population in Indonesia. To address this limitation, this research introduces an innovative solution in the form of an Indonesian Cuisine Classification and Calorie Content Estimation System using YOLOv5 technology. In this approach, the YOLOv5 object classification technology is used to identify various types of Indonesian dishes, including eight classes such as satay, meatball soup, traditional soup, fried rice, mixed vegetables salad, fried chicken, beef soup, and beef stew. This system is not only capable of accurately classifying dishes but also provides calorie content estimation based on the composition of the classified food ingredients. The implementation of this research combines YOLOv5 to apply the Indonesian cuisine classification model using the nutrition API from API Ninjas to obtain the required nutrition data. This research uses datasets obtained from Kaggle website, Mendeley Data, and Roboflow, with a total of 303 images for each class of dishes. As a result, the model achieved an accuracy score of 94.2%, precision of 94.3%, recall of 93.8%, and an F1 Score of 93.8%.
Co-Authors Cenjaya, Andrean Daniel Martomanggolo Wonohadidjojo Dhienalight Edwin Kurniawan Endratno, Jeremy Evan Tanuwijaya Fadiel Mufassir Laura Mahendratta Tjahjono Linardi, Shelina Muliadi, Kevin Hartato Mychael Maoeretz Engel Ongkosianbhadra, Franciscus Valentinus Salmon Charles Siahaan Santoso, Vincent Leonard Siswanto, Felicia Devina Theresia Ratih Dewi Saputri Tony Antonio Wiranata, Maximus Aurelius Yuwono Marta Dinata