Article Per Year (5 Year)
p-Index From 2021 - 2026
9.74
P-Index
This Author published in this journals
All Journal Jurnal Ilmu Komputer dan Informasi Techno.Com: Jurnal Teknologi Informasi TEKNOLOGI: Jurnal Ilmiah Sistem Informasi TELKOMNIKA (Telecommunication Computing Electronics and Control) Jurnal Ilmu Komputer dan Agri-Informatika EXPERT: Jurnal Manajemen Sistem Informasi dan Teknologi Jurnal Teknologi Informasi dan Ilmu Komputer International Journal of Advances in Intelligent Informatics Jurnal Teknologi dan Sistem Komputer JOIV : International Journal on Informatics Visualization Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Journal of Information Technology and Computer Science Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Jurnal Inovasi Hasil Pengabdian Masyarakat (JIPEMAS) Jurnal Litbang Edusaintech Tri Dharma Mandiri: Diseminasi dan Hilirisasi Riset Kepada Masyarakat (Jurnal Pengabdian Kepada Masyarakat) Kohesi: Jurnal Sains dan Teknologi
Novanto Yudistira
Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya
Agriculture, Biological Sciences & Forestry Biochemistry, Genetics & Molecular Biology Chemical Engineering, Chemistry & Bioengineering Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Energy Engineering Health Professions Industrial & Manufacturing Engineering Library & Information Science Mathematics Public Health Social Sciences Other

Published : 86 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 86 Documents
Search

 4   5   6   7   8 
Deteksi Dan Klasifikasi Hama Potato Beetle Pada Tanaman Kentang Menggunakan YOLOV8 Manurung, Daniel Geoffrey; Pinasthika, Mohammad Ryan; Vasya, Muhammad Azka Obila; Putri, Rania Aprilia Dwi Setya; Tampubolon, Agustinus Parasian; Prayata, Rakan Fadhil; Nisa, Septia Khoirin; Yudistira, Novanto
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 4: Agustus 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.1148092

Abstract

Kentang (Solanum tuberosum L.) adalah tanaman pangan penting dengan nilai ekonomi yang tinggi dan menyumbang gizi yang besar bagi manusia. Produksi kentang terhambat oleh serangan penyakit dan hama potato beetle (Leptinotarsa decemlineata Say). Hama ini secara signifikan mempengaruhi hasil panen kentang maka perlu penanganan yang efektif untuk mencegah penurunan produksi yang berkelanjutan. Metode yang digunakan untuk mendeteksi dan mengklasifikasikan potato beetle adalah Convolutional Neural Network (CNN) yang merupakan algoritma jaringan syaraf tiruan yang efektif dalam pengolahan citra. Model YOLOv8 (You Only Look Once) diimplementasikan untuk mendeteksi objek pada gambar dengan mengidentifikasi posisi dan kelas dari potato beetle. Data yang digunakan untuk pelatihan adalah menggunakan framework PyTorch yang telah dipecah menjadi data training, data validation, dan data test. Hasil penelitian menunjukkan model yang dikembangkan memiliki tingkat akurasi yang memadai dalam mendeteksi dan mengklasifikasikan potato beetle. Evaluasi model melibatkan pengukuran Mean Average Precision (mAP) dan F1-Score berdasarkan konsep Precision dan Recall. Secara keseluruhan, model ini mencapai mAP50 sebesar 81,8%, yang mengindikasikan tingkat keseluruhan akurasi deteksi yang baik. Namun perlu perbaikan dalam mAP50-95 untuk mengukur akurasi deteksi pada tingkat lebih ketat. Model ini mampu mengklasifikasikan objek dengan precision sebesar 78,1% dan recall sebesar 89,8%. Dalam evaluasi kelas objek individu, model ini berhasil mendeteksi objek guk (potato beetle) dengan tingkat akurasi mencapai precision sebesar 88,1% dan recall sebesar 90,3%. Sedangkan objek lich juga mendapatkan hasil precision 72,8% dan recall 76,8%. Namun, perlu diperhatikan bahwa mAP50-95 pada objek lich menunjukkan penurunan yang lebih tinggi dibandingkan dengan objek guk.   Abstract   Potato (Solanum tuberosum L.) is a vital food crop with high economic value and a significant source of nutrition for humans. The production of potatoes is hindered by the infestation of the potato beetle (Leptinotarsa decemlineata Say), a pest that significantly impacts potato yields. Effective measures are needed to prevent sustained decreases in production. The Convolutional Neural Network (CNN) algorithm, which is effective in image processing, is utilized for the detection and classification of potato beetles. The YOLOv8 (You Only Look Once) model is implemented to detect objects in images, identifying the position and class of potato beetles. The data used for training is divided into training, validation, and testing datasets using the PyTorch framework. The research results indicate that the developed model achieves an adequate level of accuracy in detecting and classifying potato beetles. Model evaluation involves measurements of Mean Average Precision (mAP) and F1-Score based on Precision and Recall concepts. Overall, the model achieves an mAP50 of 81,8%, indicating a good overall detection accuracy level. However, there is room for improvement in mAP50-95 to measure detection accuracy at stricter levels. This model is capable of classifying objects with a precision of 78,1% and a recall of 89,8%. In the evaluation of individual object classes, the model successfully detects potato beetles with a precision of 88,1% and a recall of 90,3%. Meanwhile, the "lich" object achieves a precision of 72,8% and a recall of 76,8%. It should be noted that the mAP50-95 for the "lich" object shows a higher decrease compared to the "guk" object.
Analisis Kinerja Algoritma Klasifikasi Teks Bert dalam Mendeteksi Berita Hoaks Hanum, Assyfa Rasida; Zetha, Ivykaeyla Adriana; Putri, Salwa Cahyani; Wulandari, Rafifah Ayud; Andina, Sherla Puspa; Fajrina, Julia Nur; Yudistira, Novanto
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 3: Juni 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.938093

Abstract

Metode BERT dapat digunakan untuk menghasilkan hasil yang akurat dalam klasifikasi berita palsu dan berita benar. Hasil evaluasi menunjukkan bahwa model klasifikasi BERT memiliki akurasi sebesar 76% pada data validasi dalam mengklasifikasikan berita hoaks, yang menunjukkan performa atau kinerja model Machine Learning dalam melakukan klasifikasi berita hoaks. Sedangkan pada model klasifikasi  BERT Multilingual memiliki akurasi lebih rendah, yakni 63%. Potensi metode ini dapat membantu dalam memerangi penyebaran berita palsu. Penelitian ini berpotensi memberikan kontribusi penting dalam memerangi penyebaran berita palsu di dunia digital yang semakin kompleks. Dengan menggunakan BERT sebagai pendekatan, model ini memungkinkan pengidentifikasian berita palsu yang lebih akurat, serta membantu masyarakat dalam menghindari konsumsi informasi yang salah. Dengan hasil yang positif ini, penelitian ini menunjukkan bagaimana teknologi machine learning dapat digunakan untuk melawan disinformasi dan menjadikan dunia maya menjadi tempat yang lebih terpercaya.
Klasifikasi Citra Generasi Artificial Intellegence menggunakan Metodde Fine Tuning pada Residual Network Hakim, Sulthan Abiyyu; Ubaidillah, Muhammad; Ramadhan, Aditya Rizky; Hawari, Rahmada Zulvia Azzahra; Rizky, Audhinata Bebytama; Lutfi, Raniyah; Hermanto, Putri Tsania Maulidia; Yudistira, Novanto
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 3: Juni 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.1138118

Abstract

Citra generasi AI memiliki beragam manfaat yang signifikan, baik dalam bidang penelitian maupun industri. Namun, penggunaan citra generasi AI juga memiliki dampak negatif dalam konteks hukum, politik dan berbagai aspek lain dalam kehidupan. Penelitian ini menitik beratkan klasifikasi citra generasi AI yang dapat mendeteksi keaslian dari suatu citra. Metode yang diusulkan adalah menggunakan model residual network yang telah dilakukan fine tuning. Teknik fine tuning yang dilakukan meliputi penggunaan learning rate scheduler berbasis warm up yang diikuti dengan linear scheduler, akumulasi gradien, dan augmentasi citra. Penelitian menunjukkan bahwa model residual network 152 menghasilkan performa terbaik dengan f1 score 0.963 dan loss 0.08.
Deteksi Tingkat Kematangan Buah Pepaya menggunakan Model Convolutional Neural Network Sutrisna, Naufal Putra; Sahirah, Rafifa Addin; Laksono, Khansa Salsabila Sangdiva; Permadhi, Raditya Atmaja Satria; Nurannisa, Nadhira; Larasati, Saqina Salsabila; Asmani, Wahayu Widyaning; Yudistira, Novanto
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 3: Juni 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.938119

Abstract

Pepaya merupakan buah yang memiliki banyak manfaat dengan nilai gizi yang tinggi. Setiap 100 gram  pepaya mengandung 3,65 mg vitamin A dan 78 mg vitamin C. Salah satu keunggulan pepaya adalah kemampuannya untuk berbuah terus menerus, apapun musimnya. Kematangan buah pepaya dapat ditentukan oleh tekstur dan warna kulit buahnya. Deteksi tingkat kematangan buah pepaya memiliki signifikansi penting dalam industri pertanian dan pengelolaan persediaan makanan. Metode konvensional seringkali mengalami keterbatasan dalam akurasi dan efisiensi dalam pengidentifikasian kematangan buah pepaya. Dalam penelitian ini, diperkenalkan pendekatan inovatif dengan menggunakan Convolutional Neural Network (CNN) untuk mengatasi permasalahan tersebut. Dataset yang digunakan merupakan dataset gambar buah pepaya dalam berbagai tingkat kematangan. Dataset kemudian dilatih menggunakan model CNN untuk mengklasifikasikan buah pepaya berdasarkan warna kulit dan fitur visual lainnya. Hasil eksperimen menunjukkan bahwa model CNN yang digunakan mampu mengidentifikasi tingkat kematangan buah pepaya dengan tingkat akurasi yang tinggi, yaitu sebesar 96,63% sehingga dapat menghasilkan solusi yang andal dan efisien.
Deteksi Spam Pada Short Message Service Menggunakan Convolutional Neural Network Dengan Word Embedding Dari Model Bahasa Besar Amin, Muhammad Basil Musyaffa; Yudistira, Novanto; Santoso, Edy
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 13 (2025): Publikasi Khusus Tahun 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Naskah ini akan diterbitkan di Jurnal Expert System with Applications
Prediksi Data Time Series dengan Pendekatan Deep Learning Menggunakan Metode Lag-Llama Darmawan, Abizard Hashfi; Yudistira, Novanto; Mahmudy, Wayan Firdaus
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 13 (2025): Publikasi Khusus Tahun 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Naskah ini akan diterbitkan di IEEE Access
Prediksi Data Time Series dengan Pendekatan Deep Learning Menggunakan Metode Chronos Sastomo, Yogi Puji; Yudistira, Novanto; Santoso, Edy
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 13 (2025): Publikasi Khusus Tahun 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Naskah ini akan diterbitkan di IEEE ACCESS
Pengembangan Aplikasi Mobile Klasifikasi Ekspresi Wajah Manusia pada Platform Android Menggunakan Arsitektur MobileNet Ardiansyah, Irfan; Huda, Fais Al; Yudistira, Novanto
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 1 (2025): Januari 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Ekspresi wajah merupakan elemen penting dalam interaksi manusia dan komputer serta sebagai komunikasi interpersonal non-verbal, yang digunakan untuk menyampaikan pikiran dan emosi yang dirasakan pada saat tertentu. Terdapat banyak penelitian menunjukkan bahwa jaringan saraf berbasis CNN cukup akurat dan efektif dalam klasifikasi citra. Klasifikasi citra ekspresi wajah dapat membantu memahami emosi yang sedang dialami seseorang. Sebagai usaha untuk meningkatkan interaksi antara manusia dan komputer, penelitian ini dilakukan untuk mengembangkan aplikasi mobile berbasis android yang dapat mengklasifikasikan ekspresi wajah manusia dengan menggunakan arsitektur MobileNet. Model dilatih menggunakan dataset AffectNetHQ untuk mengenali delapan ekspresi wajah, yaitu bahagia, sedih, marah, takut, terkejut, meremehkan, jijik, dan netral, yang kemudian diintegrasikan ke dalam aplikasi android dengan memanfaatkan TensorFlow Lite. Hasil pengujian akurasi menunjukkan bahwa model MobileNetV2 mendapatkan performa terbaik pada kedua skenario pengujian. Model yang belum diintegrasikan ke dalam aplikasi mencapai akurasi 69.55%. Namun, setelah model diintegrasikan ke dalam aplikasi dan diuji langsung oleh 5 pengguna dengan rincian 3 laki-laki dan 2 perempuan, terjadi penurunan akurasi. Pada fitur galeri, akurasi turun menjadi 57.50%, sedangkan pada fitur live camera turun menjadi 47.50%.
Penggunaan Model Tabular Retrieval Model (TabR) dengan K-Means Clustering untuk Efisiensi Klasifikasi dan Regresi Data Tabular Darmawan, Hanif; Yudistira, Novanto; Marji
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 1 (2025): Januari 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Data tabular merupakan salah satu jenis data terstruktur yang umum digunakan dalam berbagai bidang, seperti keuangan, kedokteran, dan manufaktur. Model deep learning Tabular Retrieval-Based (TabR) dirancang untuk menangani pengolahan data tabular dengan pendekatan retrieval augmentation. Perlu dilakukan pengujian untuk menganalisis pengaruh kombinasi TabR dengan algoritma K-Means clustering untuk mengurangi beban komputasi model selama pengolahan data. Pengujian dilakukan pada 10 dataset benchmark dengan berbagai skala data dan fitur. Evaluasi dilakukan dengan mengukur akurasi dan AUC untuk tugas klasifikasi, serta RMSE dan MAE untuk tugas regresi. Hasil menunjukkan bahwa model TabR yang dikombinasikan dengan K-Means memberikan waktu inferensi yang lebih cepat dibandingkan TabR murni, terutama pada dataset besar, dengan akurasi yang mendekati performa TabR murni. Namun, fluktuasi performa yang lebih besar terlihat pada beberapa dataset regresi dengan model TabR yang dikombinasikan dengan K-Means. Pendekatan ini memberikan kontribusi dalam pengembangan metode yang lebih efisien dan adaptif untuk pengolahan data tabular dalam konteks dataset berskala besar dan kompleks.
Pengenalan Plat Nomor Kendaraan Indonesia Menggunakan Convolutional Neural Network dan BiLSTM Marasitua, Wahyu Valentino; Yudistira, Novanto; Rahman, Muhammad Arif
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 5 (2025): Mei 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

CCTV (Closed Circuit Television) adalah sistem pengawasan berbasis kamera yang banyak digunakan untuk memantau lalu lintas dan keamanan di kota-kota besar seperti Jakarta, Surabaya, dan Bandung. Dengan meningkatnya jumlah kendaraan, pengawasan lalu lintas menjadi tantangan besar, terutama bagi pihak kepolisian yang masih menggunakan metode manual. Oleh karena itu, diperlukan solusi otomatis yang dapat mengenali plat nomor kendaraan sebagai identitas unik setiap kendaraan. Dalam beberapa tahun terakhir, teknologi kecerdasan buatan telah digunakan untuk mengembangkan sistem pengenalan plat nomor berbasis machine learning dan deep learning. Salah satu metode yang populer adalah Convolutional Neural Network (CNN). Namun, CNN memiliki kelemahan dalam mengenali urutan karakter. Hal ini dapat diatasi dengan Bidirectional Long Short-Term Memory (BiLSTM), yang mampu memproses urutan data dari dua arah yang meningkatkan akurasi pengenalan. Penelitian ini menggabungkan CNN dan BiLSTM untuk mengenali plat nomor kendaraan, menghasilkan akurasi 86.869 dan Norm ED 0.971. Penggunaan transformasi gambar Thin Plate Spline (TPS) dan freezing layer juga terbukti meningkatkan kemampuan generalisasi model. Kombinasi metode ini memberikan solusi efektif untuk pengenalan plat nomor secara otomatis.
Co-Authors Abdurrachman Bachtiar, Fitra Abel Filemon Haganta Kaban Achmad Basuki Achmad Ridok Adam Hendra Brata Adhi Setiawan Aditama, Gustian Agi Putra Kharisma Agus Wahyu Widodo Agus Wahyu Widodo Agus Wahyu Widodo, Agus Wahyu Akbar, Alvin Tarisa Al Huda, Fais Aldi Fianda Putra Alfen Hasiholan Almasyhur, Muhammad Bin Djafar Alwan, Muhammad Fajrul Amin, Muhammad Basil Musyaffa Anarya Indika Putra Andina, Sherla Puspa Anggraheni, Hanna Shafira Annisa Sukmawati Apriyanti -, Apriyanti Ardhani, Luthfi Afrizal Ardhanto, Riyadh Ilham Arifandis Winata Arifien, Zainal Asmani, Wahayu Widyaning Austin, Yehezkiel Stephanus Bahrur Rizki Putra Surya Bana Falakhi Bayu Rahayudi Budi Darma Setiawan Caesar Rio Anggina Toruan Cahyo Prayogo, Cahyo Candra Dewi Cevita Detri Intan Suryaningrum Chindy Aulia Sari Christopher, Juan Young Darmawan, Abizard Hashfi Darmawan, Hanif Daud, Nathan Daut Daman Dewa Gede Trika Meranggi Dhaifullah, Afif Naufal Dhifan Diandra H Didik Suprayogo Dytha Suryani Edy Santoso Edy Santoso Elmira Faustina Achmal Eriq Muhammad Adams Jonemaro Fadhil Yusuf Rahadika Fadhil Yusuf Rahadika Fadhil Yusuf Rahadika Fahmi Achmad Fauzi Fajrina, Julia Nur Fathina Atsila F Fauzi, Muhammad Rifqi Firhan Fauzan Hamdani Fitra Abdurrachman Bachtiar Griselda Anjeli Sirait Griselda Anjeli Sirait Hafshah Durrotun Nasihah Hakim, Gibran Hakim, Sulthan Abiyyu Hanum, Assyfa Rasida Haris, Asmuni Harlan, Fajri Rayrahman Hawari, Rahmada Zulvia Azzahra Hermanto, Putri Tsania Maulidia Heru Nurwarsito Huda, Fais Al Hutamaputra, William Ikhwanul Kiram, Muh Zaqi Imam Cholissodin Indriati Indriati Iqra Ilhamsyah Irfan Ardiansyah Irfannanto, Adimas Irfano, Haikal Irwanto, M. Sofyan Izzatul Azizah Jauhar Bariq Rachmadi Javier Ardra Figo Karina Amadea Katrina Puspita Kevin Nadio Dwi Putra Khalid Rahman Khoirullah, Habib Bahari Krisnabayu, Rifky Yunus Kurnia Fakhrul Izza Kurnianingtyas, Diva Lailil Muflikhah Laksono, Khansa Salsabila Sangdiva Larasati, Saqina Salsabila Lutfi, Raniyah Mahardika, Mohammad Alfiano Rizky Manurung, Daniel Geoffrey Marasitua, Wahyu Valentino Marji Marpaung, Veronika Oktafia Maulana Ahmad Maliki Maulana, Muhammad Taufik Mawarni, Marrisaeka Meilinda Dwi Puspaningrum Michael David Muh. Arif Rahman Muhammad Rizaldi Muhammad Rizaldi Muhammad Tanzil Furqon Muhammad Zaini Rahman Natanniel Eka Christyanto Naufal, Muhammad Jilan Niluh Putu Vania Dyah Saraswati Nisa, Lisa N. Nisa, Septia Khoirin Novianti, Siska Nurannisa, Nadhira Oakley, Simon Pangondian, Yosia Permadhi, Raditya Atmaja Satria Pinasthika, Mohammad Ryan Prais Sarah Kayaningtias Prasetia, Anugrah Prayata, Rakan Fadhil Putra Pandu Adikara Putra, Octo Perdana Putri, Rania Aprilia Dwi Setya Putri, Salwa Cahyani Qurrata Ayuni Rahmadi, Anang Bagus Rahman, Muhammad Arif Raihan Hanif F RAMADHAN, ADITYA RIZKY Randy Cahya Wihandika Renata Rizki Rafi' Athallah Rian Nugroho Rilinka Rilinka Rishani Putri Aprilli Rizal Setya Perdana Rizky, Audhinata Bebytama RR. Ella Evrita Hestiandari Sabriansyah Rizqika Akbar, Sabriansyah Sahirah, Rafifa Addin Saputra, Kylix Eza Sastomo, Yogi Puji Selle, Nurfatima Setyawan Purnomo Sakti Sholeh, Mahrus Stephen Lui, Michael Sugihdharma, Joseph Ananda Sukma, Lintang Cahyaning Sulthon Akhdan G Suprapto Suprapto Sutrisna, Naufal Putra Syafira, Putri Amanda Tampubolon, Agustinus Parasian Thiodorus, Gustavo Timothy Bastian Sianturi Usfita Kiftiyani Vasya, Muhammad Azka Obila Wa Ode May Zhara Averina Wahyu Taufiqurrahman, Rayhan Waludi, Ikbal Wayan Firdaus Mahmudy Wulandari, Rafifah Ayud Yuita Arum Sari Yuita Arum Sari Zetha, Ivykaeyla Adriana