Article Per Year (5 Year)
p-Index From 2021 - 2026
3.176
P-Index
This Author published in this journals
All Journal Jurnal Informatika dan Teknik Elektro Terapan Jurnal CoreIT JURNAL REKAYASA TEKNOLOGI INFORMASI Jurnal Sisfokom (Sistem Informasi dan Komputer) Jurnal Penelitian Tarbawi: Pendidikan Islam dan Isu-Isu Sosial Jurnal Teknologi Dan Sistem Informasi Bisnis Jurnal Sistem Informasi dan Sistem Komputer Syntax: Journal of Software Engineering, Computer Science and Information Technology Instal : Jurnal Komputer Melek IT: Information Technology Journal Ilmu Komputer untuk Masyarakat Data Sciences Indonesia (DSI) Internet of Things and Artificial Intelligence Journal Journal of Artificial Intelligence and Digital Business Jurnal Ilmiah Sistem Informasi Indonesian Journal of Education and Development Research JRIIN :Jurnal Riset Informatika dan Inovasi Cosmic Jurnal Teknik Journal of Educational Science and E-Learning JUTEKOM - Jurnal Teknologi dan Ilmu Komputer Jurnal Ilmu Teknologi Informasi Indonesia (JITIFNA)
Harahap, Lailan Sofinah
Unknown Affiliation
Religion Humanities Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Mathematics Physics Social Sciences Other

Published : 24 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 24 Documents
Search

 1   2   3 
Big Data Dalam Pengambilan Keputusan Organisasi Irsyad, Raihan Maulana; Harahap, Lailan Sofinah
Cosmic Jurnal Teknik Vol 2 No 1 (2025): Februari
Publisher : Ali Institute or Research and Publication

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55537/cosmic.v2i1.1039

Abstract

Pemanfaatan Big Data dalam pengambilan keputusan organisasi telah menjadi fokus utama dalam berbagai penelitian, mengingat dampaknya yang signifikan terhadap efisiensi dan efektivitas operasional. Artikel ini membahas manfaat, aplikasi, dan tantangan yang dihadapi dalam penerapan Big Data di berbagai sektor, termasuk pemerintahan, kesehatan, dan bisnis. Hasil penelitian menunjukkan bahwa Big Data meningkatkan akurasi dan kecepatan pengambilan keputusan dengan memberikan wawasan yang lebih mendalam tentang perilaku pelanggan dan tren pasar. Namun, tantangan seperti kualitas data, privasi, dan keamanan harus diatasi agar potensi penuh dari Big Data dapat dimanfaatkan secara optimal. Dengan demikian, organisasi perlu mengembangkan strategi yang matang untuk mengatasi tantangan ini dan memaksimalkan pemanfaatan Big Data dalam pengambilan keputusan mereka.
DETEKSI POLA WAJAH OTOMATIS DALAM PENGOLAHAN CITRA DIGITAL MENGGUNAKAN METODE HAARCASCADE CLASSIFIER Putri, Laila Ali; Harahap, Lailan Sofinah; Ulfa, Maria
Syntax : Journal of Software Engineering, Computer Science and Information Technology Vol 6, No 1 (2025): Juni 2025
Publisher : Universitas Dharmawangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46576/syntax.v6i1.6742

Abstract

Deteksi wajah merupakan salah satu topik yang banyak diteliti dalam bidang visi komputer dan pengolahan citra digital. Metode Haar Cascade adalah salah satu metode yang sering digunakan untuk mendeteksi wajah pada suatu citra atau video. Metode ini menggunakan fitur Haar untuk mengidentifikasi wajah dengan cara membandingkannya dengan wajah yang ada pada database. Penelitian ini bertujuan untuk mengimplementasikan metode Haar Cascade untuk mendeteksi wajah menggunakan library OpenCV. Tahapan yang dilakukan meliputi akuisisi citra, pemrosesan citra, deteksi wajah menggunakan Haar Cascade, dan evaluasi hasil deteksi. Hasil penelitian menunjukkan bahwa metode Haar Cascade dapat mendeteksi wajah dengan cukup baik dalam berbagai kondisi pencahayaan dan sudut pandang. Kata Kunci : Deteksi Wajah; Haar Cascade; OpenCV ABSTRACTAbstract Face detection is one of the most researched topics in the field of computer vision and digital image processing. The Haar Cascade method is one method that is often used to detect faces in an image or video. This method uses Haar features to identify faces by comparing them with existing faces in the database. This research aims to implement the Haar Cascade method to detect faces using the OpenCV library. The stages include image acquisition, image processing, face detection using Haar Cascade, and evaluation of detection results. The results show that the Haar Cascade method can detect faces quite well in various lighting conditions and viewing angles. Keyword : Face Detection; Haar Cascade; OpenCV
Implementasi Watermarking Pada Gambar Menggunakan Matlab Untuk Mencegah Plagiarisme Laporan Praktikum Gimnastiar, Alfin; Harahap, Lailan Sofinah; Abdillah, Rizky
Jurnal Teknologi Dan Sistem Informasi Bisnis Vol 7 No 3 (2025): Juli 2025
Publisher : Prodi Sistem Informasi Universitas Dharma Andalas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47233/jteksis.v7i3.1970

Abstract

The ease of digital data exchange, especially images, has increased the risk of plagiarism in academic environments, particularly in student laboratory reports. To address this issue, this study implements a text watermarking technique directly on digital images using the insertText() function in MATLAB. This method falls under the category of visible watermarking, where identity information—such as the student’s name—is embedded in the image to be visually recognizable. The process involves several stages, including reading the image, defining the watermark text, configuring the position and visual appearance, and saving the final result. Experimental results show that the watermark can be effectively embedded without disrupting the main content of the image and remains readable even after basic manipulations such as rotation, resizing, or format conversion. This method is considered simple, efficient, and suitable for academic purposes, promoting academic integrity and preventing plagiarism among students.
Klasifikasi Objek Menggunakan Convolutional Neural Network pada Citra Satelit Harahap, Lailan Sofinah; Kembaren, Muhammad Fajar Hidayah
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 4 No. 2 (2025): Mei - Juli
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v4i2.1306

Abstract

Penelitian ini mengkaji klasifikasi objek menggunakan Convolutional Neural Network (CNN) pada citra satelit, dengan fokus pada tinjauan literatur dari berbagai studi relevan yang diterbitkan antara tahun 2020 hingga 2025. Metode penelitian kepustakaan digunakan untuk mengidentifikasi jurnal-jurnal yang membahas penerapan CNN dalam berbagai konteks klasifikasi citra, termasuk deteksi target militer, tutupan lahan, citra jalan rusak, jenis sampah, bunga, citra hiperspektral, aktivitas olahraga, jenis anggur, dan pohon kelapa sawit. Hasil tinjauan menunjukkan bahwa CNN secara konsisten memberikan akurasi tinggi dalam berbagai aplikasi klasifikasi citra, dengan beberapa studi mencapai akurasi di atas 95%, bahkan hingga 99,25% untuk klasifikasi citra hiperspektral. Meskipun demikian, tantangan seperti false positive pada klasifikasi tutupan lahan dan kebutuhan akan pengembangan model berkelanjutan untuk aplikasi kritis seperti deteksi target militer masih menjadi perhatian. Penelitian ini menegaskan potensi luas CNN dalam analisis citra satelit dan data visual lainnya, sekaligus menyoroti area yang memerlukan pengembangan lebih lanjut untuk optimalisasi kinerja dan keandalan.
PENGEMBANGAN SISTEM KLASIFIKASI SAMPAH UNTUK DAUR ULANG OTOMATIS BERBASIS CITRA MENGGUNAKAN MODEL CNN Rifaldy, Faqih; Prayoga, M Irsan; Harahap, Lailan Sofinah
Melek IT : Information Technology Journal Vol. 11 No. 1 (2025): Melek IT: Information Technology Journal
Publisher : Informatics Department-Universitas Wijaya Kusuma Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30742/melekitjournal.v11i1.397

Abstract

Salah satu masalah lingkungan yang paling signifikan yang perlu dipertimbangkan dengan cermat adalah sampah, terutama dalam hal daur ulang.  Tujuan dari penelitian ini adalah untuk membuat sistem klasifikasi sampah otomatis yang menggunakan gambar untuk membantu proses daur ulang.  Dengan menggunakan dataset yang luas yang mencakup lebih dari 30 kategori, model Convolutional Neural Network (CNN) digunakan untuk mengkategorikan berbagai bahan limbah, termasuk kertas, logam, kaca, dan plastik.  Untuk meningkatkan generalisasi model, dataset ini diproses terlebih dahulu dengan menggunakan beberapa metode, termasuk augmentasi data.  Rotasi, pembalikan, dan penyesuaian zoom adalah contoh teknik augmentasi yang menghasilkan data yang lebih banyak. Elemen visual gambar sampah diekstraksi menggunakan arsitektur model CNN langsung yang mencakup beberapa lapisan konvolusi dan penyatuan. Optimizer Adam digunakan untuk melatih model selama sepuluh epoch dengan tingkat pembelajaran 0,001.  Akurasi keseluruhan model pada dataset pengujian adalah 66%, menurut hasil evaluasi, dengan presisi dan recall yang berbeda berdasarkan kategori.  Menurut analisis matriks konfusi, model bekerja dengan baik pada kategori plastik dan kaca, tetapi mengalami kesulitan dalam membedakan antara kelas-kelas yang memiliki karakteristik visual yang mirip, seperti logam dan kertas. Fitur Histogram of Oriented Gradients (HOG) juga digunakan dalam model Support Vector Machine (SVM) sebagai dasar. Metode berbasis deep learning lebih dipilih karena model SVM hanya memperoleh akurasi 55%, lebih rendah dari CNN.  Selanjutnya, penilaian menyeluruh dilakukan dengan menggunakan analisis f1-score dan visualisasi prediksi untuk setiap kelas. Penelitian ini merupakan langkah awal untuk menciptakan sistem otomasi daur ulang berbasis pemrosesan gambar.  Dengan ketepatan yang dicapai, model ini dapat menjadi dasar atau titik acuan untuk penelitian lebih lanjut.  Di masa depan, data tentang kelas yang berkinerja buruk akan ditambahkan, model pembelajaran transfer seperti EfficientNet akan digunakan, dan model akan diintegrasikan dengan sistem waktu nyata untuk aplikasi yang bermanfaat.  Diharapkan bahwa temuan dari penelitian ini akan memberikan dasar untuk meningkatkan efektivitas pengelolaan sampah dan membantu inisiatif pelestarian lingkungan.
Comparison of the Performance of Random Forest and K-Nearest Neighbor in Classifying Leukemia Using Principal Component Analysis Sriani, Sriani; Ikhsan, Muhammad; harahap, lailan sofinah
Jurnal Sisfokom (Sistem Informasi dan Komputer) Vol. 13 No. 2 (2024): JULY
Publisher : ISB Atma Luhur

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32736/sisfokom.v13i2.2165

Abstract

Leukemia is the most common blood cancer in Asia, one of which is Indonesia. Leukemia can affect blood cells, bone marrow, lymph nodes and other parts of the lymphatic system. One way to detect leukemia is to use microarray technology by applying gene expression. Microarrays have a very large number of genes so it is necessary to reduce the number of genes in order to eliminate irrelevant features and increase the accuracy of the classification process. The leukemia feature/gene reduction process was carried out using PCA and the classification process was carried out using RF and KNN. The accuracy results from the RF classification method using 100 n_estimators were 78.57%, while using the KNN method the accuracy results with K=1 were 78.57%, K=3 and 5 were 85.71%, and K=7 and 9 were 71.42%. The best accuracy results use KNN with K=3 and 5.
Peningkatan Kualitas Gambar Pembelajaran Digital Melalui Pelatihan Teknik Filtering Berbasis MATLAB bagi Mahasiswa Ilmu Komputer UINSU Wulandari, Suci; Harahap, Lailan Sofinah; Widiya, Widiya
Ilmu Komputer untuk Masyarakat Vol 6, No 1 (2025)
Publisher : Universitas Muslim Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33096/ilkomas.v6i1.2838

Abstract

Kegiatan ini bertujuan untuk meningkatkan kualitas gambar digital dalam materi pembelajaran melalui penerapan teknik filtering menggunakan perangkat lunak MATLAB. Mitra dalam kegiatan ini adalah mahasiswa Program Studi Ilmu Komputer Universitas Islam Negeri Sumatera Utara. Pelatihan dilaksanakan di laboratorium Ilmu Komputer dalam bentuk workshop selama dua hari. Metode pelatihan meliputi pemberian materi dasar pengolahan citra, praktik penerapan median filter dan gaussian filter, serta evaluasi hasil. Sebagai bagian dari evaluasi, dilakukan survei kepuasan untuk mengukur pemahaman dan manfaat kegiatan. Hasil survei menunjukkan bahwa 92% peserta merasa pelatihan ini sangat membantu dalam meningkatkan pemahaman mereka terhadap teknik pengolahan citra, serta relevan untuk mendukung kegiatan akademik mereka. Kegiatan ini membuktikan bahwa penguatan kompetensi mahasiswa dalam pemanfaatan teknologi citra digital dapat dilakukan secara efektif melalui pelatihan aplikatif.
ANALISIS PERBANDINGAN ANGKA PUTUS SEKOLAH DASAR NEGERI DAN SWASTA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORS (K-NN) Silalahi, Yayi Naulia; Panjaitan, Rosita; Harahap, Lailan Sofinah
Jurnal Informatika dan Teknik Elektro Terapan Vol. 13 No. 1 (2025)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v13i1.6045

Abstract

Artikel ini mengulas perbandingan tingkat putus sekolah antara sekolah dasar negeri dan swasta di Indonesia, dengan memanfaatkan algoritma K-Nearest Neighbors (KNN) untuk menganalisis data. Studi ini bertujuan untuk menemukan provinsi yang memiliki tingkat putus sekolah tertinggi serta menganalisis pola-pola yang membedakan status pendidikan berdasarkan informasi yang ada. Data menunjukkan bahwa tingkat putus sekolah lebih tinggi di sekolah negeri daripada di sekolah swasta. Algoritma KNN telah berhasil digunakan dalam klasifikasi dan menghasilkan evaluasi yang memuaskan, yang menunjukkan kemampuannya sebagai alat bantu dalam pengambilan keputusan di bidang pendidikan. Artikel ini ditutup dengan saran kebijakan untuk mengurangi tingkat putus sekolah, khususnya pada sekolah negeri.
Penerapan Arsitektur Convolutional Neural Network Untuk Klasifikasi Biner Pada Objek Daun Mangga dan Jambu Harahap, Lailan Sofinah; Dharmawan, Kaka Davi
Jurnal Sistem Informasi dan Sistem Komputer Vol 11 No 1 (2026): Vol 11 No 1 - 2026
Publisher : STIMIK Bina Bangsa Kendari

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51717/simkom.v11i1.1196

Abstract

Identifikasi klasifikasi jenis tumbuhan secara otomatis berdasarkan citra daun masih menjadi tantangan tersendiri di bidang botani dan pertanian. Untuk mengatasi masalah ini, arsitektur Convolutional Neural Network (CNN) diterapkan untuk melakukan tugas klasifikasi biner, yaitu membedakan antara objek daun mangga (Mangifera indica) dan daun jambu biji (Psidium guajava) berdasarkan citranya. Dataset terdiri dari 1004 citra (502 mangga dan 502 jambu), dibagi menjadi 80% data latih dan 20% data validasi. Arsitektur CNN yang dibangun mencakup tiga lapisan konvolusi untuk ekstraksi fitur otomatis, diikuti lapisan pooling, flatten, dropout, dan dense untuk klasifikasi. Model dilatih menggunakan data latih yang telah di augmentasi selama 15 epoch dengan optimizer Adam dan fungsi loss binary crossentropy. Hasil evaluasi pada data validasi menunjukkan model mencapai akurasi 95.02%, membuktikan kemampuan dalam mempelajari pola pembeda dan melakukan klasifikasi biner pada objek daun secara efektif.
Identifikasi Pengenalan Tanda Tangan Menggunakan Algoritma Backpropagation dan GLCM (Grey Level Co-Occurrence Matrix) Alya, Dea; Harahap, Lailan Sofinah; Fahlome, Dodyk
Jurnal Sistem Informasi dan Sistem Komputer Vol 11 No 1 (2026): Vol 11 No 1 - 2026
Publisher : STIMIK Bina Bangsa Kendari

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51717/simkom.v11i1.1215

Abstract

Tanda tangan adalah salah satu biometrik berbasis perilaku yang sering digunakan dalam proses autentikasi. Namun, berbagai jenis tanda tangan menyebabkan proses identifikasi menjadi kompleks, sehingga memerlukan penggunaan teknologi komputer yang baik. Studi ini dibuat sebagai upaya untuk menganalisis tanda tangan yang dimiliki oleh pemilik tanda tangan berdasarkan tekstur citra menggunakan metode ekstraksi Grey Level Co-occurrence Matrix (GLCM) dan klasifikasi Backpropagation. Empat fitur GLCM (contrast, correlation, energy, homogeneity) dihitung dalam empat arah (0°, 45°, 90°, 135°). Data terdiri dari sekitar 80 data dari 4 kelas, dibagi menjadi 20 data uji dan 60 data latih. Pengujian dilakukan lima kali untuk setiap konfigurasi neuron guna memperoleh hasil rata-rata. Hasil penelitian ini menunjukkan bahwa konfigurasi lapisan tersembunyi dengan 50 neuron memberikan kinerja terbaik dengan akurasi rata-rata sekitar 80%. Meningkatkan jumlah neuron cenderung mengurangi akurasi karena kemungkinan overfitting. Meskipun demikian, kombinasi GLCM dan Backpropagation dapat mengidentifikasi tanda tangan dengan cukup baik.
Co-Authors Abdillah, Rizky Adrian, Muhammad Rayhans Alamsyah, Muhammad Fadlan Alya, Dea Ananda, Surizky Aptanta, Dimas Aqila Armansyah Arrafi, M. Rifqi Aryanda, Hafiz Aznawi, Nasrul Mahruf Dedek Dharmawan, Kaka Davi Fadillah, hasti Fahlome, Dodyk Firjatullah, Maulana Furqon, Mhd Gimnastiar, Alfin Hsb, Adinda Tarisyah Irsyad, Raihan Maulana Januar, Bagus Kembaren, Muhammad Fajar Hidayah Maria Ulfa Muhammad Faruqi Muhammad Ikhsan Nasution, Muhammad Rafiq Nasution, Najwa Fadiyah Pangestu, Aji Dewo Panjaitan, Rosita Prayoga, M Irsan Putri, Laila Ali Ramadhan, M. Wahyu Rifaldy, Faqih Salsabila, Awalia Saragih, Fauhan Alfarizi Silalahi, Yayi Naulia Sriani Suci Wulandari Syabil, Muhammad Al Faris Widiya, Widiya