Article Per Year (5 Year)
p-Index From 2021 - 2026
0.61
P-Index
This Author published in this journals
All Journal Building of Informatics, Technology and Science International Research on Big-data and Computer Technology (IRobot) Journal Computer Science and Informatic Systems : J-Cosys
Mihuandayani, Mihuandayani
Unknown Affiliation
Computer Science & IT

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Implementasi Convolutional Neural Network untuk Klasifikasi Tingkat Kematangan Buah Nanas Menggunakan YOLOv8 Prasetya, Syadina A.; Mihuandayani, Mihuandayani; Abast, Yansen; Mangole, Michael; Rahman, Jonathan
Building of Informatics, Technology and Science (BITS) Vol 6 No 1 (2024): June 2024
Publisher : Forum Kerjasama Pendidikan Tinggi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/bits.v6i1.5396

Abstract

Classifying fruit ripeness is a crucial stage in agriculture and food processing, ensuring optimal product quality standards. Specifically for pineapples, assessing ripeness manually requires considerable time and experience. According to data from the Bolaang Mongondow Department of Trade in 2019, around 8.75% of pineapples in Lobong Village—the largest pineapple-producing village in Bolaang Mongondow Raya—were spoiled or wasted, indicating that the harvest timing for pineapples was often inaccurate. In response to this challenge, research was conducted to introduce a deep learning methodology utilizing the Convolutional Neural Network (CNN) with YOLOv8 (You Only Look Once) version 8 to autonomously classify the ripeness stages of pineapples. By developing a pineapple ripeness classification system using the YOLO algorithm, it is expected to address these issues and assist farmers in determining the ripeness level of pineapples for sales and processing purposes. The use of CNN with YOLOv8 is chosen due to its ability to quickly and accurately detect objects based on images in real time. Additionally, the trained YOLOv8 model can classify the ripeness levels of pineapples, thereby helping farmers sort the fruit according to its ripeness stage. Tests conducted to measure the performance of the YOLOv8 algorithm in detecting and classifying pineapple ripeness showed promising results with an mAP value of 81%, Precision of 70.5%, and Recall of 75.9%, producing a satisfactory level of accuracy across various levels. This research can optimize the process of sorting pineapple ripeness stages, thereby improving product quality and enhancing farmers' competitiveness in both domestic and export markets
SISTEM PENDUKUNG KEPUTUSAN PENERIMAAN PEGAWAI DI ADIRA FINANCE KOTAMOBAGU MENGGUNAKAN WEIGHTED PRODUCT Mongilong, Fandy A; Mihuandayani, Mihuandayani; Tomatala, Michel F; Palilingan, Tesalonika; Rahmat, Oktaviar; Putra, Akbar Nuzul
International Research on Big-Data and Computer Technology: I-Robot Vol 9, No 1 (2025): April
Publisher : UNIVERSITAS DHARMA WACANA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.53514/ir.v9i1.604

Abstract

Adira Finance, sebuah perusahaan finansial dan perkreditan, menghadapi tantangan dalam proses seleksi karyawan yang masih konvensional. Proses penilaian berkas, tes tertulis, dan wawancara yang dilakukan secara manual oleh Human Resource Department (HRD) berpotensi menyebabkan kesalahan dan nepotisme, serta memakan banyak waktu dan tenaga karena jumlah pelamar yang banyak. Untuk mengatasi masalah ini, Adira membutuhkan Sistem Pendukung Keputusan (SPK) berbasis komputer dengan metode Weighted Product (WP). SPK ini akan membantu HRD dalam mempercepat proses seleksi, menghindari pemilihan yang subjektif, meminimalisir kesalahan manusia, dan memudahkan penyeleksian alternatif. Metode WP akan digunakan untuk menentukan bobot kriteria, membandingkan antar kriteria, menentukan cost dan benefit, serta melakukan perangkingan untuk memilih alternatif terbaik. Dengan implementasi SPK, diharapkan Adira dapat melakukan seleksi karyawan dengan lebih efisien dan objektif, meningkatkan kualitas Sumber Daya Manusia (SDM), dan mengurangi potensi risiko kesalahan dalam penilaian. 
Sistem Pakar Untuk Mendiagnosa Penyakit pada Tanaman Jagung menggunakan Metode Dempster Shafer dan Manhattan Distance Tomatala, Michel; Caroles, Meisy; Mamuaya, Supit; Mihuandayani, Mihuandayani; Tuntun, Ritham
Journal Computer Science and Information Systems : J-Cosys Vol 5, No 1 (2025): Maret
Publisher : Universitas Dharma Wacana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.53514/jco.v5i1.602

Abstract

Sektor pertanian merupakan penopang perekonomian di Indonesia. Tanaman Jagung (Zea Mays) menjadi salah satu komoditas pertanian yang sangat penting dan merupakan sumber karbohidrat kedua setelah beras. Selain sebagai bahan pangan, jagung juga dikonsumsi sebagai salah satu bahan pakan ternak dan bahan baku industri.  Adapun hama dan penyakit yang menyerang tanaman jagung merupakan salah satu masalah serius dalam industri dan pertanian jagung, khususnya bagi para petani jagung, karena berdampak pada rendahnya produktivitas dan kualitas jagung. Untuk itu, petani memerlukan suatu media atau sistem yang praktis yang memiliki kemampuan mendiagnosa layaknya seorang pakar. Sistem pakar yang akan dibuat ini adalah untuk mendiagnosa hama dan penyakit pada tanaman jagung dengan menggunakan metode Dempster Shafer untuk menghitung nilai believe yang telah ditentukan, dimana nilai believe merupakat bobot yang diinput sesuai kepercayaan dari pakar. Manhattan Distance dipilih sebagai  salah satu teknik yang sering digunakan untuk menentukan kesamaan antara dua buak objek dengan hasil mutlak
Co-Authors Abast, Yansen Caroles, Meisy Mamuaya, Supit Mangole, Michael Mongilong, Fandy A Palilingan, Tesalonika Prasetya, Syadina A. Putra, Akbar Nuzul Rahman, Jonathan Rahmat, Oktaviar Tomatala, Michel F Tomatala, Michel Farrel Tuntun, Ritham