Article Per Year (5 Year)
p-Index From 2021 - 2026
3.79
P-Index
This Author published in this journals
All Journal Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi Progresif: Jurnal Ilmiah Komputer Jurnal JTIK (Jurnal Teknologi Informasi dan Komunikasi) Aiti: Jurnal Teknologi Informasi Infotek : Jurnal Informatika dan Teknologi REKA ELKOMIKA: Jurnal Pengabdian kepada Masyarakat Journal of Information Technology (JIfoTech) Algoritme Jurnal Mahasiswa Teknik Informatika Jurnal Informatika Teknologi dan Sains (Jinteks) Malcom: Indonesian Journal of Machine Learning and Computer Science SmartComp SAINTEK Infact: Jurnal Sains dan Komputer Kesatria : Jurnal Penerapan Sistem Informasi (Komputer dan Manajemen) UPGRADE: Jurnal Pendidikan Teknologi Informasi
Agustinus Rudatyo Himamunanto
Universitas Kristen Immanuel
Automotive Engineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Other

Published : 30 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 30 Documents
Search

 1   2   3 
Analisis Beban Kendaraan Terhadap Karakteristik Jalan Menggunakan Metode YOLOv5 Dan Perhitungan ESAL Wanda, Melifan; Himamunanto, Agustinus Rudatyo; Budiati, Haeni
Jutisi : Jurnal Ilmiah Teknik Informatika dan Sistem Informasi Vol 14, No 2: Agustus 2025
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/jutisi.v14i2.2713

Abstract

Roads are essential infrastructure supporting various types of vehicles; however, excessive loads are a primary cause of surface damage. The increasing volume of vehicles and imbalanced infrastructure development contribute significantly to road deterioration, leading to a reduction in road service life and increased maintenance costs. This study aims to address these issues by developing a system for vehicle detection, classification, and load estimation using the YOLO (You Only Look Once) algorithm a deep learning method capable of detecting and classifying vehicle objects in real time with high speed and accuracy. The data were obtained from CCTV surveillance video recordings. The results indicate that a total of 4,395 vehicles were successfully detected. These detections were then used to estimate the vehicle load using the Equivalent Single Axle Load (ESAL) method. The estimated total daily traffic reached 632,880 vehicles, with a corresponding daily load estimation of 284,214.74 ESAL. The findings highlight the significant impact of vehicle loads on road characteristics and demonstrate the effectiveness of YOLOv5 as a real time tool for monitoring and detecting vehicular load.Keywords: Computer Vision; YOLOv5; Vehicle detection; Vehicle load; Equivalent Single Axle LoadAbstrakJalan merupakan infrastruktur yang penting dalam  menopang berbagai jenis  kendaraan, namun beban berlebih menjadi penyebab utama kerusakan permukaan  pada jalan. Volume kendaraan yang meningkat dan pembangunan infrastruktur yang tidak seimbang  menyebabkan kerusakan pada jalan   yang menyebabkan  pengurangan umur jalan dan meningkatkan biaya perbaikan. Penelitian ini bertujuan untuk mengatasi permasalahan tersebut yaitu dengan membangun Pendeteksi, Klasifikasi dan menghitung  beban kendaraan berbasis Algoritma YOLO (You Only Look Once), sebuah algoritma deep learning yang mampu mendeteksi dan mengklasifikasikan objek kendaraan secara  real-time dengan kecepatan dan akurasi  yang sangat baik. Data yang digunakan diambil dari  rekaman video pengawas CCTV.  Hasil penelitian menunjukan  kendaraan  yang terdeteksi sebanyak 4.395 unit, kendaraan yang  berhasil terdeteksi kemudian dilakukan untuk  perhitungan estimasi beban kendaraan menggunakan perhitungan  Equivalent Single Axle Load (ESAL). Hasil  terhitung dengan total lalu lintas harian mencapai 632.880 unit kendaraan dengan estimasi beban harian sebesar 284.214,74 ESAL. Hasil penelitian menegaskan adanya  pengaruh signifikan beban kendaraan terhadap karakteristik jalan serta menunjukkan efektivitas YOLOv5 sebagai alat dalam memantau  dan mendeteksi beban kendaraan secara  real time 
MODEL PEMBELAJARAN AR INTERAKTIF UNTUK PENGEMBANGAN KOGNITIF ANAK TK DALAM PENGENALAN WARNA DAN BENTUK Tasane, Elshaddai L; Himamunanto, Agustinus Rudatyo; Budiati, Haeni
Jurnal Informatika Teknologi dan Sains (Jinteks) Vol 7 No 2 (2025): EDISI 24
Publisher : Program Studi Informatika Universitas Teknologi Sumbawa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51401/jinteks.v7i2.5885

Abstract

Sistem pembelajaran untuk Anak TK masih banyak menggunakan media konvensional seperti buku cetak dan gambar dua dimensi, yang dinilai kurang efektif dalam menyampaikan konsep abstrak seperti warna dan bentuk. Namun, pengenalan warna dan bentuk sangat penting dalam mendukung perkembangan kognitif dan persepsi visual anak. Penelitian ini bertujuan untuk mengembangkan dan menguji aplikasi pembelajaran interaktif berbasis Augmented Reality (AR) yang dirancang untuk memperkenalkan warna dan bentuk secara menarik dan mudah dipahami. Pengembangan aplikasi menggunakan metode Multimedia Development Life Cycle (MDLC), dan dilakukan pengujian sebanyak 30 kali terhadap total 35 objek, yang terdiri dari 24 objek warna dan bentuk 11 objek bentuk. Hasil menunjukkan bahwa seluruh objek warna dikenali dengan akurasi 100%, sedangkan objek bentuk dikenali dengan akurasi 90,9% dengan objek bola gagal dikenali karena pencahayaan dan desain marker. Akurasi keseluruhan sistem sebesar 97,14%. Uji coba terhadap 25 anak usia 4-5 tahun di Tk Kanisius Kadirojo menunjukkan bahwa 88% anak mampu mengoperasikan aplikasi secara mandiri. Penelitian ini memberikan kontribusi dalam pemanfaatan teknologi Marker-Based AR sebagai media pembelajaran inovatif yang mendukung pengembangan kognitif anak Tk secara lebih interaktif dan menyenangkan.
METODE MFCC-SVM UNTUK PENGENALAN TINGKAT EMOSI MANUSIA BERDASARKAN BERAGAM DATASET Nelvina Adonia; Himamunanto, Agustinus Rudatyo; Setyawan, Gogor C.
Jurnal Informatika Teknologi dan Sains (Jinteks) Vol 7 No 2 (2025): EDISI 24
Publisher : Program Studi Informatika Universitas Teknologi Sumbawa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51401/jinteks.v7i2.5886

Abstract

Manusia di dalam berbicara pasti memiliki emosi di dalam meluapkan suasana hati tertentu, Namun untuk memahami suasana hati yang dirasakan oleh seseorang yang belum diketahui, suasana hati tersebut yang mempresentasikan adalah sebuah Emosi. Emosi adalah reaksi psikologis dan fisiologis terhadap situasi dan peristiwa yang dirasakan oleh seseorang. Tujuan di dalam penelitian ini yaitu untuk mengklasifikasi dan mengukur emosi seseorang pada suara. Dalam penelitian ini, dirancang sebuah sistem yang mampu mendeteksi atau mengklasifikasi emosi manusia menggunakan sinyal  suaranya. Selain itu, penelitian ini juga memanfaatkan metode Support Vector Machine (SVM) untuk mendeteksi dan mengklasifikasikan suara manusia, dan untuk ekstraksi ciri menggunakan Mel-Frequency, dan untuk mengubah file dari zip menjadi file WAV menggunakan Google Colab. Data suara yang digunakan diambil dari Kaggle seperti RAVDESS, CREMA, dan TORONTO yang berjumlah 12200 data set yang terdiri dari data latih dan data uji. SVM merupakan metode sistem dari machine learning yang digunakan untuk mengklasifikasi suara. Berdasarkan pada penelitian ini, hasil yang dihasilkan klasifikasi emosi melalui suara manusia dengan menggunakan metode SVM ini memiliki akurasi yang cukup tinggi yaitu sebesar 93%.
Implementasi YOLO11 dan OpenCV untuk Pengenalan Frasa dalam Video Real-Time Bahasa Isyarat Tangan: YOLO11 and OpenCV Implementation for Phrase Recognition in Real-Time Hand Sign Language Videos Swasono, Henoch Yanuar Ari; Himamunanto, Agustinus Rudatyo; Maedjaja, Febe
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 5 No. 3 (2025): MALCOM July 2025
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v5i3.2130

Abstract

Bahasa isyarat adalah alat komunikasi utama bagi para penyandang tunarungu dan tunawicara. Namun, terbatasnya pemahaman bahasa isyarat oleh masyarakat umum sering kali menjadi kendala dalam berkomunikasi. Penelitian ini bertujuan untuk merancang program pengenalan frasa bahasa isyarat tangan BISINDO secara real-time dengan menggunakan algoritma YOLO11 dan library OpenCV. YOLO11 digunakan sebagai metode deep learning untuk mengenali isyarat tangan, sedangkan OpenCV digunakan untuk pemrosesan video real-time dan visualisasi hasil deteksi. Model ini dilatih menggunakan lebih dari 3.000 gambar yang mewakili enam class frasa BISINDO: “saya”, “kamu”, “senang”, “bingung”, “marah”, dan “apa kabar”, sebanyak 263 epoch. Hasil pengujian model menunjukkan rata-rata nilai precision dan recall di atas 0,9; F1-Score sebesar 0,982; mAP50 sebesar 0,993; dan mAP50-95 sebesar 0,938. Pada pengujian real-time, model menunjukkan latency rata-rata stabil di kisaran 80-90ms, frame rate 11-12FPS, dan confidence score rata-rata 0,9 untuk semua class. Berdasarkan Penelitian yang telah dilakukan, disimpulkan bahwa integrasi YOLO11 dan OpenCV berhasil digunakan sebagai algoritma dalam mengenali frasa bahasa isyarat tangan BISINDO secara real-time.
Sistem Pengenalan Citra Dokumen Teks Terdistorsi menjadi Teks Menggunakan Metode Deep Learning Talenta Teholi Zalukhu; Agustinus Rudatyo Himamunanto; Haeni Budiati
Jurnal JTIK (Jurnal Teknologi Informasi dan Komunikasi) Vol 10 No 1 (2026): JANUARY 2026
Publisher : Lembaga Otonom Lembaga Informasi dan Riset Indonesia (KITA INFO dan RISET)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35870/jtik.v10i1.4700

Abstract

A common issue in document image processing is the inability of OCR systems to accurately read text from blurred images. This study aims to develop a deep learning-based OCR pipeline capable of recognizing text in blurred document images. The process begins with image enhancement using the DnCNN model for deblurring, followed by character segmentation and classification of A–Z characters using a CNN trained on the EMNIST Letters dataset. The recognized characters are then reconstructed into complete text. Experiments were conducted on 300 blurred images with varying levels of blur (low, medium, and high). Evaluation using PSNR and SSIM metrics showed improvements in image quality, with an average PSNR of 29,56 dB and SSIM of 0.89. Furthermore, the character classification accuracy reached 95.64%. Compared to the baseline (direct Tesseract OCR without deblurring), the proposed system showed a significant improvement in text readability. These results demonstrate the effectiveness of CNN-based approaches in enhancing OCR performance on blurred document images.
Analisis Performa Model Klasifikasi Otomatis Beragam Jenis Jeruk Menggunakan Pendekatan Metode YOLOv5-CNN Halawa, Paskah Lina; Himamunanto, Agustinus Rudatyo
Algoritme Jurnal Mahasiswa Teknik Informatika Vol 6 No 2 (2026): April 2026 || Algoritme Jurnal Mahasiswa Teknik Informatika
Publisher : Program Studi Teknik Informatika Universitas Multi Data Palembang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35957/algoritme.v6i2.15554

Abstract

Manual classification of citrus fruit varieties is time-consuming and error-prone, making an automated digital image-based system essential to support farmers and traders in distribution, pricing, and quality standardization. Previous research has shown that CNN and YOLO are effective in fruit classification, but the models still have difficulty distinguishing classes with visual similarities and under different lighting conditions. This research focuses on analyzing the performance of a YOLOv5-CNN-based citrus fruit classification model, with YOLOv5 used to detect objects and generate bounding boxes, and then the detected areas are classified by EfficientNet-B0. Testing on an independent dataset of 960 images showed an accuracy of 96%. These results indicate that the developed model is effective for automatic citrus fruit classification, providing a basis for the development of a digital image-based fruit sorting and identification system.
Analisis Performa Metode YOLOv5-CNN Dalam Meningkatkan Deteksi Dan Pengenalan Ras Kelinci Enjelina Citra Hulu; Agustinus Rudatyo Himamunanto; Jatmika Jatmika
Jutisi : Jurnal Ilmiah Teknik Informatika dan Sistem Informasi Vol 15, No 2 (2026): April 2026
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/jutisi.v15i2.3499

Abstract

Manual identification of rabbit breeds is time-consuming and error-prone, requiring an automated system based on digital images. This study proposes the YOLOv5-CNN approach to automatically detect rabbit objects and classify their breeds. The first stage uses YOLOv5 to detect rabbits in images and generate bounding boxes. The detected images are then used as input for a Convolutional Neural Network (CNN) model for breed classification. Testing was conducted using a rabbit image dataset divided into 70% training data, 10% validation data, and 20% testing data. In the training and validation stages, the model demonstrated stable learning capabilities in recognizing visual patterns between breeds. Next, testing was conducted on 200 independent test images not used during the training process. The evaluation results showed that the YOLOv5-CNN combination system achieved 96% accuracy on the test data. These findings demonstrate that the integration of object detection and image classification in a single processing pipeline can support automatic rabbit breed identification based on digital images.Keywords: Object detection; Image classification; YOLOv5; EfficientNet-B0; Rabbit breeds AbstrakIdentifikasi ras kelinci secara manual membutuhkan waktu dan rentan kesalahan, sehingga diperlukan sistem otomatis berbasis citra digital. Penelitian ini mengusulkan pendekatan YOLOv5-CNN untuk mendeteksi objek kelinci dan mengklasifikasikan rasnya secara otomatis. Tahap pertama menggunakan YOLOv5 untuk mendeteksi kelinci pada citra dan menghasilkan bounding box, kemudian citra hasil deteksi dijadikan masukan model Convolutional Neural Network (CNN) untuk klasifikasi ras. Pengujian dilakukan menggunakan dataset citra kelinci yang dibagi menjadi 70% data pelatihan, 10% data validasi, dan 20% data pengujian. Pada tahap pelatihan dan validasi, model menunjukkan kemampuan belajar yang stabil dalam mengenali pola visual antar ras. Selanjutnya, pengujian dilakukan pada 200 citra uji independen yang tidak digunakan selama proses pelatihan. Hasil evaluasi menunjukkan bahwa sistem kombinasi YOLOv5–CNN memperoleh akurasi sebesar 96% pada data uji. Temuan ini menunjukkan bahwa integrasi deteksi objek dan klasifikasi citra dalam satu alur pemrosesan dapat mendukung proses identifikasi ras kelinci secara otomatis berbasis citra digital. 
Pendeteksi Penyakit Dan Hama Pada Kelapa Sawit Menggunakan Metode Yolo Untuk Memantau Pertumbuhan Tanaman Irvan Widyadinata; Agustinus Rudatyo Himamunanto; Yo’el Piter Sumihar
Smart Comp :Jurnalnya Orang Pintar Komputer Vol 15, No 1 (2026): Smart Comp: Jurnalnya Orang Pintar Komputer
Publisher : Politeknik Harapan Bersama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30591/smartcomp.v15i1.9076

Abstract

Penyakit dan hama pada tanaman kelapa sawit merupakan tantangan utama dalam menjaga produktivitas dan keberlanjutan industri perkebunan. Ketidakefisienan dalam mendeteksi gejala sejak dini dapat mengakibatkan penurunan hasil panen secara signifikan. Penelitian ini mengembangkan sistem deteksi dini penyakit dan hama pada kelapa sawit menggunakan algoritma deep learning YOLOv11. Sistem ini bertujuan meningkatkan efisiensi pemantauan perkebunan dan mengurangi kerugian akibat serangan hama dan penyakit. Model YOLOv11 dilatih dengan dataset 2.544 citra yang telah di-anotasi ke dalam tujuh kelas utama, meliputi berbagai kondisi tanaman. Pelatihan dilakukan di platform komputasi awan dengan dukungan GPU. Model dievaluasi menggunakan presisi, recall, dan mean Average Precision (mAP). Hasil menunjukkan akurasi tinggi dan keseimbangan klasifikasi yang baik antar kelas, memungkinkan deteksi real-time. Sistem ini berpotensi diaplikasikan untuk pemantauan perkebunan kelapa sawit yang lebih efisien dan akurat
Implementasi Augmented Reality dalam Pengembangan Media Pembelajaran Biologi di Tingkat Sekolah Menengah Pertama Depni Novela; Agustinus Rudatyo Himamunanto; Haeni Budiati
Smart Comp :Jurnalnya Orang Pintar Komputer Vol 15, No 1 (2026): Smart Comp: Jurnalnya Orang Pintar Komputer
Publisher : Politeknik Harapan Bersama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30591/smartcomp.v15i1.9177

Abstract

Kemajuan tekonologi digital mendorong perluasan inovasi dalam proses pembelajaran, terutama untuk konsep-konsep abstrak seperti pembelajaran fotosintesis. Siswa mengalami kesulitan dalam memahami materi ini karenamelibatkan proses kimia yang cukup rumit dan tidak dapat dilihat secara langsung. Upaya alternatif dalam menangani permasalahan tersebut adalahmelalui proses perancangan dan pengembangan media pembelajaran berbasis Augmented Reality(AR) yang memvisualisasikan proses fotosintesis dalam bentuk 3D yang interaktif dan mudah dipahami. Penelitian ini menggunakan pendekatan deskriptif dengan model pengembangan Multimedia Development Live Cycle (MDLC) yang terdiri dari lima tahapan: Consept (Pengonsepan), Design (Perancangan), Material Collecting (Pengumpulan Materi), Assembly (Pembuatan), dan Testing (Pengujian). Aplikasi AR dikembangkan menggunakan Unity dan Vuforia, kemudian diuji coba kepada murid kelas VIII di SMP Negeri 2 Ngemplak. Hasil yang diperoleh menunjukkan bahwa aplikasi AR yang dikembangkan mudah digunakan, tampilan visual menarik, dan membantu meningkatkan pemahaman siswa terhadap materi fotosintesis, khususnya reaksi terang dan reaksi gelap. Selain itu, aplikasi ini juga menerima umpan balik yang baik dari pengguna terkait fitur dan desain antarmuka. Dengan  demikian,  penelitian ini mengindikasikan bahwa AR dapat berfungsi sebagai alat edukasi biologi yang interaktif , inovatif dan menyenangkan.
Kendali Adaptif Lingkungan Anggrek Dendrobium Berbasis Environment Score Menggunakan Pico W Andriaman Telaumbanua; Gogor Christmass Setyawan; Agustinus Rudatyo Himamunanto
Journal of Information Technology Vol. 6 No. 2 (2026): Journal of Information Technology
Publisher : Institut Shanti Bhuana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46229/jifotech.v6i2.1142

Abstract

The cultivation of Dendrobium orchids has high economic value but is highly dependent on the stability of microclimate parameters, specifically temperature, humidity, and light intensity. One of the common challenges faced by cultivators is the limitation of accurate and continuous monitoring systems, as well as the relatively high installation and operational costs of industrial-scale automation systems. This study aims to develop an Internet of Things (IoT)-based microclimate monitoring and control system using the Raspberry Pi Pico W, which is designed to be more economical, plug-and-play, and energy-efficient. The method employed utilizes the Environment Score algorithm to evaluate environmental conditions through multi-parameter analysis (temperature, humidity, and light), along with a pulse control technique on the humidifier actuator to prevent humidity overshoot during the actuation process. The system is also equipped with a buzzer-based early warning mechanism and real-time data logging capabilities transmitted directly to Google Sheets via HTTP protocol. The functional test results using Black Box testing methods on 2,787 recorded data rows, including extreme anomaly simulations (drastic temperature spikes and humidity drops), indicate that the system is highly responsive to critical conditions and capable of maintaining environmental stability with a logical response success rate of up to 99%. The pulse control method successfully minimizes extreme fluctuations. Therefore, the developed system has proven to be effective, adaptive, and low-cost in supporting the environmental management of Dendrobium orchid cultivation.
Co-Authors Ama, Marniati Triningsi Tamo Andriaman Telaumbanua Bolo, Naomi Tena Budet, Vincensa Woytimena Chrisdyanto, Daniel Nourman Dangga, Nofrilia Debora, Agnes Monica Deona Carol Gerjana Rijke Saijuna Depni Novela Desri A.F. Waruwu Enjelina Citra Hulu Erwin Oktaf Kurniawan Waruwu Febe Maedjaja Gogor Christmass Setyawan Gogor Christmass Setyawan Haeni Budiati Halawa, Paskah Lina Irvan Widyadinata Jatmika Jatmika Listra Frigia Missianes Horhoruw Magdalena, Mensiana Nelvina Adonia Niasiska, Niasiska Nurcahyo, Azriel Christian Olam, Enos Nikodemus Samuel Tora Setyawan, Gogor Setyawan, Gogor C. Setyawan, Gogor Chrismass Sumihar, Yo’el Pieter Supriadi, Joseph Swasono, Henoch Yanuar Ari Swasono, Natan Enggal Talenta Teholi Zalukhu Tasane, Elshaddai L Wanda, Melifan Yo’el Piter Sumihar Zalukhu, Jean Pinter Son