Article Per Year (5 Year)
p-Index From 2021 - 2026
4.23
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 Jurasik (Jurnal Riset Sistem Informasi dan Teknik Informatika) REKA ELKOMIKA: Jurnal Pengabdian kepada Masyarakat Bulletin of Computer Science Research 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 : 33 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 33 Documents
Search

 1   2   3   4 
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.
Co-Authors Ama, Marniati Triningsi Tamo 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 Gea, Juli Hartati Gogor Christmass Setyawan Gulo, Bintang Karmila Haeni Budiati Haeny Budiati Halawa, Paskah Lina Irvan Widyadinata Jatmika Jatmika Kristian Juri Damai Lase 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 Susilo, Zefanya Damar Aristo Swasono, Henoch Yanuar Ari Swasono, Natan Enggal Talenta Teholi Zalukhu Tasane, Elshaddai L Wanda, Melifan Yo’el Piter Sumihar Zalukhu, Jean Pinter Son