Article Per Year (5 Year)
p-Index From 2021 - 2026
7.853
P-Index
This Author published in this journals
All Journal Prosiding Seminar Nasional Sains Dan Teknologi Fakultas Teknik Jurnal Ilmiah Kursor Scan : Jurnal Teknologi Informasi dan Komunikasi Jurnal Teknologi Informasi dan Ilmu Komputer Jurnal Informatika dan Teknik Elektro Terapan JIEET (Journal of Information Engineering and Educational Technology) JURNAL TEKNIK INFORMATIKA DAN SISTEM INFORMASI JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Journal of Information System, Applied, Management, Accounting and Research Jurnal Mantik Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi bit-Tech JATI (Jurnal Mahasiswa Teknik Informatika) Journal Cerita: Creative Education of Research in Information Technology and Artificial Informatics Bertuah : Jurnal Syariah dan Ekonomi Islam Journal of Applied Data Sciences International Journal Of Computer, Network Security and Information System (IJCONSIST) Jurnal Informatika Teknologi dan Sains (Jinteks) ILTEK : Jurnal Teknologi Jurnal Informatika Polinema (JIP) Repeater: Publikasi Teknik Informatika dan Jaringan Neptunus: Jurnal Ilmu Komputer dan Teknologi Informasi Uranus: Jurnal Ilmiah Teknik Elektro, Sains dan Informatika Jurnal Informatika Dan Tekonologi Komputer Jati Emas (Jurnal Aplikasi Teknik dan Pengabdian Masyarakat)
Achmad Junaidi
Universitas Pembangunan Nasional Veteran Jawa Timur
Religion Agriculture, Biological Sciences & Forestry 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 Law, Crime, Criminology & Criminal Justice Library & Information Science Mechanical Engineering Public Health Social Sciences Other

Published : 65 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 65 Documents
Search

 2   3   4   5   6 
PENERAPAN HYBRID CRYPTOGRAPHY MENGGUNAKAN CAMELLIA DAN DUAL MODULUS RSA PADA PERTUKARAN FILE Ar Romandhon, Mitzaqon Gholizhan; Junaidi, Achmad; Sihananto, Andreas Nugroho
Jurnal Informatika dan Teknik Elektro Terapan Vol. 12 No. 3S1 (2024)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v12i3S1.5218

Abstract

Kebutuhan akan keamanan atas data merupakan hal yang sangat penting dalam era digital saat ini, terutama pada proses pertukaran data yang bersifat sensitif terhadap serangan siber. Selain keamanan data, ukuran data yang semakin besar juga menjadi permasalahan dalam proses pertukaran file karena waktu yang dibutuhkan dalam pemrosesan juga semakin lama. Penelitian ini melakukan implementasi skema hybrid cryptography menggunakan algoritma Camellia dan Dual Modulus RSA yang bertujuan untuk mengatasi permasalahan-permasalah tersebut. Pemilihan skema hybrid cryptography adalah untuk mendapatkan kekuatan dari masing-masing algoritma, sehingga keamanan dan kecepatan dari tiap algoritma dapat didapatkan. Tahapan yang dilakukan dalam penelitian ini adalah studi literatur, perancangan, implementasi dan pengujian. Hasil dari pengujian yang telah dilakukan, diperoleh bahwa untuk proses pembangkitan kunci skema hybrid memiliki waktu tempuh yang mirip dengan algoritma DM-RSA dengan perbedaan 9.3% lebih cepat dan pada proses enkripsi dan dekripsi memiliki waktu tempuh yang mirip dengan algoritma Camellia dengan perbedaan 2.3% lebih cepat. Untuk keseluruhan proses algoritma hybrid memiliki waktu tempuh yang mirip dengan algoritma Camellia untuk skenario ukuran data 600MB dan 1200MB dengan perbedaan 25.2% lebih lambat.
KLASIFIKASI CITRA PLANKTON DENGAN ALGORITMA HIBRIDA CONVOLUTIONAL NEURAL NETWORK DAN EXTREME LEARNING MACHINE Shahab, Muhammad Syaugi; Junaidi, Achmad; Sihananto, Andreas Nugroho
Jurnal Informatika dan Teknik Elektro Terapan Vol. 12 No. 3S1 (2024)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v12i3S1.5219

Abstract

Penelitian ini bertujuan untuk meningkatkan akurasi dalam klasifikasi plankton secara otomatis dengan pendekatan hibrida CNN-ELM. Menggunakan Convolutional Neural Network (CNN) untuk ekstraksi fitur dan Extreme Learning Machine (ELM) sebagai pengklasifikasi, model ini dirancang untuk mengatasi tantangan citra plankton yang buram, dataset kecil, dan ketidakseimbangan kelas. SMOTE digunakan untuk menangani ketidakseimbangan data. Dari implementasi SMOTE dengan metode interpolasi, permasalahan ketidakseimbangan kelas berhasil diatasi dengan menjadikan jumlah data latih sama rata untuk setiap kelas. Dari hasil pengujian, konfigurasi dengan 32 filter dan 2000 hidden node serta 64 filter dan 2000 hidden node memberikan performa terbaik dengan akurasi 97,78%. Sebaliknya, model dengan 64 filter dan 4000 hidden node menunjukkan performa terendah dengan akurasi 82,78% yang diakibatkan overfitting. Analisis confusion matrix mengungkapkan kinerja tinggi pada beberapa kelas plankton, namun masih kesalahan klasifikasi sering terjadi pada kelas seperti Alexandrium, Noctiluca, dan Nitzschia. Temuan ini menunjukkan bahwa konfigurasi dengan filter dan node yang lebih kompleks tidak selalu menghasilkan kinerja lebih baik. Penelitian ini diharapkan dapat mendukung pengambilan keputusan di bidang kelautan.
IMPLEMENTASI ALGORITMA CONVOLUTIONAL NEURAL NETWORK PADA TRANSLITERASI AKSARA JAWA KE AKSARA LATIN DENGAN PENERAPAN FUNGSI HINGE LOSS Akbar, Refansya Rachmad; Rahmat, Basuki; Junaidi, Achmad
Jurnal Informatika dan Teknik Elektro Terapan Vol. 12 No. 3S1 (2024)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v12i3S1.5350

Abstract

Masyarakat jawa, terutama di wilayah kraton seperti Yogyakarta dan Surakarta, menggunakan aksara jawa untuk melestarikan tradisi penulisan dalam Bahasa jawa. Aksara jawa atau yang sering disebut Hanacaraka sering digunakan untuk menulis berbagai jenis naskah, termasuk cerita, catatan sejarah, tembang kuno, dan ramalan primbon. Selain itu, aksara jawa memiliki keterkaitan dengan aksara bali, keduanya merupakan perkembangan Bahasa kawi. Seiring berkembangnya zaman generasi milenial sudah mulai asing dengan aksara jawa. Padahal pulau jawa merupakan pulau terbesar dan memiliki beragam budaya, jika generasi ke generasi aksara jawa mulai dilupakan akan berdampak buruk terhadap kelesestarian budaya.Pada era digitalisasi ini pembuatan transliterasi aksara jawa ke aksara latin digital dapat membantu mengatasi masalah tersebut. Penelitian ini bertujuan untuk melakukan klasifikasi citra terhadap aksara jawa untuk mendukung proses transliterasi tersebut, adapun algoritma yang digunakan dalam klasifikasi citra yaitu convolutional neural network.Penerapan fungsi Hinge loss pada convolutional neural network merupakan tipe lain dari loss function yang biasa digunakan sebagai alternatif dari cross entropy untuk permasalahan klasifikasi citra. Namun, performa hinge loss terkadang lebih baik dari cross entropy dan terkadang lebih buruk dari cross entropy. Hasil terbaik pada implementasi convolutional neural network pada transliterasi aksara jawa ke aksara latin dengan penerapan fungsi hinge loss didapatkan pada rasio dataset 80:10:10 menggunakan arsitektur VGG19 dan loss function categorical hinge loss dengan menerapkan layer dropout 0,5 dan L2 Regulatization 0,0001 mendapatkan hasil akurasi 100%, precision, recall 100%, dan f1-score 100%.
GWO-SVM: AN APPROACH TO IMPROVING SVM PERFORMANCE USING GREY WOLF OPTIMIZER IN INTELLECTUAL DISABILITY CLASSIFICATION Afifudin, Muhammad; Junaidi, Achmad; Sihananto, Andreas Nugroho; Fithriyah, Izzatul
Jurnal Informatika dan Teknik Elektro Terapan Vol. 12 No. 3S1 (2024)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v12i3S1.5359

Abstract

 Intellectual disability (ID) is a neurodevelopmental disorder that requires early and accurate diagnosis. This study aims to improve the efficiency of ID diagnosis using a machine learning approach. A Support Vector Machine (SVM) model optimized with Grey Wolf Optimizer (GWO) was developed and trained using data from questionnaires completed by 101 families/guardians of ID patients at RSUD Dr. Soetomo Surabaya. The features used include family history, cognitive abilities, and adaptive behaviors. The results showed that the GWO-SVM model achieved an accuracy of 95% in classifying ID patients, an improvement of 5% compared to the conventional SVM. The GWO algorithm successfully optimized the parameters in SVM, resulting in a model with the best performance. These findings indicate the potential of GWO-SVM as an effective and efficient tool for assisting in the diagnosis of ID.
IMPLEMENTASI ARSITEKTUR EFFICIENTNETB2 UNTUK KLASIFIKASI CITRA DAUN HERBAL Oktaviana, Dinda Friska; Junaidi, Achmad; Al Haromainy, Muhammad Muharrom
ILTEK : Jurnal Teknologi Vol. 20 No. 02 (2025): ILTEK : Jurnal Teknologi
Publisher : Fakultas Teknik Universitas Islam Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47398/iltek.v20i02.257

Abstract

Daun herbal telah lama dimanfaatkan sebagai bahan pengobatan tradisional di Indonesia, namun proses identifikasi jenisnya sering menjadi tantangan akibat keterbatasan pengetahuan masyarakat dan kemiripan visual antar daun herbal. Penelitian ini bertujuan menguji performa model klasifikasi daun herbal untuk memperoleh akurasi optimal. Metode yang digunakan adalah CNN dengan arsitektur EfficientNetB2 untuk mengklasifikasikan citra sepuluh jenis daun herbal Indonesia. Dataset merupakan gabungan data primer dan sekunder, yang kemudian dibagi menjadi 80:20 untuk pelatihan dan pengujian. Tiga skenario jumlah epoch diterapkan, yaitu 10, 20, dan 30, dengan konfigurasi tiga hidden layer yang masing-masing berisi 128 neuron. Hasil pengujian menunjukkan bahwa konfigurasi terbaik diperoleh pada skenario 30 epoch dengan akurasi rata-rata mencapai 99,09%. Nilai presisi, recall, dan f1-score pada skenario ini masing-masing sebesar 99%, menunjukkan kinerja yang sangat tinggi dan konsisten. Selisih performa antar skenario pengujian tergolong tipis, sehingga setiap konfigurasi mampu memberikan hasil yang kompetitif. Selain itu, model berhasil membedakan jenis daun dengan kemiripan visual tinggi secara akurat. Dengan demikian, EfficientNetB2 berhasil mencapai akurasi optimal untuk klasifikasi citra daun herbal.
Klasifikasi Penyakit Kronis Melalui Mata Menggunakan Algoritma Convolutional Neural Network Dengan Model MobileNet-V3 Mohammad Haydir Awaludin Waskito; Andreas Nugroho Sihananto; Achmad Junaidi
Uranus: Jurnal Ilmiah Teknik Elektro, Sains dan Informatika Vol. 2 No. 2 (2024): Juni: Uranus: Jurnal Ilmiah Teknik Elektro, Sains dan Informatika
Publisher : Asosiasi Riset Teknik Elektro dan Informatika Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61132/uranus.v2i2.120

Abstract

Chronic diseases in humans are very difficult to detect visually, for example glaucoma, hypertension, diabetes, and others. So it takes a lot of time for further medical examination by visiting a health center or hospital. Therefore, this research aims to find a solution combining medical and computer science to classify quickly and precisely. Classifying eye images requires good features and characteristics so that disease images can be classified. This research uses the Deep Learning method, namely Convolutional Neural Network with MobileNet-V3 architecture which can extract features from large resolution images very well. This research resulted in accurate classification of images of chronic diseases Normal, Diabetes, Glucoma, Cataract, Age related macular degeneration, Hypertension, Pathalogical Myopia. uses the MobileNet-V3 architecture, with transfer learning reaching 81%, and loss only 0.4913.
IMPLEMENTASI EKSTRAKSI FITUR TEKSTUR DAN WARNA PADA KLASIFIKASI PENYAKIT DAUN JAGUNG MENGGUNAKAN RANDOM FOREST Galan Ahmad Defanka; Achmad Junaidi; Hendra Maulana
Prosiding Seminar Nasional Sains dan Teknologi Vol. 15 No. 1 (2025): Prosiding SNST 15 Tahun 2025
Publisher : Fakultas Teknik Universitas Wahid Hasyim

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36499/psnst.v15i1.14646

Abstract

Penelitian ini mengembangkan sistem untuk mengidentifikasi penyakit pada daun jagung menggunakan kombinasi ekstraksi fitur tekstur dan warna. Ekstraksi tekstur dilakukan dengan metode Local Binary Pattern (LBP), sedangkan karakteristik warna citra dianalisis menggunakan Fuzzy Color Histogram (FCH). Fitur yang dihasilkan dari kedua metode tersebut kemudian digunakan sebagai input pada algoritma Random Forest untuk proses klasifikasi. Dataset berupa citra daun jagung melalui beberapa tahapan pengolahan, yaitu preprocessing, segmentasi citra, ekstraksi fitur, serta pelatihan model. Hasil pengujian menunjukkan bahwa Random Forest memiliki performa terbaik dengan akurasi mencapai 93,75%. Penelitian ini membuktikan bahwa kombinasi fitur tekstur dan warna dengan algoritma Random Forest efektif dalam mendeteksi penyakit daun jagung. Kata kunci: daun jagung, ekstraksi fitur, random forest
Klasifikasi Citra Tulisan Tangan Aksara Sunda Berbasis Inception-ResNetV2 dengan Transfer Learning Paramitha, Clara Diva; Junaidi, Achmad; Al Haromainy, Muhammad Muharrom
ILTEK : Jurnal Teknologi Vol. 20 No. 02 (2025): ILTEK : Jurnal Teknologi
Publisher : Fakultas Teknik Universitas Islam Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47398/iltek.v20i02.258

Abstract

Aksara Sunda adalah aksara yang semakin jarang digunakan sehingga masyarakat awam sering tidak familiar dengan bentuknya, terutama saat membaca tulisan tangan yang selalu memiliki variasi tergantung penulisnya sehingga ada keterbatasan dalam mengenali bentuknya. Penelitian ini berfungsi untuk menguji performa model deep learning untuk tugas klasifikasi 23 kelas Aksara Sunda serta menguji kombinasi model terhadap berbagai parameter agar dapat memberikan hasil optimal. Penelitian ini menggunakan Inception-ResNetV2 yang dikombinasikan dengan metode fine-tuning transfer learning untuk diuji terhadap tiga optimizer dan learning rate sebanyak 20 epoch. Data pada penelitian ini gabungan dari data GitHub dan data pengumpulan mandiri. Pengujian ini menggunakan rasio 80:20 untuk data latih dan data uji. Optimizer yang diuji adalah SGD, Adam, dan RMSProp. Hasil pengujian menunjukkan bahwa tiap-tiap optimizer mampu memberikan hasil teroptimalnya pada parameter tertentu. Melihat skor performa, RMSProp 0.0001 berhasil mencapai nilai akurasi data uji tertinggi pada 99.15%, diikuti oleh SGD 0.01 dengan akurasi data uji 98.66%, lalu disusul Adam 0.0001 dengan akurasi data uji 96.61%. Akan tetapi, melihat grafik kurva, optimizer SGD lebih stabil dibandingkan RMSProp—yang mengalami guncangan di awal—ataupun Adam—yang mengalami gejala overfitting ringan. Hasil kontradiktif ini dapat menjadi pembelajaran untuk penelitian selanjutnya.
IMPLEMENTASI HYBRID MODEL CEEMDAN-ARIMA-LSTM PREDIKSI HARGA SAHAM PENUTUP Dafauzan Bilal Syaifulloh; Fetty Tri Anggraeny; Achmad Junaidi
Jurnal Informatika Teknologi dan Sains (Jinteks) Vol 8 No 1 (2026): EDISI 27
Publisher : Program Studi Informatika Universitas Teknologi Sumbawa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51401/jinteks.v8i1.6938

Abstract

Pergerakan harga saham yang bersifat non-linear dan non-stasioner menjadi tantangan utama dalam proses peramalan deret waktu. Penelitian ini mengusulkan model hybrid CEEMDAN–ARIMA–LSTM untuk meningkatkan akurasi prediksi harga penutupan saham PT Industri Jamu dan Farmasi Sido Muncul Tbk (SIDO). Metode CEEMDAN digunakan untuk mendekomposisi data saham menjadi beberapa Intrinsic Mode Functions (IMF), yang selanjutnya dianalisis menggunakan Sample Entropy (SampEn) guna mengidentifikasi tingkat kompleksitas dan menentukan model yang paling sesuai. Komponen dengan karakteristik linier diprediksi menggunakan ARIMA, sedangkan komponen non-linier dimodelkan menggunakan LSTM. Hasil prediksi dari seluruh IMF kemudian direkonstruksi menjadi nilai akhir. Evaluasi kinerja menggunakan MAPE, MAE, RMSE, dan R² menunjukkan bahwa model hybrid memberikan akurasi yang lebih tinggi dibandingkan model tunggal, dengan nilai MAPE yang termasuk dalam kategori sangat akurat. Temuan ini menegaskan bahwa integrasi CEEMDAN dengan pendekatan statistik dan deep learning mampu menangani dinamika kompleks pada data saham serta meningkatkan kualitas prediksi secara signifikan.
PENERAPAN LBP DAN FCH UNTUK KLASIFIKASI PENYAKIT DAUN JAGUNG MENGGUNAKAN ALGORITMA RANDOM FOREST Galan Ahmad Defanka; Achmad Junaidi; Hendra Maulana
Jurnal Informatika Teknologi dan Sains (Jinteks) Vol 8 No 1 (2026): EDISI 27
Publisher : Program Studi Informatika Universitas Teknologi Sumbawa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51401/jinteks.v8i1.6948

Abstract

Klasifikasi penyakit daun jagung menjadi salah satu langkah penting dalam mendukung pemantauan kesehatan tanaman secara dini. Pada penelitian ini dikembangkan sebuah sistem klasifikasi penyakit daun jagung berbasis pengolahan citra dan machine learning yang mampu mengidentifikasi empat kondisi daun, yaitu bercak daun, hawar daun, karat daun, dan daun sehat. Dataset yang digunakan terdiri dari 1.200 citra daun jagung, dengan masing-masing kelas berjumlah 300 citra, kemudian diperluas menjadi 3.600 citra melalui proses augmentasi data. Proses pengolahan data meliputi tahapan preprocessing citra, segmentasi, ekstraksi fitur, serta pelatihan dan pengujian model klasifikasi. Karakteristik tekstur daun diekstraksi menggunakan metode Local Binary Pattern (LBP), sedangkan karakteristik warna direpresentasikan melalui Fuzzy Color Histogram (FCH). Seluruh fitur hasil ekstraksi tersebut digunakan sebagai masukan pada algoritma Random Forest untuk melakukan klasifikasi penyakit daun jagung. Hasil pengujian menunjukkan bahwa algoritma Random Forest mampu memberikan performa klasifikasi yang baik dengan tingkat akurasi sebesar 95,22%. Hasil tersebut menunjukkan bahwa kombinasi fitur tekstur LBP dan fitur warna FCH efektif dalam membedakan jenis penyakit daun jagung, sehingga sistem yang dikembangkan berpotensi menjadi solusi pendukung dalam deteksi penyakit tanaman jagung secara otomatis dan akurat.
Co-Authors Achmad Rozy Priambodo Afifudin, Muhammad Agung Mustika Rizki, Agung Mustika Akbar, Refansya Rachmad Akmal, Mohammad Faizal Al Fathoni, Hanif Andreas Nugroho Sihananto Andreas Nugroho Sihananto Anggraini Puspita Sari Anggraini Puspita Sari Anggraini Puspita Sari Ar Romandhon, Mitzaqon Gholizhan Ardiyansyah, Moh. Angga Arif Saifudin, Muhamad Ariq Musyaffah Ghufron, Althaf Arrisalah, Muhammad Baihaqi Bachtiar Riza Pratama Basuki Rahmat Basuki Rahmat Masdi Siduppa beni tiyas kristanti Ciptaagung Firjat Ardine Dafauzan Bilal Syaifulloh Darmawan, Marcellinus Aditya Vitro Diyasa, I Gede Susrama Mas Dunuroi Assuryani Dwi Arman Prasetya Efendi, Ridwan Eka Prakarsa Mandyartha Erik evranata Pardede Erik Iman Heri Ujianto Eva Yulia Puspaningrum Fatullah, Ryan Reynickha Fauzan Novriandy, Muhammad Fetty Tri Anggraeny Firza Prima Aditiawan Galan Ahmad Defanka Hafiyan Fazagi Adnanto Henni Endah Wahanani Henni Endah Wahanani I Gede Susrama Mas Diyasa Isworo, Muhamad Raihan Ramadhani Izzatul Fithriyah Kartini Kartini kristanti, beni tiyas Kurniawan, Muh. Irsyad Dwi Lesmana, Benedictus Rafael Mandyartha, Eka Prakarsa Maulana, Hendra Mochammad Yoga Firnanda Mohammad Haydir Awaludin Waskito Muhammad Azka Zaki Muhammad Muharrom Al Haromainy Muhammad Muharrom Al Haromainy Muhammad Muharrom Al Haromainy Mustika Rizki, Agung Mutiq Anisa Tanjung Muttaqin, Faisal Nugroho Sihananto, Andreas Nurlaili, Afina Lina Oktaviana, Dinda Friska Paramitha, Clara Diva Permanasari, Wahyu Melinda Prastyo, Kus Dwi Pratama, Novandi Kevin Prinafsika PW, Benar Setya Rachmadhany Iman Rafie Ishaq Maulana Rahmanda Putri, Endin Ratantja Kusumajati, Fatwa Rayya Ruwa'im Nafie Ridwan Efendi Riza Satria Putra Rizki, Agung Mustika Royan Fajar Sultoni Sajiwo, Achmad Fauzihan Bagus Salsabila, Belia Putri Sari, Allan Ruhui Fatmah Sebrina, Aida Fitriya Shahab, Muhammad Syaugi Sitompul, Pelean Alexander Jonas Syahbagus Radithya Haryo Santoso Thalita Syahlani Putri Tinambunan, Fernanda Vierino, Farrel Tiuraka Wahyu Gunawan, Rafif Ilafi Wardah Gracillaria Suharyono, Farra William Lijaya Therry, Renaldy Zaim, Mohammad Syarifuz