Article Per Year (5 Year)
p-Index From 2020 - 2025
1.776
P-Index
This Author published in this journals
All Journal Jurnal Teknologi Informasi dan Ilmu Komputer JURNAL MEDIA INFORMATIKA BUDIDARMA JOURNAL OF INFORMATION SYSTEM RESEARCH (JOSH) Jurnal Infortech Jurnal Sistem Informasi Journal of Entrepreneurship and Community Innovations Jurnal Komtika (Komputasi dan Informatika)
Khultsum, Umi
Unknown Affiliation
Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Electrical & Electronics Engineering Engineering Library & Information Science

Published : 7 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 7 Documents
Search

 1 
Penerapan Algoritma Random Forest dengan Kombinasi Ekstraksi Fitur Untuk Klasifikasi Penyakit Daun Tomat Khultsum, Umi; Subekti, Agus
JURNAL MEDIA INFORMATIKA BUDIDARMA Vol 5, No 1 (2021): Januari 2021
Publisher : STMIK Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/mib.v5i1.2624

Abstract

The tomato plant is widely consumed by the community and is widely cultivated by farmers. Tomato plants are susceptible to disease attacks. Plant diseases cause a decrease in the quality and quantity of crops or agricultural produce. The idea of the 4.0 agricultural revolution emerged as a result of the 4.0 industrial revolution. Farmers are not ready to face increasingly rapid technological advances. It is important to identify the disease in tomato leaves correctly in the efficiency of disease management for efforts to control so that disease in tomato leaves does not develop. The main objective of the proposed method is to develop a technique for identifying foliar diseases in tomato plants by increasing the classification accuracy. The novelty of this research is a combination of several feature extractions to improve classification accuracy. The features used are the color feature, the Hu-Moment feature, and the firur haralick. In the classification process, the Random Forest algorithm and other classification algorithms are applied for comparison. In this study, the Random Forest method and the combination of extraction features have shown an increase in accuracy, the accuracy obtained is 96%.
Klasifikasi Gambar Palmprint Berbasis Multi-Kelas Menggunakan Convolutional Neural Network Hidayat, Taopik; Khasanah, Nurul; Saputri, Daniati Uki Eka; Khultsum, Umi; Pratiwi, Risca Lusiana
Jurnal Sistem Informasi Vol 11 No 1 (2022): JSI Periode Februari 2022
Publisher : LPPM STMIK ANTAR BANGSA

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (504.405 KB) | DOI: 10.51998/jsi.v11i1.474

Abstract

Abstract—Biometric technology is developing to be the most relevant mechanism in identity identification. The main purpose of an identity management system is to be able to establish a relationship between individuals and their identities when needed under certain conditions. Among the newly proposed identity verification and personal identification technologies, biometrics is rapidly becoming the most relevant mechanism for identity recognition. This study proposes a new biometric recognition method for authentication and personal identification. Palm image recognition based on image processing for authentication and personal identification is proposed, namely competitive coding using the Convolutional Neural Network (CNN) and Local Binary Pattern (LBP) texture extraction with hyperparameter modifications. The dataset used comes from the Birjand University Mobile Palmprint Database (BMPD) which consists of 20 classes with a total of 800 palm images. The research was conducted using a data distribution of 80% training data and 20% validation data. The tests carried out resulted in a good accuracy value of the proposed model of 93.3% for the training process and 90.6% for the validation process. Keywords: Biomethric, CNN, LBP Intisari— Teknologi biometrik berkembang menjadi mekanisme paling relevan dalam pengidentifikasi identitas. Tujuan utama dari sistem manajemen identitas adalah untuk dapat membangun hubungan antara individu dan identitas mereka ketika dibutuhkan dalam kondisi tertentu. Di antara verifikasi identitas yang baru diusulkan dan teknologi identifikasi pribadi, biometrik dengan cepat menjadi mekanisme yang paling relevan untuk pengenalan identitas. Penelitian ini mengusulkan metode pengenalan biometrik terbaru untuk otentikasi dan identifikasi pribadi. Pengenalan citra telapak tangan berbasis image processing untuk otentikasi dan identifikasi pribadi yang diusulkan yaitu pengkodean kompetitif menggunakan metode Convolutional Neural Network (CNN) dan ekstraksi tekstur Local Binary Pattern (LBP) dengan modifikasi hyperparameter. Dataset yang digunakan berasal dari Birjand University Mobile Palmprint Database(BMPD) yang terdiri dari 20 kelas dengan total 800 citra telapak tangan. Penelitian dilakukan dengan menggunakan distribusi data sebesar 80% data training dan 20% data validasi. Pengujian yang dilakukan menghasilkan nilai akurasi yang baik dari model yang diusulkan sebesar 93,3% untuk proses training dan 90,6% untuk proses validasi. Kata Kunci: Biometrik, CNN, LBP  
Perangkingan Siswa Terbaik Untuk Penerimaan Beasiswa Menggunakan Model Fuzzy Tahani Taufik, Ghofar; Suharjanti, Suharjanti; Khultsum, Umi; Ispandi, Ispandi
Jurnal Infortech Vol 5, No 2 (2023): Desember 2023
Publisher : Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/infortech.v5i2.17142

Abstract

Tujuan  utama  dari perangkingan siswa terbaik untuk penerimaan beasiswa adalah untuk mencari serta menentukan siswa terbaik mana yang sesuai dan layak untuk diberikan beasiswa dari pihak sekolah. Adapun kriteria-kriteria yang digunakan sebagai penilaian untuk melakukan perangkingan siswa terbaik untuk penerima beasiswa adalah nilai rata-rata rapor, kehadiran, keaktifan, kepribadian dan penghasilan orang tua. Nilai dari masing-masing kriteria tersebut yang diproses dan diolah untuk perangkingan siswa terbaik untuk penerima beasiswa. Namun masih memiliki kendala berupa kurangnya objektifitas dari pengolahan yang dilakukan karena masing-masing kriteria-kriteria tersebut masih memiliki nilai data yang ambigu (kabur). Model fuzzy Tahani adalah sebuah model yang digunakan untuk mengambil keputusan dalam suatu sistem atau situasi yang kompleks dengan tingkat ketidakpastian tertentu. Model ini menggunakan prinsip logika fuzzy yang memungkinkan variabel memiliki nilai di antara nilai biner 0 dan 1 (tidak hanya benar atau salah), sehingga dapat memodelkan suatu sistem atau situasi dengan lebih akurat serta menghilangkan ambiguitas datanya. Penelitian ini bertujuan untuk  menerapkan model fuzzy Tahani dalam perangkingan siswa terbaik untuk penerima beasiswa di sekolah. Sedangkan hasil dari penelitian ini berupa suatu model sistem pendukung keputusan untuk perangkingan siswa terbaik untuk penerima beasiswa di sekolah dengan menggunakan model fuzzy Tahani yang berupa informasi perangkingan siswa terbaik yang berhak menerima beasiswa berdasarkan pada nilai rata-rata akhir dari yang paling tertinggi hingga terendah.
Hibah Dan Pelatihan Penggunaan SIDETOM Kepada Gapoktan Pada Desa Rasau Jaya Satu Mustopa, Ali; Sasongko, Agung; Khultsum, Umi; Sabaruddin, Raja
Journal of Entrepreneurship and Community Innovations Vol 3 No 2 (2025): FEBRUARI 2025
Publisher : Lembaga Penelitian Universitas YARSI

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33476/jeci.v3i2.263

Abstract

Permasalahan utama yang dihadapi oleh Gabungan Kelompok Tani (Gapoktan) di Desa Rasau Jaya Satu adalah penurunan produktivitas tomat akibat keterbatasan deteksi dini hama, penyakit, dan kekurangan nutrisi. Hal ini menyebabkan keterlambatan penanganan, menurunkan hasil panen, dan mengancam keberlanjutan pertanian. Selain itu, banyak petani yang belum akrab dengan teknologi pertanian modern untuk deteksi dan perawatan yang lebih cepat dan tepat. Sebagai solusi, program ini memberikan hibah dan pelatihan penggunaan Sistem Deteksi Tanaman Tomat (SIDETOM). SIDETOM adalah sistem berbasis AI yang memantau kesehatan tanaman secara real-time, menggunakan sensor untuk kelembapan tanah, intensitas cahaya, dan suhu, serta perangkat lunak yang mendeteksi gejala penyakit atau defisiensi nutrisi. Petani menerima notifikasi melalui aplikasi ponsel untuk intervensi yang tepat waktu. Pelatihan mencakup penggunaan perangkat, indikator kesehatan tanaman, dan strategi perawatan. Program ini bertujuan meningkatkan kemandirian petani dalam menggunakan teknologi, meningkatkan manajemen pertanian, dan mendorong praktik pertanian berkelanjutan.
Penerapan Model EfficientNetV2L Dalam Mendeteksi Citra Penyakit Daun Tomat untuk Meningkatkan Hasil Panen Petani Mustopa, Ali; Khultsum, Umi; Sabaruddin, Raja; Ikhsanda, Reza; Firmansyah, Herman
Journal of Information System Research (JOSH) Vol 6 No 1 (2024): Oktober 2024
Publisher : Forum Kerjasama Pendidikan Tinggi (FKPT)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/josh.v6i1.5886

Abstract

In the era of modern agriculture, farmers face increasingly complex challenges related to controlling tomato plant diseases. Lack of knowledge and in-depth understanding of the types of diseases that may occur in tomato leaves can result in errors in identifying plant health problems, which can ultimately disrupt productivity and sustainability of crop yields. There is a major urgency that drives this research is the need for a better understanding of the diseases that affect tomato plants. In addition, the need to develop accurate models to detect diseases quickly and efficiently and the importance of implementing solutions that are practical and easily accessible to farmers. This study aims to provide farmers with useful tools to recognize and treat tomato leaf diseases more effectively so that they can increase yields and significantly increase their income. The model developed is expected to be able to identify and classify various types of tomato leaf diseases with high accuracy. This study utilizes a deep learning method using a Convolutional Neural Network (CNN) based on the EfficientNetV2L architecture in the tomato leaf disease classification process. This study produces an accuracy of 97.22% in the classification process using the EfficientNetV2L architecture and the implementation of a model that can be easily adopted by farmers. The developed model is integrated into a web-based system that can be accessed by farmers widely.
Kombinasi K-NN dan Gradient Boosted Trees untuk Klasifikasi Penerima Program Bantuan Sosial Firasari, Elly; Khultsum, Umi; Winnarto, Monikka Nur; Risnandar, Risnandar
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 7 No 6: Desember 2020
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.0813087

Abstract

Kemiskinan bagi pemerintah Indonesia termasuk masalah yang sulit untuk diselesaikan. Upaya yang dilakukan pemerintah dalam mengatasi kemiskinan di Indonesia yaitudengan  program bantuan sosial meliputiBLT (Bantuan Langsung Tunai), PKH (Program Keluarga Harapan), Raskin (Beras Miskin), dan lain lain. Dalam Pelaksanaan program bantuan sosial saat masih sangat terbatas sehingga dalam penerimaan program bantuan tidak tepat sasaran. Data mining membantu untuk menentukan keputusan dalam memprediksi data di masa yang akan datang. Gradient Boosted Trees dan K-NN merupakan salah satu metode data mining untuk klasifikasi data. Masing-masing metode tersebut memiliki kelemahan. Gradient Boosted Trees menghasilkan nilai persentase akurasi lebih rendah dibanding metode K-NN. Dari permasalahan tersebut maka diusulkan metode kombinasi K-NN dan Gradient Boosted Trees untuk meningkatkan akurasi pada pelaksanaan program bantuan sosial agar tepat sasaran. Metode K-NN, Gradient Boosted Trees, K-NN-Gradient Boosted Treesdilakukan pengujian pada data yang sama untuk mendapatkan hasil perbandingan nilai akurasi. Hasil pengujian membuktikan bahwa kombinasi tersebut menghasilkan nilai persentase yang tinggi dibanding metode K-NN atau Gradient Boosted Trees yaitu 98.17%.AbstractPoverty for the Indonesian government is a problem that is difficult to solve. The efforts made by the government in overcoming poverty in Indonesia are through social assistance programs including BLT (Bantuan Langsung Tunai), PKH (Program Keluarga Harapan), Raskin (Beras Miskin), and others. In the implementation of the social assistance program when it was still very limited, the acceptance of the aid program was not on target. Data mining helps to determine decisions in predicting data in the future. Gradient Boosted Trees and K-NN are data mining methods for data classification. Each of these methods has weaknesses. Gradient Boosted Trees produce lower accuracy percentage values than the K-NN method. From these problems, a proposed method of combination of K-NN and Gradient Boosted Trees is used to improve the accuracy of the implementation of social assistance programs so that it is right on target. The K-NN, Gradient Boosted Trees, and K-NN-Gradient Boosted Trees methods are tested on the same data to get a comparison of the accuracy values. The test results prove that the combination produced a high percentage value compared to the K-NN or Gradient Boosted Trees method that is 98.17%.
Implementasi Support Vector Machine dan Resampling dalam Analisis Ulasan Pengguna Google Maps Khultsum, Umi; Rahmawati, Eka; Rahmawati, Annida; Annajib, Barra Rifki; Anggita, Christina Yuli
Jurnal Komtika (Komputasi dan Informatika) Vol 9 No 2 (2025)
Publisher : Universitas Muhammadiyah Magelang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31603/komtika.v9i2.14813

Abstract

The development of information technology has driven the increasing use of digital services such as Google Maps, which functions not only as a navigation tool but also as a platform for users to provide reviews. These reviews serve as an important data source for sentiment analysis; however, they are often unstructured and contain noise. This study aims to conduct sentiment analysis using the Support Vector Machine (SVM) model with the application of resampling techniques to address data imbalance issues in user reviews of the Google Maps application. A total of 1,000 recent reviews were collected through a scraping process, followed by data cleaning (lowercasing, stopwords removal, stemming, and lemmatization) and data preprocessing. The SVM model combined with resampling techniques was then implemented and evaluated using accuracy, precision, and recall metrics. The results indicate that the SVM model achieved an accuracy of 81%, with a weighted average precision of 0.79, recall of 0.81, and F1-score of 0.76. These findings demonstrate that applying resampling techniques to SVM yields good performance in sentiment classification. The study is expected to contribute to the development of sentiment analysis methods using the SVM model with resampling in the context of Google Maps reviews.
Co-Authors Agung Sasongko Agus Subekti Ali Mustopa, Ali Anggita, Christina Yuli Annajib, Barra Rifki Daniati Uki Eka Saputri eka rahmawati Firasari, Elly Firmansyah, Herman Ghofar Taufiq Hidayat, Taopik Ikhsanda, Reza Ispandi Ispandi, Ispandi Lusiana Pratiwi, Risca Nurul Khasanah, Nurul Pratiwi, Risca Lusiana Rahmawati, Annida Raja Sabaruddin Risnandar, Risnandar Salsabila, Unik Hanifah Suhar Janti Taopik Hidayat Uki Eka Saputri, Daniati Winnarto, Monikka Nur