Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Decode: Jurnal Pendidikan Teknologi Informasi Journal of Information Systems and Technology (JISTech)
Yuandi, Intan Anuggrah
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Education Languange, Linguistic, Communication & Media Other

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Optimasi Pemilihan Tenaga Kerja Bagang dengan AHP dan Weighted Product Maulana, Sahrul; Pasrun, Yuwanda Purnamasari; Muchtar, Mutmainnah; Yuandi, Intan Anuggrah
JISTech : Journal of Information Systems and Technology Vol. 2 No. 1 (2025): Juni 2025
Publisher : Perhimpunan Ahli Teknologi Informasi dan Komunikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.71234/jistech.v2i1.61

Abstract

Choosing the appropriate personnel for bagang fishing units is essential for facilitating effective and efficient field operations. Nevertheless, selection processes dependent on subjective judgment frequently yield unsatisfactory outcomes. This study seeks to establish a decision support system utilizing a mix of the Analytical Hierarchy Process (AHP) and Weighted Product (WP) approaches to identify the optimal candidates. AHP calculates the hierarchical weight of each criterion by pairwise comparisons, whereas WP ranks alternatives based on preference values. The evaluation employs five primary criteria: work experience, physical endurance, discipline, capacity for night shifts, and technical skills. The results indicate that the most qualified individuals were objectively chosen, with A3, A7, and A5 receiving the greatest preference scores. This model provides a systematic framework for decision-making and is applicable in analogous circumstances necessitating multi-criteria selection. The implemented system has demonstrated an improvement in accuracy and transparency in labor recruiting in the conventional fishing sector.
Sistem Inventarisasi Kerusakan Perkerasan Jalan Deep Learning Dengan Arsitektur Convolutional Neural Network (CNN) YOLOv8 Mahmud; Yuandi, Intan Anuggrah; Amir, Andi Ahdan; Sulaiman, Muh Asep; Humera, Alya Putri
Decode: Jurnal Pendidikan Teknologi Informasi Vol. 6 No. 1: MARET 2026
Publisher : Program Studi Pendidikan Teknologi Infromasi UMK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51454/decode.v6i1.1511

Abstract

Proses survei dan inventarisasi kerusakan jalan konvensional saat ini memerlukan biaya tinggi, durasi pengerjaan yang lama, dan risiko keselamatan bagi petugas. Penelitian ini bertujuan untuk merancang sistem inventarisasi kerusakan perkerasan jalan otomatis menggunakan arsitektur Deep Learning YOLOv8 yang diintegrasikan dengan kerangka penilaian Pavement Condition Index (PCI). Metodologi penelitian meliputi akuisisi dataset gabungan Road Damage Dataset (RDD2022) dan data lokal (2.272 objek), pra-pemrosesan melalui augmentasi mosaik, serta pelatihan model menggunakan teknik transfer learning. Secara fungsional, sistem yang dikembangkan terbukti berjalan sesuai rancangan pada menu deteksi citra dan video. Hasil evaluasi menunjukkan akurasi deteksi moderat dengan nilai rata-rata mAP50 sebesar 0,547. Performa tertinggi dicapai pada kategori retak buaya (alligator crack) (AP 0,709), sedangkan retak melintang (transverse crack) menjadi kelas dengan kinerja terlemah (AP 0,454). Kelemahan utama yang teridentifikasi adalah rendahnya akurasi lokalisasi bounding box (mAP50-95 0,254) dan tingginya tingkat misklasifikasi objek sebagai latar belakang (background). Sebagai rekomendasi, pengembangan selanjutnya perlu difokuskan pada peningkatan Recall melalui diversifikasi data dan integrasi koordinat GPS absolut guna mendukung manajemen aset jalan yang lebih presisi.
Co-Authors Amir, Andi Ahdan Humera, Alya Putri Maulana, Sahrul Mutmainnah Muchtar Sulaiman, Muh Asep Yuwanda Purnamasari Pasrun