Garuda - Garba Rujukan Digital

BILANGAN TERHUBUNG PELANGI PADA AMALGAMASI GRAF BERLIAN Cindy Aisa Putri Noor; Karina Ansyelia Mamonto; Widya Eka Pranata
Euler : Jurnal Ilmiah Matematika, Sains dan Teknologi EULER: Volume 7 Issue 1 June 2019
Publisher : Universitas Negeri Gorontalo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34312/euler.v7i1.10327

Misalkan G=(V,E) adalah graf terhubung tak trivial. Graf G dikatakan terhubung pelangi jika untuk setiap dua titik x dan y terdapat lintasan pelagi dari x dan y. Bilangan terhubung pelangi didefinisikan sebagai minimum k dari pewarnaan-k pelangi sehingga menghasilkan sebuah lintasan pelangi dengan dua sisi bertetangga memiliki warna yang berbeda dan dinotasikan sebagai rc(G). Misalkan t adalah bilangan asli dengan t=2 dan misalkan {Gi | i E [1,t]} adalah graf terhubung tak trivial dengan setiap Gi mempunyai titik tetap v0i, maka amalgamasi untuk graf G dinotasikan dengan amal(Gi,v0i,t). Amalgamasi merupakan salah satu operasi matematika yang terbentuk dengan merekatkan semua graf Gi pada titik v0i dengan titik v0i merupakan titik terminal. Dalam penelitian ini operan yang digunakan pada operasi amalgamasi adalah graf berlian dengan notasi amal(Brn,v,t) dengan t=2.

Implementation of Dijkstra Algorithm and Welch-Powell Algorithm for Optimal Solution of Campus Bus Transportation Nurwan Nurwan; Widya Eka Pranata; Muhamad Rezky Friesta Payu; Nisky Imansyah Yahya
Jurnal Matematika MANTIK Vol. 7 No. 1 (2021): Mathematics and Applied Mathematics
Publisher : Mathematics Department, Faculty of Science and Technology, UIN Sunan Ampel Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15642/mantik.2021.7.1.31-40

This research deals with applying the Dijkstra algorithm and Welch-Powell algorithm to on-campus bus transportation problems. This research aims to determine the optimal solution of campus bus transportation routes in the shortest routes and schedules. In determining the fastest way, each intersection represented as a node, and the path described as the sides. The shortest path obtained V1 - V2 - V5 - V8 - V9 - V10 - V13 - V16. In determining the optimal schedule, the number of buses represents the vertices, and the time expresses the side that connects each node. The optimal program of the bus starts from 06.30 am to 5.00 pm. Every bus gets four sessions of departure and four sessions return with travel time each session is 60 minutes.

KONSTRUKSI ALGORITMA PEWARNAAN TITIK PELANGI PADA GRAF POHON Pranata, Widya Eka; Abas, Mohamad Ilyas; Ibrahim, Irawan; Lamusu, Rizal; Syahrial, Syahrial
Jurnal Ilmu Komputer (JUIK) Vol 5, No 1 (2025): February 2025
Publisher : Universitas Muhammadiyah Gorontalo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31314/juik.v5i1.3839

This study constructs an algorithm for rainbow vertex coloring in tree graphs. A graph G is defined as a set pair G=(V,E), where V is the vertex set and E is the edge set. Rainbow dot coloring aims to assign a color to each vertex of a tree graph T, such that each path in the tree has vertices with unique colors. The rainbow dot coloring algorithm developed in this study is implemented in a programming language, and its performance is evaluated through simulations on various types of tree graphs. The results show that this algorithm can effectively color tree graphs with good optimality. This research contributes to graph coloring theory and its potential to be applied to computational problems involving tree graphs with complex structures.

RANCANG BANGUN PENGATURAN PAKAN IKAN NILA BERBASIS INTERNET OF THINGS Mahendra, Bachtiar Isra; Abas, Mohamad Ilyas; Syahrial, Syahrial; Pranata, Widya Eka
Jurnal Ilmu Komputer (JUIK) Vol 5, No 1 (2025): February 2025
Publisher : Universitas Muhammadiyah Gorontalo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31314/juik.v5i1.3899

Budidaya ikan, khususnya nila, adalah salah satu sektor penting dalam industri makanan Indonesia. Pakan ikan nila secara teratur dan akurat adalah cara terbaik untuk meningkatkan pertumbuhannya. Mengelola pemberian pakan secara teratur masih menjadi tantangan bagi banyak peternak ikan, terutama mereka yang sering bepergian atau tidak dapat mengakses kolam secara langsung. Oleh karena itu, tujuan proyek ini adalah untuk membuat sistem pemberian pakan ikan nila yang berbasis Internet of Things (IoT) dan dapat dikendalikan melalui aplikasi Android. Sistem ini akan menggunakan modul ESP8266 dan teknologi mikrokontroler untuk memantau kondisi kolam secara jarak jauh dan secara otomatis mengatur pemberian pakan. Penelitian ini juga berusaha mengoptimalkan jadwal pemberian pakan dan jumlah pakan yang tepat untuk meningkatkan keberlanjutan dan efisiensi budidaya ikan nila. Penelitian ini diharapkan akan membantu petani ikan meningkatkan kualitas dan produktivitas hasil panen mereka dengan cara yang lebih ekonomis dan bertanggung jawab secara ekologis. Teknologi otomatis ini memungkinkan petani ikan menghemat waktu dan tenaga sambil menjamin pertumbuhan ikan yang lebih baik dan mengurangi efek buruk dari pemberian pakan berlebihan.

KLASIFIKASI KUALITAS TELUR BERDASARKAN KERABANG MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK Daulima, Mohamad Rizki; Syahrial, Syahrial; Abas, Mohamad Ilyas; Pranata, Widya Eka; Ibrahim, Irawan
Jurnal Ilmu Komputer (JUIK) Vol 5, No 1 (2025): February 2025
Publisher : Universitas Muhammadiyah Gorontalo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31314/juik.v5i1.3953

Telur ayam merupakan salah satu bahan pangan yang banyak digemari oleh masyarakat dan memiliki kandungan nutrisi yang sangat dibutuhkan tubuh. Kualitas telur sangat dipengaruhi oleh faktor internal dan eksternal, yang dapat memengaruhi kesegarannya. Penurunan kualitas telur sering disebabkan oleh kerusakan fisik, kontaminasi mikroba, serta kondisi penyimpanan yang tidak tepat. Salah satu bentuk kerusakan yang umum adalah keretakan pada kerabang telur, yang dapat membuka celah bagi masuknya bakteri berbahaya seperti Salmonella. Oleh karena itu, penting untuk melakukan identifikasi kualitas telur secara akurat, terutama untuk mencegah kerugian ekonomi pada peternak dan menjaga kesehatan konsumen. Salah satu metode yang efektif untuk mengidentifikasi kualitas telur adalah dengan menggunakan teknologi pengolahan citra digital, khususnya melalui penerapan Convolutional Neural Network (CNN). Penelitian ini bertujuan untuk mengembangkan dan menerapkan metode CNN dalam mengklasifikasikan kualitas telur ayam berdasarkan kondisi kerabangnya. Dengan menggunakan citra digital yang diambil melalui kamera handphone, diharapkan penelitian ini dapat memberikan solusi praktis dalam klasifikasi kualitas telur, baik untuk konsumsi maupun distribusi di pasar. Hasil yang diharapkan dari penelitian ini adalah tercapainya tingkat akurasi yang tinggi dalam identifikasi kualitas telur, yang dapat mempermudah proses seleksi telur oleh peternak dan konsumen.

IDENTIFIKASI KUALITAS DAN JENIS BUAH CABAI MENGGUNAKAN ALGORITMA DEEP LEARNING Supu, Tahir; Syahrial, Syahrial; Lamusu, Rizal; Pranata, Widya Eka
Jurnal Ilmu Komputer (JUIK) Vol 5, No 3 (2025): OCTOBER 2025
Publisher : Universitas Muhammadiyah Gorontalo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31314/juik.v5i3.4593

Abstrak Penelitian ini memuat dua rumusan masalah (1) Bagaimana mengindentifikasi kualitas dan jenis buah cabai berdasarkan Algoritma Deep Learning? (2) Bagaimana meningkatkan Akurasi mengenali kualitas dan jenis buah cabai berdasarkan Algoritma Deep Learning? Tujuan penelitian ini adalah (1) Mengidentifikasi kualitas dan jenis buah cabai secara otomatis menggunakan Algoritma deep learning. (2) Meningkatkan sistem Akurasi mengenali kualitas dan jenis buah cabai dengan mengoptimalkan penerapan Algoritma deep learning. Deep Learning adalah arsitektur jaringan saraf berlapis untuk memproses dan menganalisis data dalam skala besar secara efisien guna menyelesaikan berbagai permasalahan kompleks. Deep Learning merupakan cabang dari Machine Learning yang algoritmanya dirancang mengadopsi arsitektur jaringan saraf biologi manusia, yang dikenal sebagai Artificial Neural Networks. Salah satu, arsitektur Deep Learning yang paling umum digunakan analisis dalam gambar adalah Convolutional Neural Network (CNN). Pada penelitian ini, sampel data yang diperoleh berjumlah 1500 data gambar yang dibagi 4 kelas , yaitu : Cabai keriting segar, Cabai keriting tidak segar, Cabai rawit segar dan Cabai rawit tidak segar. Setalah itu akan di bagi menjadi dua data yaitu train dan validasi Gambar grafik di atas menunjukkan hubungan antara rasio data latih-uji dengan model Akurasi pada ukuran citra 400x400 piksel. Terlihat bahwa model Akurasi cenderung meningkat seiring proporsi data latih, dengan puncak Akurasi terjadi pada 80:20, mencapai sekitar 98% 1. Model CNN CabaiNet yang dikembangkan dalam penelitian ini mampu mengklasifikasikan jenis dan kualitas buah cabai ke dalam empat kelas (cabai keriting segar, cabai keriting tidak segar, cabai rawit segar, dan cabai rawit tidak segar) dengan tingkat Akurasi tinggi, mencapai 99% pada terbaik. Hal ini menjawab rumusan masalah pertama terkait bagaimana identifikasi kualitas dan jenis buah cabai dengan Algoritma deep learning, yaitu dengan memanfaatkan arsitektur CNN khusus yang dirancang untuk mengekstraksi fitur visual dari citra buah cabai1. Model CNN CabaiNet yang dikembangkan dalam penelitian ini mampu mengklasifikasikan jenis dan kualitas buah cabai ke dalam empat kelas (cabai keriting segar, cabai keriting tidak segar, cabai rawit segar, dan cabai rawit tidak segar) dengan tingkat Akurasi tinggi, mencapai 99% pada konfigurasi terbaik. Hal ini menjawab rumusan masalah pertama terkait bagaimana identifikasi kualitas dan jenis buah cabai dengan Algoritma deep learning, yaitu dengan memanfaatkan arsitektur CNN khusus yang dirancang untuk mengekstraksi fitur visual dari citra buah cabai.

Penerapan Algoritma Naive Bayes Untuk Sistem Klasifikasi Status Gizi Bayi Balita Abas, Mohamad Ilyas; Lamusu, Rizal; Pranata, Widya Eka; Syahrial, Syahrial; Ibrahim, Irawan; Hasyim, Wahyudin; Kiayi, Verliana
Bulletin of Computer Science Research Vol. 5 No. 5 (2025): August 2025
Publisher : Forum Kerjasama Pendidikan Tinggi (FKPT)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/bulletincsr.v5i5.508

Infants and toddlers are in a critical period of rapid growth and development, often referred to as the "golden age." During this stage, regular nutritional assessments are essential to monitor health status and detect potential nutritional problems early. This study aims to classify the nutritional status of infants and toddlers using the Naïve Bayes algorithm, a probabilistic classification method based on Bayes' theorem with a strong assumption of attribute independence. The main attributes used in the classification system include age, weight, and height. The dataset consists of 700 records of infants and toddlers collected from previous observations. The results show that the Naïve Bayes algorithm can be effectively implemented for nutritional status classification, achieving a system accuracy of 88.14%. This indicates that the method performs well and has the potential to be utilized in decision support systems for child health monitoring.

APPLE FRUIT QUALITY DETECTION (GOOD AND ROTTEN) USING THE YOLOV5 METHOD Adisyar, Fathir; Abas, Mohamad Ilyas Ilyas; Pranata, Widya Eka; Lamusu, Rizal; Syahrial, Syahrial; Ibrahim, Irawan
Jurnal Ilmu Komputer (JUIK) Vol 6, No 1 (2026): February 2026
Publisher : Universitas Muhammadiyah Gorontalo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31314/juik.v6i1.5539

Fruit quality is an important factor that affects nutritional value, consumption safety, and market value of agricultural products. Apples, as one of the most widely consumed fruits, are prone to quality degradation due to spoilage, which is often difficult to accurately identify through human visual observation. Manual sorting of apples is subjective, time-consuming, and prone to errors. Therefore, this study aims to develop an automatic apple quality detection and classification system using the You Only Look Once version 5 (YOLOv5) deep learning method. Apple quality is classified into two categories, namely fresh apples and rotten apples, based on digital images. The dataset used in this study consists of 4,035 images obtained from the Roboflow platform, comprising 2,925 training images, 707 validation images, and 403 testing images. All images were resized to 640 × 640 pixels without data augmentation. The model was trained for 50 epochs using GPU acceleration on Google Colab. Model performance was evaluated using a confusion matrix on the testing dataset. The experimental results show that the YOLOv5 model successfully classified all testing images correctly without any misclassification, indicating excellent detection and classification performance. These results demonstrate that YOLOv5 is an effective and reliable method for automatic apple quality detection and has strong potential for application in agriculture and the food industry to improve efficiency and accuracy in fruit quality inspection.

Avocado Ripeness Classification Using a Convolutional Neural Network (CNN) Tangahu, Nur'aini Mufaidhah; Abas, Mohamad Ilyas; Pranata, Widya Eka; Lamusu, Rizal; Syahrial, Syahrial; Ibrahim, Irawan
Jurnal Ilmu Komputer (JUIK) Vol 6, No 1 (2026): February 2026
Publisher : Universitas Muhammadiyah Gorontalo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31314/juik.v6i1.5540

The determination of avocado ripeness plays a crucial role in post-harvest handling and quality The determination of avocado ripeness plays a crucial role in post-harvest handling and quality control within the agricultural sector; however, conventional assessment methods based on visual inspection and human experience are often subjective and inconsistent, potentially leading to classification errors and economic losses. To address this issue, this study proposes an automated avocado ripeness classification system using a Convolutional Neural Network (CNN) based on digital image analysis. The model employs a transfer learning approach using the MobileNet architecture implemented through the Teachable Machine platform. The dataset utilized in this research was obtained from Mendeley Data and consists of avocado images categorized into four ripeness levels: underripe, breaking, ripe, and overripe. Prior to model training, the images underwent preprocessing and data augmentation to improve model robustness and generalization. Model evaluation was conducted using 1,200 test images, with 300 samples per class. Experimental results show that the proposed model achieved an overall accuracy of 91.42%, indicating strong and stable classification performance. Analysis using a confusion matrix reveals that most predictions were correctly classified, while misclassifications primarily occurred between ripeness stages with visually similar characteristics. Among all classes, the underripe category demonstrated the highest performance with minimal classification errors. These findings indicate that the proposed CNN-based approach is effective and reliable, and it has significant potential to be further developed as an automated system for avocado ripeness classification and post-harvest quality assessment.

Title

Found 9 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 9 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 9 Documents
Search