Garuda - Garba Rujukan Digital

Pelatihan Pemrograman Menggunakan AppIventor di Sekolah Dasar sebagai bagian Literasi Digital di Era Industri 4.0 Rizal, Adhi; Primajaya, Aji; Haodudi Nurkifli, E.; Ibnu Adam, Riza; Susilawati
Jurnal Pengabdian Masyarakat Ilmu Pendidikan Vol. 3 No. 1 (2024): Mei 2024
Publisher : Jurusan Ilmu Pendidikan - Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jpmip.v3i1.417

Early childhood children who are in the 4-5 year range in various developed countries have been introduced to programming concepts, and have even been integrated into the learning curriculum at school. In general, someone's skills in creating programs cannot be immediately acquired or mastered in a short time. In Indonesia, awareness of the importance of developing thinking patterns through computational thinking is still low, especially in areas far from urban areas. Therefore, community service activities are carried out at SDN Cadaskertajaya II, Karawang Regency. The platform used in this activity is MIT App Inventor which is a web-based platform for creating visual block-based device applications. The method used in this activity consists of 2 main stages, namely preparation and implementation. During the training activities, students were very enthusiastic about the material presented. Then, based on the results of the post-test and discussion at the end of the activity, overall this training activity was effective, easy to understand, memorable, useful, as well as interesting and enjoyable.

SPEECH RECOGNITION UNTUK KLASIFIKASI PENGUCAPAN NAMA HEWAN DALAM BAHASA SUNDA MENGGUNAKAN METODE LONG-SHORT TERM MEMORY Aini Lailla Asri, Nur; Ibnu Adam, Riza; Arif Dermawan, Budi
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 7 No. 2 (2023): JATI Vol. 7 No. 2
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v7i2.6744

Keberagaman suku, ras, agama, bahasa, dan adat istiadat membuat Indonesia memiliki kebudayaan yang dijalin erat dengan bahasa. Menurut data Badan Pusat Statistik (BPS) persentase penutur bahasa daerah semakin menurun pada generasi muda. Selain menurunnya penutur bahasa daerah juga terjadi kesalahan dalam pelafalan bahasa daerah. Kesalahan pelafalan ini dapat diatasi dengan meningkatkan latihan berbahasa, terutama membaca dan mendengarkan kosa kata bahasa daerah. Kosa kata yang dapat dilatih misalnya nama-nama hewan dalam bahasa daerah. Selain menambah kosa kata, dengan mengenal nama hewan dapat meningkatkan kecerdasan natural anak. Metode deep learning dapat digunakan untuk mengatasi pergeseran bahasa daerah salah satunya adalah menggunakan speech recognition. Metode Long-Short Term Memory dapat digunakan untuk klasifikasi suara pelafalan nama hewan dalam bahasa Sunda. Dataset yang digunakan adalah dataset baru dengan 16 cara yang berbeda dalam pengambilan data suara. Data terdiri dari 100 nama hewan yang digunakan sebagai kelas dalam proses klasifikasi. Hasil akurasi terbaik mencapai 97,50% didapat dengan menggunakan epoch 150 dan batch size 30. Pada proses testing mengguanakan data dari dataset, dapat memprediksi semua nama-nama hewan yang digunakan sebagai data kelas. Namun program belum dapat memprediksi dengan tepat apabila menggunakan data dari luar dataset dikarenakan jumlah data suara yang digunakan sebagai dataset belum cukup banyak.

KOMPARASI PENGGUNAAN DATA LAB DAN FIELD CONDITION UNTUK MEMBANGUN MODEL KLASIFIKASI PENYAKIT PADA DAUN APEL Nurul Abada, Oki; Rozikin, Chaerur; Ibnu Adam, Riza
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 7 No. 4 (2023): JATI Vol. 7 No. 4
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v7i4.7325

Produksi buah apel di Indonesia pada tahun 2021 mengalami penurunan sebanyak 6.807 Ton dibandingkan dengan tahun sebelumnya. Salah satu faktor yang berkontribusi dalam penurunan tersebut adalah penyakit yang menyerang tanaman apel. Jika hal tersebut dibiarkan tanpa penanganan dan identifikasi yang tepat, maka dalam kasus terburuknya potensi kegagalan panen dapat mencapai 60%. Tujuan penelitian ini adalah meng-implementasikan teknologi deep learning dengan menggunakan arsitektur Mobilenet berbasis Transfer Learning untuk melakukan identifikasi penyakit terhadap daun tanaman apel berdasarkan citra gambar yang diolah dengan melakukan komparasi terhadap dataset yang membangunnya. Penelitian ini mengadopsi metode Machine Learning Modelling Life Cycle yang berfokus kepada pengembangan model kecerdasan buatan. Tahapannya meliputi data collection, preprocessing, modelling, evaluation dan inference. Hasil skema uji silang dataset, menunjukkan kinerja lebih baik pada model field condition dibandingkan model lab condition, dengan akurasi 70,55% dan AUC 0,8872. Berdasarkan temuan tersebut dapat disimpulkan bahwa model yang dibangun menggunakan dataset field condition memiliki kinerja lebih unggul dalam menghadapi data baru untuk tugas klasifikasi penyakit pada daun apel

KLASIFIKASI BUAH SEGAR DAN BUSUK MENGGUNAKAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK (CNN) Ayu Syaharani, Maesha; Aurelly Claudia Budianto, Theresia; Ibnu Adam, Riza
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 5 (2024): JATI Vol. 8 No. 5
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i5.11132

Dalam sektor pertanian, mempertahankan kualitas produk merupakan kunci untuk kepuasan pelanggan dan keunggulan di pasar. Namun, klasifikasi buah segar dan busuk sering menjadi tantangan karena metode konvensional yang bergantung pada inspeksi visual pekerja cenderung tidak efisien, memakan waktu, dan rentan terhadap kesalahan. Penelitian ini bertujuan mengembangkan sistem klasifikasi otomatis menggunakan Convolutional Neural Network (CNN) dengan memanfaatkan dataset gambar buah yang mencakup berbagai kondisi kesegaran, berjumlah total 13.619 gambar. Teknik computer vision dan pengolahan citra diterapkan agar CNN dapat mengekstraksi dan menganalisis fitur visual kompleks dari buah-buahan. Hasil penelitian menunjukkan bahwa model CNN yang dikembangkan berhasil mencapai tingkat akurasi klasifikasi sebesar 96,67% pada data uji, yang mencerminkan kemampuan model dalam mengidentifikasi buah segar dan busuk secara efektif. Hal ini menegaskan bahwa pendekatan berbasis CNN merupakan solusi yang sangat efektif untuk mengotomatisasi proses penilaian kesegaran buah, yang diharapkan dapat meningkatkan efisiensi dan efektivitas dalam menjaga kualitas produk pertanian.

DETEKSI DAN KLASIFIKASI KENDARAAN RINGAN DAN BERAT UNTUK JALAN TOL MENGGUNAKAN CNN Fatoni, Hilman; Ahmad Maulana, Diva; Ibnu Adam, Riza
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 6 (2024): JATI Vol. 8 No. 6
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i6.11202

Dengan meningkatnya volume kendaraan di jalan raya, manajemen lalu lintas yang efisien dan aman menjadi tantangan besar. Deteksi dan klasifikasi jenis kendaraan merupakan komponen penting dalam sistem manajemen jalan tol untuk mendukung pengurangan kemacetan dan peningkatan keamanan. Penelitian ini mengembangkan sistem deteksi dan klasifikasi kendaraan ringan dan berat menggunakan Convolutional Neural Network (CNN) sebagai solusi untuk tantangan tersebut. Dataset terdiri dari 500 gambar kendaraan ringan dan 600 gambar kendaraan berat yang diperoleh melalui web scraping. Proses preprocessing melibatkan resizing, normalisasi, serta pembagian dataset menjadi training dan testing set dengan rasio 80:20. Arsitektur CNN mencakup empat lapisan konvolusi dengan ReLU, lapisan pooling, dan lapisan dense dengan softmax untuk klasifikasi dua kelas. Model dilatih selama 10 epoch dengan batch size 32. Hasil menunjukkan akurasi training 100%, akurasi validasi 100%, dan akurasi testing 100%. Analisis menggunakan classification report dan confusion matrix menunjukkan precision, recall, dan f1-score sebesar 1.00 untuk kedua kelas. Hasil ini mengkonfirmasi potensi CNN dalam meningkatkan kinerja dan keandalan sistem manajemen jalan tol, serta memberikan kontribusi signifikan dalam pengembangan transportasi cerdas.

PERANCANGAN PLATFORM WEB BERBASIS WORDPRESS UNTUK PROGRAM MICROCREDENTIAL DAN SEKOLAH DIGITAL – DTS KOMDIGI DENGAN METODE FDD Salsa Saida, Rosa; Ibnu Adam, Riza
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 9 No. 3 (2025): JATI Vol. 9 No. 3
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v9i3.13741

Perkembangan teknologi informasi menuntut sistem pembelajaran digital yang efektif dan terstruktur. Program Microcredential dan Sekolah Digital dalam Digital Talent Scholarship (DTS) Komdigi membutuhkan platform web untuk mengelola informasi, pendaftaran, serta penyelenggaraan pelatihan secara terintegrasi. Namun, belum tersedia sistem berbasis web yang dapat memenuhi kebutuhan ini secara optimal. Oleh karena itu, penelitian ini bertujuan untuk merancang dan membangun platform web berbasis CMS WordPress guna mendukung penyelenggaraan program tersebut. Pengembangan dilakukan menggunakan metode Feature-Driven Development (FDD), yang terdiri dari lima tahap utama: build an overall, build feature list, plan by feature, design by feature, dan build by feature. Implementasi platform ini menggunakan plugin “Tutor LMS” sebagai sistem manajemen pembelajaran serta tema “Astra” untuk memastikan tampilan yang responsif dan ringan. Hasil penelitian menunjukkan bahwa platform yang dikembangkan mampu menyajikan informasi pelatihan secara interaktif, mendukung manajemen kursus, serta meningkatkan efisiensi dalam proses promosi dan pendaftaran peserta. Penerapan metode FDD terbukti membantu pengembangan sistem yang lebih terstruktur dan sesuai dengan kebutuhan pengguna. Penelitian ini berkontribusi dalam penerapan metode FDD untuk pengembangan sistem berbasis CMS dalam bidang teknologi informasi, khususnya pada sistem pembelajaran digital.

PENGENALAN ANGKA PADA CITRA TULISAN TANGAN MENGGUNAKAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK (CNN) Salsabila Citra Putri Winanto, Calista; Intan Nuraini, Annisa; Ibnu Adam, Riza
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 9 No. 4 (2025): JATI Vol. 9 No. 4
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v9i4.13906

Pada era digital, penelitian tentang pengenalan angka tulisan tangan dalam computer vision dan pengenalan objek semakin berkembang. Digitalisasi data berbasis tulisan tangan menghadapi tantangan dalam akurasi pengenalan karena variasi pola angka yang beragam. Penelitian ini bertujuan melakukan pengenalan angka pada tulisan tangan menggunakan dataset Handwriting Letter and Number dan algoritma CNN. Model dibangun menggunakan arsitektur CNN dengan augmentasi citra sebagai preprocessing dan pelatihan selama 20 epoch pada ukuran citra 50 x 50 pixels dalam mode grayscale. Penelitian ini menerapkan dua skema pengujian, yakni menggunakan data uji yang telah disediakan dan mengunggah citra secara real-time dengan citra manual. Hasil penelitian menunjukkan bahwa model mencapai akurasi sebesar 97,09% untuk training set dan 97,85% untuk validation set pada epoch terakhir, dengan akurasi validasi secara keseluruhan adalah 97,23%. Selain itu, pengujian menunjukkan bahwa model mampu memprediksi angka dari dataset uji citra secara akurat, meskipun masih mengalami kesulitan dalam mengenali angka ‘4’.

Classification of Wayang Kulit Using Canny Feature Extraction and Convolutional Neural Network Algorithm Rudi, Asep; Ibnu Adam, Riza
Jurnal Indonesia Sosial Sains Vol. 6 No. 5 (2025): Jurnal Indonesia Sosial Sains
Publisher : CV. Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59141/jiss.v6i5.1627

Wayang kulit is a part of Indonesian culture known to the Javanese people, but the younger generation often has difficulty recognizing the wayang characters they are looking for online because of inaccurate search results. One popular story is the Mahabharata, with the characters of the Five Pandavas: Puntadewa (Yudistira), Bima, Arjuna, Nakula, and Sadeva. Because puppet characters have similar shapes, curves, clothing, and colors, it is often difficult to distinguish and remember. This shows the need for technology to help recognize puppet characters more easily. This research aims to solve this problem by utilizing Deep Learning techniques in Computer Vision to classify puppet images. Canny's feature extraction technique and DenseNet-121 architecture are used to detect patterns in the puppet image and classify them into appropriate categories. The dataset used consisted of 1028 images divided into four categories: Arjuna, Bima, Nakula & Sadewa, and Puntadewa. The framework implemented is CRISP-DM, with the implementation using the Python 3.11 programming language, TensorFlow 2.14, and the Google Colab tool. The results of the model evaluation through the confusion matrix showed 93% accuracy, 93% precision, 93% recall, and 92% f1 score. With these results, it is hoped that technology can facilitate and increase accuracy in recognizing the character of puppet puppets.

Classification of Wayang Kulit Using Canny Feature Extraction and Convolutional Neural Network Algorithm Rudi, Asep; Ibnu Adam, Riza
Jurnal Indonesia Sosial Sains Vol. 6 No. 5 (2025): Jurnal Indonesia Sosial Sains
Publisher : CV. Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59141/jiss.v6i5.1627

Wayang kulit is a part of Indonesian culture known to the Javanese people, but the younger generation often has difficulty recognizing the wayang characters they are looking for online because of inaccurate search results. One popular story is the Mahabharata, with the characters of the Five Pandavas: Puntadewa (Yudistira), Bima, Arjuna, Nakula, and Sadeva. Because puppet characters have similar shapes, curves, clothing, and colors, it is often difficult to distinguish and remember. This shows the need for technology to help recognize puppet characters more easily. This research aims to solve this problem by utilizing Deep Learning techniques in Computer Vision to classify puppet images. Canny's feature extraction technique and DenseNet-121 architecture are used to detect patterns in the puppet image and classify them into appropriate categories. The dataset used consisted of 1028 images divided into four categories: Arjuna, Bima, Nakula & Sadewa, and Puntadewa. The framework implemented is CRISP-DM, with the implementation using the Python 3.11 programming language, TensorFlow 2.14, and the Google Colab tool. The results of the model evaluation through the confusion matrix showed 93% accuracy, 93% precision, 93% recall, and 92% f1 score. With these results, it is hoped that technology can facilitate and increase accuracy in recognizing the character of puppet puppets.

Prediksi Curah Hujan Kota Bogor Menggunakan Algoritma Random Forest Ayu Syaharani, Maesha; Arif Dermawan, Budi; Ibnu Adam, Riza
Jurnal Sistem Informasi dan Aplikasi (JSIA) Vol 3 No 1 (2025): Vol 3 No 1 (Jurnal Sistem Informasi dan Aplikasi)
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52958/jsia.v3i1.12459

Kota Bogor merupakan salah satu wilayah di Indonesia dengan intensitas curah hujan yang tinggi sepanjang tahun. Tingginya curah hujan tersebut menjadi salah satu faktor penyebab terjadinya bencana seperti banjir dan tanah longsor. Pengembangan model prediksi curah hujan menjadi kebutuhan penting untuk mendukung perencanaan dan mitigasi risiko bencana oleh pemerintah daerah Kota Bogor. Penelitian ini bertujuan untuk membangun model prediksi curah hujan harian. Rancangan penelitian menggunakan metodologi Knowledge Discovery in Database (KDD) dengan algoritma Random Forest sebagai metode utama dalam analisis. Model Random Forest diterapkan dengan penyesuaian Quantile Transform dan Grid Search untuk memperoleh nilai parameter terbaik. Hasil penyesuaian menunjukkan bahwa kinerja model optimal dengan bootstrap:True, n_estimators: 500, max_depth: 5, dan max_features: sqrt. Model diuji menggunakan K-Fold Cross Validation pada beberapa nilai K = 3, 5, 7, 10, dan 15 yang diukur berdasarkan selisih antara nilai prediksi dan aktual. Nilai K = 15 menunjukkan tingkat kesalahan terendah dengan RMSE sebesar 21,92 mm dan MAE sebesar 15,21 mm.

Title

Found 10 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 10 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 10 Documents
Search