Claim Missing Document
Check
Articles

Found 4 Documents
Search
Journal : Jurnal Ilmu Komputer Dan Informatika

Studi Pendahuluan: Analisis Metode Deep Learning Untuk Klasifikasi Citra Daun Tanaman Fitomedisin Purba, Mariana; Rusmawan, Uus; Ayumi, Vina
JUKOMIKA (Jurnal Ilmu Komputer dan Informatika) Vol. 8 No. 1 (2025): Juli
Publisher : LPPMPP Yayasan Sejahtera Bersama Bengkulu

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54650/jukomika.v8i1.608

Abstract

Penelitian ini melakukan tinjauan sistematis terhadap penggunaan deep learning untuk klasifikasi citra daun tanaman fitomedisin. Tujuan penelitian ini adalah untuk mengidentifikasi berbagai algoritma deep learning yang diterapkan dalam identifikasi spesies tanaman fitomedisin dan mengevaluasi kinerja masing-masing algoritma. Metode yang digunakan adalah PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) dengan melakukan analisis studi yang relevan pada database IEEE Xplore, Springer, dan ScienceDirect. Studi yang dipilih kemudian dianalisis berdasarkan algoritma yang digunakan, dataset yang diterapkan, dan hasil akurasi yang diperoleh. Hasil penelitian menunjukkan bahwa algoritma CNN memberikan akurasi yang cukup baik, namun keduanya menghadapi masalah waktu komputasi yang tinggi. Penelitian yang menggunakan ResNet mencapai akurasi tertinggi, yaitu 95,5%, meskipun terdapat masalah dengan latar belakang citra daun. Algoritma Xception, meskipun memberikan akurasi yang lebih rendah, dapat dioptimalkan lebih lanjut dengan meningkatkan ukuran dataset dan teknik yang digunakan. Dalam penelitian ini dibahas penggunaan model MobileNet yang efisien dalam hal komputasi dan dapat mengatasi tantangan-tantangan klasifikasi citra daun tanaman fitomedisin. Model MobileNet (MNET) digunakan untuk klasifikasi daun tanaman fitomedisin karena efisiensinya dalam memproses data besar dengan mengurangi beban komputasi. Perbedaan utama MNET dibandingkan CNN terletak pada penggunaan depthwise separable convolution, yang membagi konvolusi menjadi dua bagian yaitu depthwise convolution dan pointwise convolution. Metode ini dapat mengurangi jumlah parameter, menghasilkan jaringan saraf dalam yang lebih ringan. Dengan arsitektur yang lebih kecil dan latensi rendah, MNET dapat diterapkan untuk klasifikasi citra daun tanaman fitomedisin
Sistem Inventarisasi Stok Barang dan Penjualan Suku Cadang Kendaraan di PT. XYZ Purba, Mariana; M. Syidik Rizky; Putri Maharani; Dwi Fitri Brianna; Pipin Octavia
JUKOMIKA (Jurnal Ilmu Komputer dan Informatika) Vol. 7 No. 1 (2024): Juni 2024
Publisher : LPPMPP Yayasan Sejahtera Bersama Bengkulu

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54650/jukomika.v7i1.547

Abstract

Penerapan inventarisasi stok barang dan penjualan suku cadang kendaraan berdasarkan konsep sistem informasi dapat meningkatkan pencatatan distribusi suku cadang, pengembalian layanan, dan manajemen laporan, membuat proses lebih efisien dan kurang rentan terhadap kehilangan data. Tujuan penelitian ini adalah mengembangkan aplikasi menggunaka bahasa pemrograman PHP dan database MySQL yang diharapkan dapat mengatasi segala kendala-kendala yang dihadapi oleh sistem yang lama tentang inventarisasi stok barang dan penjualan suku cadang kendaraan di PT. XYZ. Penelitian ini menggunakan Entity Relationship Diagram, juga dikenal sebagai ERD, ER Diagram atau model ER untuk pemodelan basis data aplikasi dan menggunakan UML atau Unified Modeling Language sebagai bahasa pemodelan standar aplikasi yang terdiri dari seperangkat diagram terintegrasi. Fitur dari aplikasi ini antara lain fitur manajemen data pengguna, data supplier, data gudang, barang masuk, barang keluar dan data penjualan.
Perancangan dan Implementasi Web Informasi Company Profile Untuk Sekolah Menengah Kejuruan Makarti Jaya di Sumatera Selatan Purba, Mariana; Bakhtiar; Herlambang; Marissa Utami; Nia Umilizah; Lemi Iryani
JUKOMIKA (Jurnal Ilmu Komputer dan Informatika) Vol. 7 No. 1 (2024): Juni 2024
Publisher : LPPMPP Yayasan Sejahtera Bersama Bengkulu

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54650/jukomika.v7i1.549

Abstract

Tujuan penelitian ini adalah mengembangkan website ini untuk mempermudah sekolah dalam menyampaikan informasi kepada masyarakat luas agar lebih mudah dan lebih cepat dalam mengakses dan mengetahui segala sesuatu mengenai sekolah tanpa memer-lukan waktu yang lama dan lebih efisien. Web yang dikembangkan menggunakan PHP dan MySQL memfasilitasi manajemen data yang efisien untuk siswa, guru, mata pelajaran, penjad-walan, dan informasi kelas. Pada pengumpulan data primer diperlukan interaksi langsung dengan SMK Negeri 1 Makarti Jaya melalui wawancara dan observasi. Proses yang sedang berjalan saat ini SMK Negeri 1 Makarti Jaya dalam penyampaian informasi masih menggunakan cara manual yaitu melalui papan pengumuman sekolah dan melalui brosur dalam melakukan promosi kepada masyarakat. Website yang dikembangkan berisi informasi tentang profil sekolah, informasi fasilitas, data siswa, data guru dan alumni. Dalam aplikasi website ini ter-dapat menu admin yang mengiput, mengedit, dan menghapus data.
Analisis Pengaruh Batch Size dan Learning Rate pada VGG16 Untuk Klasifikasi Citra Aksara Kaganga Purba, Mariana
JUKOMIKA (Jurnal Ilmu Komputer dan Informatika) Vol. 8 No. 2 (2025): Desember
Publisher : LPPMPP Yayasan Sejahtera Bersama Bengkulu

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54650/jukomika.v8i2.633

Abstract

Penelitian ini bertujuan untuk mengembangkan model klasifikasi citra aksara Kaganga menggunakan deep learning, dengan memanfaatkan arsitektur model VGG16 yang telah dilatih sebelumnya pada dataset besar seperti ImageNet. Dataset yang digunakan terdiri dari citra aksara Kaganga yang telah dilabeli, dibagi menjadi tiga bagian yaitu data pelatihan (70%), data validasi (15%), dan data uji (15%). Proses pelatihan model dilakukan dengan melakukan fine-tuning pada beberapa lapisan terakhir model VGG16, sementara lapisan-lapisan awal menggunakan bobot yang telah dilatih sebelumnya. Untuk mengoptimalkan kinerja model, eksperimen dilakukan dengan menguji kombinasi berbagai batch size (16, 32, 64) dan learning rate (0.1, 0.01, 0.001), menghasilkan sembilan kombinasi parameter yang berbeda. Evaluasi model dilakukan menggunakan metrik akurasi, confusion matrix, precision, recall, dan F1-score pada data uji. Hasil eksperimen menunjukkan bahwa pengaturan hyperparameter yang tepat memiliki pengaruh signifikan terhadap kinerja model. Batch size 32 dengan learning rate 0.01 menghasilkan akurasi terbaik pada data train, validasi, dan test. Sedangkan pada batch size 16, meskipun menghasilkan hasil yang cukup baik dengan learning rate 0.01, nilai akurasi pada data test lebih rendah, menunjukkan kecenderungan overfitting pada batch size kecil. Sebaliknya, batch size 64 dengan learning rate 0.01 memberikan akurasi test terbaik, mencapai 89.1%, meskipun terdapat sedikit penurunan akurasi pada data validasi. Berdasarkan hasil tersebut, disarankan untuk menggunakan batch size 32 atau 64 dengan learning rate 0.01 untuk tugas klasifikasi aksara Kaganga menggunakan model VGG16.