Article Per Year (5 Year)
p-Index From 2021 - 2026
2.33
P-Index
This Author published in this journals
All Journal JATI (Jurnal Mahasiswa Teknik Informatika) Jifosi Journal of Advanced in Information and Industrial Technology (JAIIT)
Lina Nurlaili, Afina
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Industrial & Manufacturing Engineering

Published : 14 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 14 Documents
Search

 1   2 
PENERAPAN LIGHTGBM MENGGUNAKAN EKSTRAKSI FITUR RUANG WARNA HSV UNTUK KLASIFIKASI REMPAH RIMPANG Fahmi Al Hafidz, Achmad; Yulia Puspaningrum, Eva; Lina Nurlaili, Afina
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.v9i3.14306

Abstract

Rempah rimpang memiliki peran penting dalam dunia kuliner dan industri pangan, namun identifikasi jenis rempah secara manual seringkali menemui hambatan karena kemiripan visual antar jenis. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi otomatis yang akurat dan efisien menggunakan metode Light Gradient Boosting Machine (LGBM) dengan fitur utama berupa representasi warna HSV (Hue, Saturation, Value). Dataset yang digunakan terdiri dari 2.250 citra rempah yang telah melalui proses preprocessing seperti resizing ke ukuran 512x512 piksel, penghapusan latar belakang, normalisasi, dan augmentasi. Hasil evaluasi menunjukkan bahwa penggunaan fitur HSV dengan rasio pembagian data 70:30 memberikan performa yang cukup optimal, dengan akurasi mencapai 82,67%. Temuan ini menegaskan bahwa fitur HSV bisa diterapkan dalam membedakan jenis rempah rimpang dan dapat menjadi pendekatan yang andal untuk membangun sistem klasifikasi otomatis, terutama dalam mendukung proses identifikasi cepat di industri pangan dan sektor UMKM
KLASIFIKASI BUNGA HERBAL MENGGUNAKAN MODEL INCEPTIONV3 DAN VISION TRANSFORMER Prisheila Dharmawan, Diaz; Yulia Puspaningrum, Eva; Lina Nurlaili, Afina
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.v9i3.14308

Abstract

Bunga merupakan bagian penting dari tumbuhan yang memiliki berbagai manfaat medis. Namun, beberapa jenis bunga memiliki kemiripan dalam bentuk dan warna, sehingga sulit diklasifikasikan secara manual. Kesulitan dalam membedakan spesies yang mirip menjadi tantangan utama dalam klasifikasi otomatis, sehingga diperlukan model yang dapat menangkap informasi visual lebih kompleks. Penelitian ini mengusulkan pendekatan InceptionV3 dan Vision Transformer untuk ekstraksi fitur mendalam, dengan tujuan mengembangkan model klasifikasi yang lebih akurat dalam membedakan bunga herbal. Metode penelitian terdiri dari enam tahap utama, yaitu akuisisi data, pengubahan ukuran citra, ekstraksi fitur menggunakan InceptionV3 dan Vision Transformer, pembagian data, klasifikasi dengan MLP, dan evaluasi model. Model diuji dengan berbagai konfigurasi parameter, termasuk data split 90:10, learning rate 0.0001, batch size 64, serta arsitektur hidden layer 1024–512–256. Hasil eksperimen menunjukkan bahwa konfigurasi terbaik menghasilkan akurasi 78.29% dengan loss 0.6162. Evaluasi lebih lanjut menunjukkan bahwa model memiliki precision, recall, dan F1-score sebesar 78.4%, dengan prediksi terbaik pada kelas Common Daisy dan Black-Eyed Susan, di mana tingkat prediksi benar mencapai lebih dari 84%. Penelitian ini berkontribusi dalam pengembangan metode klasifikasi bunga herbal dengan memanfaatkan model InceptionV3 dan Vision Transformer untuk ekstraksi fitur mendalam. Hasil yang diperoleh menunjukkan efektivitas pendekatan ini dalam meningkatkan akurasi klasifikasi bunga yang memiliki karakteristik visual serupa
KLASIFIKASI VARIETAS ANGGUR BERDASARKAN CITRA DAUN MENGGUNAKAN VGG16-XGBOOST Elzandy, Imeldha; Yulia Puspaningrum, Eva; Lina Nurlaili, Afina
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.v9i3.14309

Abstract

Tanaman anggur memiliki varietas beragam dengan karakteristik daun yang cukup mirip antar varietas, hal ini menjadi tantangan tersendiri dalam proses pengenalan varietas secara manual, terutama bagi masyarakat awam. Penelitian ini bertujuan untuk melakukan klasifikasi varietas anggur berdasarkan citra daun menggunakan kombinasi metode CNN dengan arsitektur VGG-16 sebagai ekstraksi fitur dan XGBoost sebagai klasifikasi. Adapun empat varietas anggur yang digunakan pada penelitian ini, yaitu Jumer, Ninel, Ruby88, dan Transfigurasi. Dataset yang digunakan terdiri dari 560 citra untuk pelatihan dan 60 citra untuk pengujian, yang kemudian dilakukan proses ekstraksi fitur menggunakan VGG-16 dan diklasifikasikan menggunakan XGBoost. Model dievaluasi menggunakan metrik accuracy, precision, recall, dan f1-score. Hasil pada penelitian menunjukkan bahwa kombinasi metode VGG-16 dan XGBoost mampu menghasilkan accuracy klasifikasi dengan hasil 89.58%, precision = 89.64%, nilai recall = 89.58%, nilai f1-Score = 89.55% dengan estimasi waktu training selama 832.55 detik
KLASIFIKASI PENYAKIT DAUN MANGGA MENGGUNAKAN ANFIS Dwi Anggraeni, Shinta; Yulia Puspaningrum, Eva; Lina Nurlaili, Afina
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.v9i3.14311

Abstract

Deteksi penyakit daun mangga dapat dilakukan melalui analisis bentuk dan tekstur daun. Setiap jenis penyakit menyebabkan perubahan karakteristik daun, sehingga analisis bentuk dan tekstur dapat menjadi dasar klasifikasi penyakit. Metode manual seperti pengamatan visual memiliki kelemahan karena subjektif dan kurang akurat. Oleh karena itu, diperlukan pendekatan berbasis pengolahan citra digital untuk meningkatkan akurasi identifikasi penyakit. Penelitian ini bertujuan mengembangkan sistem klasifikasi otomatis penyakit daun mangga menggunakan metode Gray Level Co-occurrence Matrix (GLCM) untuk ekstraksi fitur tekstur dan Adaptive Neuro-Fuzzy Inference System (ANFIS) sebagai algoritma klasifikasi. Dataset yang digunakan terdiri dari citra daun mangga berpenyakit anthracnose, bacterial canker, die back, gall midge, powdery mildew, sooty mould, serta daun sehat. Hasil pengujian menunjukkan bahwa akurasi tertinggi diperoleh pada pengujian lima membership function, dengan hasil terbaik oleh MF Gaussian. Fungsi keanggotaan Gaussian memberikan akurasi rata-rata 74,6% dan nilai loss terendah sebesar 0,346 dibandingkan fungsi keanggotaan lainnya. Dengan demikian, metode GLCM dan ANFIS terbukti cukup efektif dalam mengklasifikasikan penyakit daun mangga secara otomatis dan dapat menjadi solusi alternatif terhadap metode manual
Co-Authors Agil Sakinah, Fenti Akbar, Fawwaz Ali Al Fatih, Abdullah Alatas, Amirah Anggraini Puspita Sari Dwi Anggraeni, Shinta Elzandy, Imeldha Erlina Diah Karisma Eva Yulia Puspaningrum Fahmi Al Hafidz, Achmad Firza Prima Aditiawan Habibi, Nabil Hendra Suryawan, Danil Henni Endah Wahanani Mochamad Gian Razan Mochamad Haris Reza Muhammad Muharrom Al Haromainy Pratama Putra, Moch Aditya Prisheila Dharmawan, Diaz Purnomo, Ryan Retno Mumpuni Sugiarto Wirya Atmaja, Pratama