Article Per Year (5 Year)
p-Index From 2021 - 2026
12.066
P-Index
This Author published in this journals
All Journal Jurnal Teknologi Industri Pertanian Jurnal Masyarakat Informatika JUTI: Jurnal Ilmiah Teknologi Informasi Seminar Nasional Informatika (SEMNASIF) JOIN (Jurnal Online Informatika) JOIV : International Journal on Informatics Visualization Jurnal Abdimas BSI: Jurnal Pengabdian Kepada Masyarakat Jurnal Ecodemica : Jurnal Ekonomi Manajemen dan Bisnis Jurnal Teknik Informatika STMIK Antar Bangsa JITK (Jurnal Ilmu Pengetahuan dan Komputer) Jurnal Ekonomi, Manajemen Akuntansi dan Perpajakan (Jemap) J I M P - Jurnal Informatika Merdeka Pasuruan Applied Information System and Management Jurnal Teknoinfo JURNAL PENDIDIKAN TAMBUSAI Jurnal Nasional Komputasi dan Teknologi Informasi Energi & Kelistrikan Indonesian Journal of Applied Informatics Komputasi: Jurnal Ilmiah Ilmu Komputer dan Matematika Jurnal Literasiologi CSRID (Computer Science Research and Its Development Journal) Antivirus : Jurnal Ilmiah Teknik Informatika Industri Inovatif : Jurnal Teknik Industri Jurnal Ilmu Komputer dan Bisnis Aisyah Journal of Informatics and Electrical Engineering Jurnal Sistem Informasi dan Informatika (SIMIKA) Journal of Innovation and Future Technology (IFTECH) TIN: TERAPAN INFORMATIKA NUSANTARA JURNAL AKTUAL AKUNTANSI KEUANGAN BISNIS TERAPAN (AKUNBISNIS) Journal of Intelligent Computing and Health Informatics (JICHI) Teknika Jurnal Sistem Informasi Journal of Industrial and Engineering System Jurnal Sains Indonesia Bulletin of Computer Science Research Journal of Students‘ Research in Computer Science (JSRCS) Journal Software, Hardware and Information Technology Jurnal Media Informatika JURNAL ELEKTRO DAN INFORMATIKA SWADHARMA (JEIS) Jurnal Mandiri IT J-Intech (Journal of Information and Technology) Jurnal Pustaka Mitra : Pusat Akses Kajian Mengabdi Terhadap Masyarakat Jurnal Pustaka Data : Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitektur Komputer Jurnal Sains dan Teknologi Jurnal Sains Informatika Terapan (JSIT) Paradigma Indonesian Journal Computer Science (ijcs) Jurnal Ilmiah Teknik Informatika dan Komunikasi Innovative: Journal Of Social Science Research Jurnal Komputer dan Teknologi (JUKOMTEK) CHAIN: Journal of Computer Technology, Computer Engineering and Informatics Journal of Information Technology, Software Engineering and Computer Science Jurnal Ilmiah Sistem Informasi Bulletin of Artificial Intelligence Riau Jurnal Teknik Informatika International Journal of Education, Vocational and Social Science Seminar Nasional Riset dan Teknologi (SEMNAS RISTEK) Journal of Information Technology Jurnal Teknoinfo Komputasi : Jurnal Ilmiah Ilmu Komputer dan Matematika Jurnal Ilmiah Sistem Informasi Akuntansi (JIMASIA) Jurnal Teknik Informatika dan Teknologi Informasi Journal of Decision Support Systems and Multi-Criteria Decision Making (JODESMA)
Sumanto Sumanto
Universitas Bina Sarana Informatika
Aerospace Engineering Agriculture, Biological Sciences & Forestry Arts Humanities Automotive Engineering Biochemistry, Genetics & Molecular Biology Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Dentistry Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Health Professions Immunology & microbiology Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Materials Science & Nanotechnology Mathematics Mechanical Engineering Medicine & Pharmacology Neuroscience Nursing Physics Public Health Social Sciences Transportation Veterinary Other

Published : 118 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 118 Documents
Search

 8   9   10   11   12 
Implementasi Aplikasi Absen Berbasis GPS Di CV. Global Digital Solution Gilang Virgiawan; Sumanto
Jurnal Sains Informatika Terapan Vol. 4 No. 3 (2025): Jurnal Sains Informatika Terapan (Oktober, 2025)
Publisher : Riset Sinergi Indonesia (RISINDO)

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Sistem kehadiran karyawan merupakan bagian penting dalam manajemen sumber daya manusia yang berperan dalam menilai kedisiplinan dan kinerja. Namun, metode presensi manual atau menggunakan fingerprint masih memiliki keterbatasan seperti potensi kecurangan dan ketidakakuratan data. Untuk mengatasi hal tersebut, penelitian ini mengembangkan aplikasi presensi karyawan berbasis GPS dan selfie yang dibangun menggunakan framework Laravel. Tujuan dari penelitian ini adalah merancang dan mengimplementasikan sistem yang mampu mencatat kehadiran secara real-time berdasarkan lokasi dan dokumentasi visual, serta meningkatkan efisiensi operasional perusahaan. Metodologi yang digunakan dalam penelitian ini adalah Rapid Application Development (RAD), yang memungkinkan pengembangan sistem melalui prototipe dan umpan balik pengguna secara iteratif. Hasil implementasi menunjukkan bahwa aplikasi dapat mencatat waktu kehadiran karyawan secara akurat berdasarkan lokasi GPS, serta menyimpan bukti kehadiran melalui foto selfie. Aplikasi ini juga menyediakan fitur login, pengajuan izin, riwayat presensi, serta pengelolaan data karyawan dan laporan absensi. Sistem ini diharapkan dapat menjadi solusi presensi modern yang efektif dan efisien dalam mendukung manajemen kehadiran di CV Global Digital Solution.
Klasterisasi Data Produksi Daging Sapi Menggunakan Algoritma K-Means Orange Data Mining Ramadani, Achmes Dade; Hilmy Ibrahim, Farras; Hidayat, Manarul; Habibullah, Ahmad; Sumanto, Sumanto; Kuswanto, Andi Diah
Jurnal Pustaka Data (Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitektur Komputer) Vol 5 No 1 (2025): Jurnal Pustaka Data (Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitekt
Publisher : Pustaka Galeri Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55382/jurnalpustakadata.v5i1.1013

Abstract

     Produksi daging sapi merupakan salah satu komponen penting dalam sektor peternakan yang mendukung ketahanan pangan nasional. Mengingat fluktuasi produksi dari tahun ke tahun dan perbedaan karakteristik antar wilayah, diperlukan metode analisis yang tepat untuk mengolah data secara efektif. Penelitian ini bertujuan untuk mengelompokkan data produksi daging sapi di Indonesia selama periode 2021 hingga 2024 menggunakan algoritma K-Means Orange Data Mining. Proses analisis mengikuti tahapan CRISP-DM, mulai dari pemahaman bisnis hingga deployment. Data yang digunakan diperoleh dari Badan Pusat Statistik dan diproses untuk menghasilkan tiga klaster utama: wilayah dengan produksi daging sapi tinggi, rendah, dan sedang. Hasil penelitian menunjukkan bahwa algoritma K-Means Orange Data Mining mampu mengelompokkan data produksi daging sapi secara efektif ke dalam beberapa klaster yang berbeda. Orange Data Mining turut membantu proses analisis data dengan tampilan antarmuka visual yang inovatif dan hasil yang mudah diinterpretasikan. Temuan ini diharapkan menjadi acuan dalam perumusan kebijakan strategis peternakan dan perencanaan distribusi produksi berbasis data. Hasil klasterisasi ini memberikan gambaran kepada pemerintah mengenai tingkat produksi daging sapi di setiap wilayah, sehingga memungkinkan pengambilan kebijakan atau langkah-langkah strategis yang lebih tepat dan sesuai dengan kondisi masing-masing wilayah berdasarkan hasil klasterisasi.
CLASSIFICATION OF MANGO RIPENESS LEVELS BASED ON DIGITAL IMAGES USING YOLOV8 Sopyan; Fransiscus Andre Suwarno; Rasya Abel Putra Gumulija; Sumanto; Ghofar Taufiq; Jefina Tri Kumalasari
Antivirus : Jurnal Ilmiah Teknik Informatika Vol 20 No 1 (2026): Mei 2026
Publisher : Universitas Islam Balitar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35457/4k5j3338

Abstract

Penilaian konvensional terhadap tingkat kematangan buah mangga umumnya didasarkan pada observasi visual. Pendekatan manual ini memiliki keterbatasan karena sangat bergantung pada pengalaman individu serta faktor lingkungan, menjadikannya rentan terhadap inefisiensi dan ketidakakuratan pada operasi skala besar. Untuk mengatasi hal ini, kami mengusulkan solusi otomatis berbasis deep learning melalui implementasi YOLOv8 (You Only Look Once versi 8) untuk klasifikasi kematangan buah mangga. Kami menggunakan dataset yang mencakup 2.328 citra dari Roboflow Universe, yang dikelompokkan menjadi tiga status: mentah, terlalu matang, dan matang. Model dilatih selama 50 epoch dengan resolusi 640 X 640 piksel. Hasil evaluasi menggunakan metrik Precision, Recall, mAP, dan Confusion Matrix menunjukkan kinerja yang superior. Model mencapai mAP50 sebesar 0,84497, mAP50–95 sebesar 0,86308, dan akurasi total 92,13%. Temuan ini mengindikasikan bahwa YOLOv8 merupakan metode deteksi dan klasifikasi yang stabil, cepat, dan efektif untuk pengenalan kematangan buah, sangat mendukung implementasi Smart Farming 4.0.
DETEKSI KERUSAKAN JALAN MENGGUNAKAN CONVOLUTIONNAL NEURAL NETWORK (CNN) Muhammad Haikal Abidin; Iman Febriansya Putra; Sumanto Sumanto; Ade Christian; Jefina Tri Kumalasari; Ghofar Taufiq
JEIS: Jurnal Elektro dan Informatika Swadharma Vol 6, No 2 (2026): JEIS EDISI JULI 2026
Publisher : Institut Teknologi dan Bisnis Swadharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56486/jeis.vol6no2.1145

Abstract

Road surface damage is a critical issue that can impact road user safety, transportation efficiency, and infrastructure maintenance costs. Manual road inspection methods are still widely used, but they suffer from subjective assessments that can result in inconsistent data. Therefore, an automated approach using artificial intelligence technology is needed to improve the accuracy and efficiency of road damage detection. This research aims to develop a road damage detection system using a deep learning approach based on Convolutional Neural Networks (CNN). The detection model was trained using an annotated road image dataset covering various types of road surface damage. The training and evaluation processes were conducted using an object detection architecture that included mean average precision (mAP), precision, and recall. Test results show that the CNN model can automatically detect road damage with fairly good performance. However, system performance is still affected by the limited dataset size, class imbalance, and variations in environmental conditions. The developed system has the potential to be a decision-support tool for more effective and data-driven road infrastructure maintenance.Kerusakan permukaan jalan merupakan masalah penting yang dapat memengaruhi keselamatan pengguna jalan, efisiensi transportasi, dan biaya pemeliharaan infratruktur. Metode inspeksi jalan secara manual masih banyak dipakai, memiliki kelemahan adanya subjektivitas penilaian, yang dapat menghasilkan data yang tidak konsisten. Oleh karena itu, dibutuhkan pendekatan otomatis menggunakan teknologi kecerdasan buatan untuk meningkatkan akurasi dan efisiensi deteksi kerusakan jalan. Penelitian ini bertujuan mengembangkan sistem deteksi kerusakan jalan dengan pendekatan deep learning berbasis Convolutional Neural Network (CNN). Model deteksi dilatih menggunakan dataset citra jalan yang mencakup berbagai jenis kerusakan permukaan jalan. Proses pelatihan dan evaluasi dilakukan dengan arsitektur deteksi objek seperti mean average precision (mAP), precision, dan recall. Hasil pengujian menunjukan bahwa model CNN dapat mendeteksi kerusakan jalan secara otomatis dengan kinerja yang cukup baik. Namun, performa sistem masih dipengaruhi oleh keterbatasan jumlah dataset, ketidakseimbangan kelas, dan variasi kondisi lingkungan. Sistem yang dikembangkan berpotensi menjadi alat pendukung pengambilan keputusan untuk pemeliharaan infrastruktur jalan yang lebih efektif dan berbasis data
KLASIFIKASI KEMATANGAN BUAH TOMAT BERBASIS CNN DENGAN ARSITEKTUR MOBILENETV2 DAN TRANSFER LEARNING Mochamad Fathur Milzam; Ahmad Syukri Gozali; Sumanto Sumanto; Jefina Tri Kumalasari; Ghofar Taufiq; Ade Christian
JEIS: Jurnal Elektro dan Informatika Swadharma Vol 6, No 2 (2026): JEIS EDISI JULI 2026
Publisher : Institut Teknologi dan Bisnis Swadharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56486/jeis.vol6no2.1113

Abstract

Classifying tomato ripeness is a crucial aspect of post-harvest processing and agricultural distribution. Manual ripeness determination is subjective and potentially inconsistencies. This study aims to classify tomato ripeness using a deep learning approach based on a Convolutional Neural Network (CNN) with the MobileNetV2 architecture and transfer learning techniques. The dataset, consisting of tomato images, was classified into three classes: unripe, ripe, and overripe. Preprocessing included image resizing and normalization before model training. The MobileNetV2 model was used as a feature extractor, while a fully connected layer was applied for classification. Test results showed that the model was able to classify tomato ripeness with good performance based on classification evaluation metrics. Overall, the proposed approach shows good potential for RGB image-based tomato ripeness classification.Klasifikasi tingkat kematangan buah tomat merupakan aspek penting dalam proses pascapanen dan distribusi hasil pertanian. Penentuan kematangan secara manual masih bersifat subjektif dan berpotensi menimbulkan ketidakkonsistenan. Penelitian ini bertujuan untuk mengklasifikasikan tingkat kematangan buah tomat menggunakan pendekatan deep learning berbasis Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2 dan teknik transfer learning. Dataset berupa citra buah tomat diklasifikasikan ke dalam tiga kelas, yaitu tidak matang, matang, dan terlalu matang. Tahapan preprocessing meliputi proses resizing dan normalisasi citra sebelum dilakukan pelatihan model. Model MobileNetV2 digunakan sebagai feature extractor, sedangkan lapisan fully connected diterapkan untuk proses klasifikasi. Hasil pengujian menunjukkan bahwa model mampu mengklasifikasikan tingkat kematangan buah tomat dengan performa yang baik berdasarkan metrik evaluasi klasifikasi. Secara keseluruhan, pendekatan yang diusulkan menunjukkan potensi yang baik untuk klasifikasi tingkat kematangan buah tomat berbasis citra RGB
IDENTIFIKASI JENIS TANAMAN OBAT BERDASARKAN BENTUK DAUN MENGGUNAKAN CNN Meydina Aulia Savitri; Trisna Andhika Saputra; Aziz Bayu Permata; Sumanto Sumanto; Jefina Tri Kumalasari; Ghofar Taufiq
JEIS: Jurnal Elektro dan Informatika Swadharma Vol 6, No 2 (2026): JEIS EDISI JULI 2026
Publisher : Institut Teknologi dan Bisnis Swadharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56486/jeis.vol6no2.1160

Abstract

Indonesia is one of the countries with the greatest biodiversity in the world, including a wealth of medicinal plants and herbal medicines. Despite the vast potential of herbal medicinal plants, the general public still often struggles to identify and differentiate between them. This difficulty is primarily due to limited knowledge of morphological characteristics, which can lead to misidentification and the potential consumption of poisonous plants. Advances in Artificial Intelligence (AI), particularly Convolutional Neural Networks (CNN), have opened up new opportunities for identifying medicinal plant leaf images. This study aims to apply CNNs to identify medicinal plant species based on leaf shape. This study utilized the EfficientNetV2B0 architecture, known for its superior parameter efficiency and high accuracy. This model demonstrated a validation and testing accuracy of 98%. The result of this research is a mobile application that can assist the general public in identifying medicinal plants in their environment. With this application, it is hoped that the public will more easily learn the types of herbal medicinal plants, their benefits, and how to process them. This is also expected to minimize the risk of misidentification, which can negatively impact health.Indonesia merupakan salah satu negara dengan keanekaragaman hayati terbesar di dunia, termasuk kekayaan tanaman obat dan jamu. Meskipun potensi tanaman obat herbal sangat besar, masyarakat umum masih sering mengalami kesulitan dalam mengenali dan membedakan jenis-jenis tanaman obat herbal. Kesulitan ini terutama disebabkan oleh keterbatasan pengetahuan masyarakat dalam mengenali ciri-ciri morfologi, yang dapat menyebabkan risiko kesalahan identifikasi dan potensi mengkonsumsi tanaman yang beracun. Perkembangan teknologi kecerdasan buatan (AI), khususnya Convolutional Neural Network (CNN), telah membuka peluang baru dalam melakukan identifikasi citra daun tanaman obat. Penelitian ini bertujuan menerapkan algoritma CNN untuk melakukan identifikasi jenis tanaman obat berdasarkan bentuk daun. Penelitian ini menggunakan arsitektur EfficientNetV2B0, yang dikenal unggul dalam efisiensi parameter dan memiliki akurasi tinggi. Model ini menunjukkan akurasi validasi dan pengujian sebesar 98%. Hasil dari penelitian ini adalah sebuah aplikasi mobile yang mampu membantu masyarakat awam dalam mengidentifikasi tanaman obat yang ada di sekitar lingkungannya. Dengan adanya aplikasi ini, diharapkan masyarakat dapat lebih mudah mengetahui jenis-jenis tanaman obat herbal beserta manfaat dan cara pengolahannya. Hal ini juga diharapkan dapat meminimalkan risiko kesalahan identifikasi yang dapat berdampak negatif terhadap kesehatan.
PENERAPAN MACHINE LEARNING UNTUK ANALISIS PREDIKSI HARGA RUMAH MENGGUNAKAN ALGORITMA REGRESI LINIER DAN RANDOM FOREST Muhamad Fadli Fadhlullah; Zayyan Nauval Araf; Sumanto Sumanto; Jefina Tri Kumalasari; Ghofar Taufiq; Ade Christian
JEIS: Jurnal Elektro dan Informatika Swadharma Vol 6, No 2 (2026): JEIS EDISI JULI 2026
Publisher : Institut Teknologi dan Bisnis Swadharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56486/jeis.vol6no2.1125

Abstract

Accurate house price prediction is crucial for property buyers, sellers, investors, and developers in making decisions. This study aims to compare the performance of Linear Regression and Random Forest algorithms in predicting house prices in East Jakarta. The dataset used was taken from the rumah123.com website, and after cleaning, there were 180 unique data points. The modelling process was carried out using the Orange application, where 80% of the data was used to train the model and 20% to test it. To assess model performance, several metrics were used, such as Mean Squared Error, Root Mean Squared Error, Mean Absolute Error, Mean Absolute Percentage Error, and the coefficient of determination. The test results showed that the Linear Regression model provided more accurate predictions than Random Forest, as evidenced by lower RMSE, MAE, and MAPE values, as well as an R² value of 0.997. This indicates that the relationship between property features and house prices in this dataset tends to be linear. However, the Random Forest model also performed well, with an R² value of 0.996, so it can still be used for datasets with more complex characteristics.Prediksi harga rumah yang tepat sangat penting untuk para pembeli, penjual, investor, dan pengembang properti dalam membuat keputusan. Penelitian ini bertujuan untuk membandingkan seberapa baik algoritma Regresi Linier dan Random Forest dalam memprediksi harga rumah di Jakarta Timur. Dataset yang digunakan diambil dari situs rumah123.com dan setelah dibersihkan, terdapat 180 data yang unik. Proses pemodelan dilakukan dengan menggunakan aplikasi Orange, di mana 80% data digunakan untuk melatih model dan 20% untuk mengujinya. Untuk menilai kinerja model, digunakan beberapa metrik seperti Mean Squared Error, Root Mean Squared Error (RSME), Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), dan koefisien determinasi (R²). Hasil dari pengujian menunjukkan bahwa model Regresi Linier memberikan prediksi yang lebih akurat dibandingkan dengan Random Forest, hal ini terlihat dari nilai RMSE, MAE, dan MAPE yang lebih rendah serta nilai R² sebesar 0,997. Ini menunjukkan bahwa hubungan antara fitur-fitur properti dan harga rumah di dataset ini cenderung linier. Namun, model Random Forest juga menunjukkan hasil yang baik dengan nilai R² sebesar 0,996, jadi masih tetap bisa digunakan untuk dataset yang memiliki karakteristik lebih rumit
KOMPARASI DECISION TREE, RANDOM FOREST, DAN K-NN MEMPREDIKSI KELULUSAN SISWA MENGGUNAKAN ORANGE Rafi Rasendriya; Fahrian; Aberahamo Onoma Marundrury; Yakobus Linus Jumadi; Sumanto; Andi Diah Kuswanto
Jurnal Komputer dan Teknologi Vol 4 No 2 (2025): JUKOMTEK JULI 2025
Publisher : Yayasan Pendidikan Cahaya Budaya Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.64626/jukomtek.v4i2.414

Abstract

Predicting student graduation is one of the challenges in the field of education that requires a data-driven approach. Not only final grades play a role, but also other factors such as attendance rate, weekly study hours, previous exam scores, and extracurricular activities. This study compares the performance of three classification algorithms—Decision Tree, Random Forest, and k-Nearest Neighbor (k-NN)—in predicting student graduation status based on the Student Performance dataset from Kaggle, which contains 708 student records. The modeling process was conducted using Orange Data Mining through a visual workflow approach. The models were evaluated using 20-fold cross-validation and assessed with performance metrics including AUC, accuracy, precision, recall, F1-score, and MCC. The results show that the Random Forest algorithm achieved the best performance, with an AUC of 97.1%, accuracy of 94.1%, F1-score of 94.2%, precision of 94.2%, recall of 94.1%, and MCC of 79.7%. While Decision Tree and k-NN also performed well, their results were still below those of Random Forest. These findings indicate that Random Forest is the most accurate and stable model for classifying student graduation and demonstrate that Orange Data Mining is an effective tool for applying data mining techniques in the educational field.
Pemodelan Prediktif Emisi CO2 Kendaraan Kanada: Studi Komparatif Neural Network dan Support Vector Machine Rifki Nur Hidayat Putra; Nindya Dwi Lestari; Dinda Aprillia; Sumanto Sumanto; Imam Budiawan; Roida Pakpahan
IJAI (Indonesian Journal of Applied Informatics) Vol 10, No 1 (2025)
Publisher : Universitas Sebelas Maret

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20961/ijai.v10i1.110736

Abstract

Abstrak : Sektor transportasi merupakan penyumbang emisi karbon dioksida (CO2) terbesar yang memperparah perubahan iklim. Penelitian ini bertujuan mengembangkan model prediktif yang akurat untuk memperkirakan emisi CO2 kendaraan dengan memanfaatkan pendekatan pembelajaran mesin. Dataset yang digunakan adalah data emisi kendaraan Kanada dari Kaggle. Metode yang diterapkan adalah Support Vector Machine (SVM) dan Neural Network untuk menganalisis pola kompleks dari berbagai parameter teknis kendaraan, seperti ukuran mesin, jumlah silinder, dan jenis transmisi. Hasil penelitian menunjukkan bahwa Neural Network secara konsisten unggul dibandingkan SVM dengan tingkat akurasi prediksi melebihi 90% dan nilai F1-score mencapai 0,831 untuk model SVM serta 0,954 untuk model Neural Network, yang menunjukkan kinerja klasifikasi yang kuat dan konsisten. Neural Network juga terbukti lebih baik dalam menangkap hubungan non-linier antara karakteristik kendaraan dan emisi CO2. Keberhasilan model ini membuka peluang pengembangan model prediktif yang lebih canggih serta dapat menjadi dasar bagi pembuat kebijakan dalam merancang regulasi emisi yang lebih akurat dan berbasis data.=====================================================Abstract :The transportation sector is the largest contributor to carbon dioxide (CO2) emissions that exacerbate climate change. This research aims to develop an accurate predictive model to estimate vehicle CO2 emissions by utilizing a machine learning approach. The dataset used is Canadian vehicle emissions data from Kaggle. The methods applied are Support Vector Machine (SVM) and Neural Network to analyze complex patterns of various vehicle technical parameters, such as engine size, number of cylinders, and transmission type. The results showed that the Neural Network consistently excelled over SVM with a prediction accuracy rate exceeding 90% and an F1-score value of 0.831 for the SVM model and 0.954 for the Neural Network model, indicating a strong and consistent classification performance. Neural networks have also been shown to be better at capturing the non-linear relationship between vehicle characteristics and CO2 emissions. The success of this model opens up opportunities for the development of more sophisticated predictive models and can serve as a basis for policymakers to design more accurate and data-driven emissions regulations.
Solusi Virtual Try-On Kacamata Berbasis AI dengan Integrasi Model Deep Learning untuk E-Commerce Fashion Arnata Nur Rasyid; Asmawati Asmawati; Widya Viona Septi Tanjung; Sumanto Sumanto; Imam Budiawan; Roida Pakpahan
IJAI (Indonesian Journal of Applied Informatics) Vol 10, No 1 (2025)
Publisher : Universitas Sebelas Maret

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20961/ijai.v10i1.110772

Abstract

Abstrak : Banyak pengguna menghadapi kesulitan dalam memilih kacamata secara daring karena tidak dapat memastikan apakah model tertentu sesuai dengan bentuk wajah mereka. Masalah ini sering menimbulkan ketidakpuasan pelanggan dan tingginya tingkat pengembalian produk. Penelitian ini bertujuan untuk mengembangkan solusi Virtual Try-On kacamata berbasis kecerdasan buatan (AI), yang mengintegrasikan model deep learning untuk menciptakan pengalaman belanja daring yang lebih interaktif dan personal. Sistem bekerja dengan mendeteksi bentuk wajah dari foto yang diunggah pengguna menggunakan model Face Shape Detection yang telah dilatih dan mencapai akurasi hingga 89% kemudian memberikan rekomendasi kacamata yang paling cocok berdasarkan sistem rekomendasi Rule-Based. Setelah pengguna memilih salah satu produk dari daftar tersebut, sistem memanfaatkan AI Nano Banana untuk menggabungkan citra wajah dan produk kacamata secara realistis. Teknologi utama yang digunakan meliputi EfficientNetB2 sebagai model CNN utama, InsightFace untuk deteksi wajah presisi tinggi, dan AdamW sebagai algoritma optimasi. Hasil pengujian menunjukkan bahwa sistem ini efektif dalam menghasilkan visualisasi try-on yang akurat dan memuaskan, serta berpotensi meningkatkan konversi penjualan di platform e-commerce fashion.====================================================Abstract : Many users experience difficulty in selecting eyeglasses online due to the inability to determine whether a particular model suits their facial shape. This issue often results in customer dissatisfaction and high product return rates. This study aims to develop an AI-based virtual try-on solution for eyeglasses by integrating deep learning models to create a more interactive and personalized online shopping experience. The system functions by detecting the user’s face shape from an uploaded photo using a pre-trained Face Shape Detection model that achieves an accuracy of up to 89%, followed by a rule-based recommendation system that suggests the most suitable eyeglass frames. Once the user selects a product from the recommended list, the system utilizes AI Nano Banana to realistically generate a composite image of the user's face wearing the selected eyeglasses. The core technologies implemented include EfficientNetB2 as the primary CNN model for visual feature extraction, InsightFace for high-precision face detection, and AdamW as the optimization algorithm. Experimental results demonstrate that the system effectively generates accurate and realistic try-on visualizations, which are not only satisfactory to users but also have the potential to increase sales conversion rates in fashion e-commerce platforms.
Co-Authors Aberahamo Onoma Marundrury Achmad Rivai Syahputra Ade Budiman, Ade Ade Christian Ade Christian Ade Christian Ade Christian Adhiani, Budhi Adi Pangestu Adi Supriyatna Adinugroho, Wisnu Aditia Yudhistira Adryan Raihan Syakir Agung Wibowo Agus Buono Agus Santoso Ahmad Habibullah Ahmad Rais Ruli Ahmad Syukri Gozali Ahmad Yani Ahmad Yani ahmad yani Ahmad Yani , Ahmad Yani Alamsyah, Muhammad Arkan Alghifar Firgiawan Alghiffary, Muhammad Adya Ali Mahmudi Ali, Muhamad Hafis Ali, Satrio Nur Alwan Kapi Muntaha Alya Avisa Andi Diah Kuswanto Andi Setiawan Andika Amansyah Andri Amico Andriansyah Tri Laksono Anggreani, Namira Anita Adelia Syahfitri Apip Supiandi Ardiyansyah, Rizqi Ari Sulistiyawati Ariskawati, Mila Arnata Nur Rasyid Arshad, Muhammad Waqas Arya, Yudi Asmawati Asmawati Audy Aulia Azzahra Aulia Rachmat, Daffa Aziz Bayu Permata Azkia, Farah Diba Bib Paruhum Silalahi Bismo Raharjo, Yohanes Aryo Budhi Adhiani Budhi Adhiani Christina Budi Santoso Budiman, Ade Surya Cahya, Titus Dwi Cahyani Ayu Sulistyawati Damayanti Damayanti Darmawi . Dedi Darwis Dedi Triyanto Dedi Triyanto DENY KURNIAWAN Deny Kurniawan Desiana Nuranudin Putri Desyanti Desyanti Dewi, Revinta Arrova Diah, Andi Dinda Aprillia Dwiki Gilang Ramadhani Dyah Ayu Megawaty Dyani Kalyana Mitta Eka Dyah Setyaningsih Eka Putri Alvi Syahrina Elisabeth Sri Hendrastuti Erlangga Rizki Ekaptra Fadila Shely Amalia Fahrian Fahroni, Aldiwa Alfa Thira Nur Faiz Djarot, Raihan Jamal Faiz Najwan Zaky Fajar Akbar Fajar Yoga Adiansyah Fajrian, Ihsan Fardha Hasykir Farhan Fadhilah Faris Syahrendra Faruk Ulum Fathur Rismansyah Fauzan Nawwir Andriansyah Fauzan, Muhammad Indra Fransiscus Andre Suwarno Ganda Wijaya Ganda Wijaya, Ganda Ghofar Taufiq Gilang Virgiawan Ginting Wibi Prasetyo Hafis Nurdin Harianto Harianto Hariyanto Hariyanto HARIYANTO HARIYANTO Hartanti Hartanti Hartono Hartono Heni Nur Kusumawati Herdinan Tito Hetty Rohayani Hidayat, Manarul Hilmy Ibrahim, Farras Idha Rizqi Pratiwi Imam Budiawan Imam Budiawan Imam Budiawan Imam Budiawan Imam Budiawan Imam Wahyudi Iman Febriansya Putra Indah Oktavia Zalmi Indra Chaidir, Indra Indra, Ahmad Indriani , Karlena Indriyanti, Zahra Kiky Dwi Insani Abdi Bangsa Iqro Mukti Arto Jefina Tri Kumalasari Jefina Tri Kumalasari Jefina Tri Kumalasari Joko Tri Haryanto Joseph Melchior Nababan Juanny Cheristy Souisa Julkarnaen Karo-Karo Jumaryadi, Yuwan Junhai Wang Junhai Wang Junhai Wang Junhai Wang Junhai Wang Kadir, Fauwas Abdul Kaisar Ages Querio Karlena Indriani Karlisa Priandana Kevin Dwi Satria Kotjek, Rafie Kumalasari Kumalasari Kuswanto, Andi Diah Laura Gabriel da Silva Lia Mazia, Lia Lise Pujiastuti Lise Pujiastuti Lita Sari Marita Maharani Rona Makom Makom, Maharani Rona Mantriwira, Daniel Mardinawat Mardinawat Mardinawati Mardinawati Mardinawati, Mardinawati Megawaty, Dyah Ayu Meydina Aulia Savitri Micho Respati Putra Mochamad Fathur Milzam Mochamad Wahyudi Muhamad Fadli Fadhlullah Muhamad Rendi Gibran Muhammad Furqon Prasetyo Muhammad Haikal Abidin Muhammad Hendra Hernawan Muhammad Hussein Umar Muhammad Raviansyah Muhammad Rifqi Asy'ari Muksin Hi Abdullah Musfiroh Musfiroh, Musfiroh Nabilla, Adinda Naufal Hermawan, Rezan Nindya Dwi Lestari Ningtyas, Listina Ade Widya Nirwana Hendrastuty Noviyanto Noviyanto Nurfia Oktaviani Syamsiah Nurrahman, Alvin Paduloh Paduloh Pakpahan, Roida Pasaribu, A. Ferico Octaviansyah Paulus Paulus Permata, Permata Prasetyo Adi Suwignyo Prasetyo, Romadhan Edy Pribadi, Denny Pricillia Pujiastuti, Lise Purwandani, Indah Putra Satria Putra, Imam Hanif Qais Abdurrachman Rachmat Adi Purnama Raditya Rimbawan Oprasto Rafi Kurniawan Rafi Rasendriya Raihan Naufal Ramadhan Raihan Primadana Raihan Raihan Ramadani, Achmes Dade Ramadhan, Muhammad Gilang Ramadhani, Varla Octavia Rani, Maulidina Cahaya Rasya Abel Putra Gumulija Ratiyah* Ratiyah Ratnasari, Arum Retno Winarti Reynaldi , Reynaldi Rian Hidayat Riansyah Gustian Ridwan, Asrifia Rifda Ilahy Rosihan Rifki Nur Hidayat Putra Riska Aryanti Rivaldi, Muhammad Rizal Maulana Rizky Daud Antony Pangaribuan Rizqi Ramadhani, Muhammad Rofiqi, Ainur Roida Pakpahan Roida Pakpahan Roida Pakpahan Roida Pakpahan Roida Pakpahan Roni Saputra Pratama Ruhul Amin Rumidjan Rumidjan, Rumidjan Rusda Wajhillah Ryan Dwi Aprilyanto Ryan Randy Suryono Ryehan Alfiansyah Safinah Faatin Sanriomi Sintaro Santosa, Teguh Budi Saputra, Sabita Abigail Saputra, Yusup Saputri, Fifin Sefriani, Shintia Putriayu Sentanu, Quinn Abrar Athallah Sentot Achmadi Setiawan, Dandi Setiawansyah Setiawansyah Setiawansyah Siregar, Denny Solihin Solihin Sopyan Sri Hendrastuti, Elisabeth Sri Sugiharti Suci, Bintang Dyas SUKAMTI . Sulaiman Sulaiman Sulistyo Sulistyo Sumarna Sumarna Sumarna Sumarna Suparno Suparno Suwandi Suwandi Tabrani, Tabrani Tarmidzi Ibrahim Taufig, Ghofar Teguh Budhi Santosa Teguh Budi Santosa Temi Ardiansah Teuku Vaickal Rizki irdian Tri Widian Ratnasari Trisna Andhika Saputra Ulum, Faruk Umam, Hairul Ummu Radiyah, Ummu Vemi Januar Pratama Vera Agustina Yanti Wahyudi, Agung Deni Wang, Junhai Wardani, Maidy Tri Wattilah, Florentina Widya Viona Septi Tanjung Wijaya, Filzah Wina Ningsih Yakobus Linus Jumadi Yamani, Teuku Arrasy Yanuar Laik, Abraham Adrian Yunardus Yunardus Yundari, Yundari Yuri Rahmanto Zahwa Asfa Rabbani Zayyan Nauval Araf Zidan, Muhammad `Diah Kuswanto, Andi