Article Per Year (5 Year)
p-Index From 2021 - 2026
2.47
P-Index
This Author published in this journals
All Journal Sistemasi: Jurnal Sistem Informasi JURNAL MEDIA INFORMATIKA BUDIDARMA Jurnal Sains dan Informatika Indonesian Journal of Business Intelligence (IJUBI) JOURNAL OF INFORMATION SYSTEM MANAGEMENT (JOISM) Jurnal Ilmiah Intech : Information Technology Journal of UMUS Jurnal Abdi Masyarakat Indonesia Jurnal Altifani Penelitian dan Pengabdian kepada Masyarakat Journal Automation Computer Information System (JACIS) Abdiformatika: Jurnal Pengabdian Masyarakat Informatika Journal of Intelligent Software Systems JAMU : Jurnal Abdi Masyarakat UMUS
Wiwi Widayani
Fakultas Ilmu Komputer, Universitas Amikom Yogyakarta
Religion Agriculture, Biological Sciences & Forestry Arts Humanities Automotive Engineering Biochemistry, Genetics & Molecular Biology Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Dentistry Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Environmental Science Health Professions Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Library & Information Science Mathematics Medicine & Pharmacology Nursing Public Health Social Sciences Transportation Other

Published : 17 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : journal automation computer information system jacis

 1 
Sistem Rekomendasi Wisata Kuliner di Yogyakarta dengan Metode Item-Based Collaborative Filtering Hartatik Hartatik; Sri Devi Nurhayati; Wiwi Widayani
Journal Automation Computer Information System (JACIS) Vol. 1 No. 2 (2021): November
Publisher : Indonesian Journal Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47134/jacis.v1i2.8

Abstract

Sistem rekomendasi adalah sistem yang mampu memberikan rekomendasi item-item yang mungkin disukai oleh pengguna. Metode Collaborative Filtering merupakan salah satu metode pada sistem rekomendasi. Metode ini memanfaatkan penilaian pengguna berupa rating untuk memprediksi item yang mungkin diminati. Berdasarkan rating pengguna dari 1 - 5, nilai kemiripan dihitung menggunakan adjusted cosine similarity. Berdasarkan nilai kemiripan antar makanan, nilai prediksi rating makanan dicari menggunakan weighted sum. Penelitian ini menggunakan 23 makanan dan 22 pengguna sebagai data. Dalam mengimplementasikan metode item - based collaborative filtering, penulis melakukan metode pengumpulan data, perancangan tampilan, melakukan perhitungan manual, pembangunan sistem dan implementasi metode item - based collaborative filtering, melakukan pengujian MAE, pengujian Confusion Matrix, dan pengujian F1 Score. Dari hasil pengujian yang telah dilakukan diperoleh prediksi yang cukup akurat dengan 6 neighbor dan akurasi 83 %.
Prediksi Perbandingan Kinerja MobileNetV2 dan EfficientNetB0 dalam Prediksi Kematangan Buah Jaboticaba Mahardika Wildan Fitrian; Wiwi Widayani; Heri Sismoro; Nur Aini; Dwi Nurani
Journal Automation Computer Information System Vol. 6 No. 1 (2026): Mei
Publisher : Indonesian Journal Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47134/jacis.v6i1.177

Abstract

Penentuan kematangan buah yang akurat penting untuk meningkatkan kualitas panen dan efisiensi distribusi, namun praktik manual masih rentan terhadap subjektivitas. Penelitian ini membandingkan kinerja Convolutional Neural Network (CNN), MobileNetV2, dan EfficientNetB0 dalam memprediksi jumlah hari menuju kematangan buah Jaboticaba (Plinia cauliflora) berbasis citra RGB. Dataset diperoleh dari pengamatan lapangan dan diuji dalam dua skenario: 656 citra dan dataset hasil augmentasi sebanyak ±2.500 citra. Seluruh model dilatih dengan optimizer Adam dan dievaluasi menggunakan Mean Absolute Error (MAE). Pada dataset kecil, MobileNetV2 menunjukkan performa terbaik dengan MAE uji 1,54 hari, lebih baik dibanding CNN (3,41 hari) dan EfficientNetB0 (6,05 hari). Setelah jumlah data diperbesar, kinerja seluruh model meningkat, dengan MobileNetV2 tetap unggul (MAE 0,95 hari), diikuti EfficientNetB0 (1,30 hari) dan CNN (1,86 hari). Peningkatan terbesar terjadi pada EfficientNetB0, yang mengindikasikan bahwa model berkapasitas tinggi membutuhkan data lebih besar untuk belajar secara optimal. Hasil ini menegaskan bahwa ukuran dataset berpengaruh signifikan terhadap akurasi, serta bahwa MobileNetV2 memberikan keseimbangan terbaik antara ketepatan dan stabilitas
Co-Authors Acihmah Sidauruk Andri Syafrianto Andriyani, Widyastuti Anggita, Sharazita Dyah Atik Nurmasani Dwi Nurani Fadhlih Girindra Putra Gita Cahyani Harliana Harliana Hartatik Heri Sismoro I Putu Okpin Narwan Ika Asti Astuti Ikmah Ikmah Irma Rofni Wulandari Irma Rofni Wulandari Irma Rofni Wulandari Irwan Setiawanto Ivónia Fátima Ruas da Silva LILIS DWI FARIDA Lilis Dwi Farida Mahardika Wildan Fitrian Mei Maemunah Muhammad Adithya Ricky Ichsan NINIK TRI HARTANTI Nur Aini Prilla Riana Dewi R. Henry Poerwanto Brotoatmodjo Rachmad Hartono Rahmadita Sabrina Islahany Siti Wijayanti Sri Devi Nurhayati Supriatin Supriatin Triyan Agung Laksono Wildan Muhammad Ardana Yoga Pristyanto Yuli Astuti Yuli Astuti Yuli Astuti