Claim Missing Document
Check
Articles

Found 13 Documents
Search

Klasifikasi Jenis Ayam Menggunakan Ensemble Voting CNN (Mobilenetv2 Dan Efficientnet-B0) Berbasis Citra Sudanto; Joni Karman; Satrianansyah; Budi Santoso
Bulletin of Information Technology (BIT) Vol 7 No 3: September 2026
Publisher : Forum Kerjasama Pendidikan Tinggi (FKPT)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/bit.v7i3.3067

Abstract

Digital image-based chicken species classification plays a crucial role in supporting the identification process in the livestock sector. However, the similarity in visual characteristics between chicken species makes the manual classification process inefficient and error-prone. This study aims to develop a chicken species classification model using the Ensemble Soft Voting method by combining two Convolutional Neural Network (CNN) architectures, namely MobileNetV2 and EfficientNet-B0. The dataset used consists of 1,500 images from five chicken classes: Bangkok Chicken, Broiler Chicken, Free-Range Chicken, Bantam Chicken, and Laying Hen. The research stages include preprocessing, data augmentation, transfer learning, model training, and combining prediction probabilities using the Soft Voting method. Evaluation is carried out using Accuracy, Precision, Recall, F1-Score, and Confusion Matrix metrics. The results showed that MobileNetV2 achieved an accuracy of 97.18%, EfficientNet-B0 achieved 96.48%, while the Ensemble Soft Voting method produced the best performance with an accuracy of 97.89%, a precision of 97.96%, a recall of 97.89%, and an F1-score of 97.88%. These results indicate that the Ensemble Soft Voting method is able to improve classification accuracy and stability compared to using a single model, so it has the potential to be applied as a solution for digital image-based chicken species identification.
PENERAPAN ALGORITMA NAÏVE BAYES CLASSIFIER PADA PREDIKSI STOK OBAT DI APOTEK K-24 KOTA LUBUKLINGGAU DENGAN PEMROGRAMAN PHYTON Aag Egiyansya; Joni Karman; Satrianansyah Satrianansyah; Elmayati Elmayati
Jusikom : Jurnal Sistem Komputer Musirawas Vol. 9 No. 1 (2024): Jusikom : Jurnal Sistem Komputer Musirawas JUNI
Publisher : LPPM UNIVERSITAS BINA INSAN

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32767/jusikom.v9i1.2268

Abstract

tidak terjadi kekurangan maupun kelebihan persediaan obat yang Ada beberapa Indikator prediksi adalah bulan penjualan, stok barang, permintaan barang dan status barang. Sistem prediksi yang dapat digunakan untuk memprediksi berapa stok obat yang harus disediakan dimasa yang akan datang dengan menggunakan metode klasifikasi naïve bayes. Naïve bayes clasiffier didasarkan pada teorema Bayes yang memiliki kemampuan klasifikasi serupa dengan decision tree dan neural network. Bayesian classification terbukti memiliki akurasi dan kecepatan yang tinggi saat diaplikasikan ke dalam database dengan data yang besar Dari pengujian model yang ada didapatkan nilai untuk akurasi yaitu sebesar 91 %, presisi sebesar 90 %, recall sebesar 89 % dan F1 score sebesar 90 %. Dari data tersebut maka model yang dihasilkan dapat digunakan untuk memprediksi stok obat dimasa yang akan datang.
OPTIMASI KLASIFIKASI BAHASA ISYARAT INDONESIA (BISINDO) BERBASIS VISION TRANSFORMER DENGAN CLAHE DAN MIXUP Moh Hatta; Muhamad Akbar; Muhammad Irvai; Joni Karman
INTECOMS: Journal of Information Technology and Computer Science Vol. 9 No. 5 (2026): INTECOMS: Journal of Information Technology and Computer Science
Publisher : Institut Penelitian Matematika, Komputer, Keperawatan, Pendidikan dan Ekonomi (IPM2KPE)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31539/56deny34

Abstract

Bahasa Isyarat Indonesia (BISINDO) merupakan sarana komunikasi utama bagi penyandang tunarungu sehingga diperlukan sistem klasifikasi citra yang mampu mengenali gestur secara akurat. Penelitian ini bertujuan meningkatkan performa klasifikasi BISINDO menggunakan arsitektur Vision Transformer (ViT) yang dikombinasikan dengan teknik Contrast Limited Adaptive Histogram Equalization (CLAHE) dan augmentasi data MixUp. Metode penelitian menggunakan pendekatan kuantitatif eksperimental melalui tahapan akuisisi data, preprocessing citra (ukuran 224×224 piksel, Gaussian Blur, dan CLAHE), penerapan MixUp pada data latih, serta pelatihan dan evaluasi model menggunakan metrik accuracy, precision, recall, F1-score, dan confusion matrix. Dataset terdiri atas 900 citra dari 10 kelas dengan pembagian 50% data latih, 40% data validasi, dan 10% data uji. Hasil penelitian menunjukkan akurasi 99% dengan nilai rata-rata precision, recall, dan F1-score sebesar 0,99. Temuan ini menunjukkan bahwa integrasi CLAHE dan MixUp efektif meningkatkan kualitas fitur dan kemampuan generalisasi model dalam klasifikasi BISINDO. Kata Kunci: BISINDO, Vision Transformer, CLAHE, MixUp