Article Per Year (5 Year)
p-Index From 2021 - 2026
2.409
P-Index
This Author published in this journals
All Journal Sistemasi: Jurnal Sistem Informasi Informatik : Jurnal Ilmu Komputer IJISTECH (International Journal Of Information System & Technology) Jurnal Teknologi Informasi dan Multimedia TRIDARMA: Pengabdian Kepada Masyarakat (PkM) INAJEEE (Indonesian Journal of Electrical and Electronics Engineering) IJISTECH ADMA: Jurnal Pengabdian dan Pemberdayaan Masyarakat Journal of Artificial Intelligence and Digital Business Jurnal Elektronika dan Teknik Informatika Terapan KOPEMAS
Tomi Tri Sujaka
Computer Science Study Program, Universitas Bumigora
Arts Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Electrical & Electronics Engineering Energy Engineering Languange, Linguistic, Communication & Media Nursing Social Sciences Other

Published : 16 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 16 Documents
Search

 1   2 
Implementasi Iaas (Infrastructure as a Service) Menggunakan Amazon Web Services Untuk Membangun Website Berbasis Desa Digital M. Adam Hawary Saputra; Tomi Tri Sujaka; Rifqi Hammad
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 5 No. 2 (2026): Mei-Juli
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v5i2.12425

Abstract

Program digitalisasi desa terus didorong pemerintah untuk pemerataan layanan publik, namun penerapannya di lapangan masih terhambat keterbatasan infrastruktur, sehingga banyak desa belum mampu membangun sistem informasi secara mandiri. Desa Bengkel, misalnya, telah memiliki website namun belum memiliki layanan administrasi online maupun mekanisme verifikasi dokumen, sehingga pengajuan surat masih dilakukan secara manual. Penelitian ini bertujuan membangun website desa digital berbasis Infrastructure as a Service (IaaS) menggunakan Amazon Web Services (AWS) yang mengintegrasikan enam layanan sekaligus, yaitu EC2, RDS, S3, Lambda, SQS, dan SNS, dengan kebaruan utama berupa fungsi AWS Lambda sqs-pdf-signer yang secara otomatis menyisipkan QR Code verifikasi ke dalam dokumen surat tanpa memerlukan tanda tangan fisik. Sistem dikembangkan menggunakan metode Software Development Life Cycle (SDLC) model Waterfall. Hasil Black Box Testing menunjukkan seluruh kebutuhan fungsional terpenuhi. User Acceptance Testing memperoleh rata-rata skor 4,45 dari masyarakat dan 5,00 dari perangkat desa, keduanya berkategori Sangat Baik. Stress Testing dengan beban hingga 500 pengguna secara bersamaan menunjukkan error rate 0,00–0,02% tanpa downtime, sementara Security Testing menunjukkan konfigurasi SSL/TLS Grade A tanpa kerentanan berisiko tinggi. Hasil ini membuktikan bahwa integrasi IaaS berbasis AWS dapat menjadi solusi infrastruktur sekaligus otomatisasi layanan administrasi publik tingkat desa yang andal dan terverifikasi secara digital.
Deteksi Biji-Bijian Familia Poaceae Menggunakan YOLOv8 Transfer Learning Berbasis Web Fitra Maulana; Tomi Tri Sujaka; Muhamad Azwar
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 5 No. 2 (2026): Mei-Juli
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v5i2.12723

Abstract

Famili Poaceae mencakup berbagai komoditas pangan penting, seperti padi, jagung, gandum, oat, sorgum, barley, dan millet, yang memiliki karakteristik visual hampir serupa sehingga proses identifikasi manual rentan terhadap kesalahan. Penelitian ini bertujuan mengembangkan sistem deteksi biji-bijian Famili Poaceae berbasis web menggunakan algoritma YOLOv8 dengan pendekatan transfer learning. Penelitian menerapkan metode eksperimen yang meliputi pengumpulan dan pelabelan data, prapemrosesan, pembagian dataset, pelatihan model, evaluasi performa, serta implementasi sistem. Dataset terdiri atas 3.500 citra dari tujuh kelas, dengan masing-masing kelas berjumlah 500 citra, yang dibagi menjadi 70% data pelatihan, 15% data validasi, dan 15% data pengujian. Model dilatih menggunakan PyTorch dan Ultralytics YOLOv8 pada Google Colab Pro dengan GPU NVIDIA A100, ukuran citra 640 × 640 piksel, batch size 64, dan optimizer AdamW. Model terbaik kemudian diintegrasikan ke dalam aplikasi web menggunakan Streamlit agar pengguna dapat mengunggah citra atau menggunakan kamera secara langsung. Hasil pengujian menunjukkan nilai precision sebesar 71,6%, recall 73,2%, mAP50 75,7%, dan mAP50-95 46,9%. Kelas jagung memperoleh performa terbaik dengan mAP50 95,9%, sedangkan kelas padi memperoleh nilai terendah sebesar 64,5%. Sistem yang dikembangkan mampu mendeteksi tujuh jenis biji-bijian secara otomatis, cepat, dan mudah diakses, sehingga berpotensi membantu masyarakat, petani, dan penyuluh pertanian dalam proses identifikasi serta mendukung digitalisasi sektor pertanian.
Klasifikasi Citra Kualitas Beras Akurasi Tinggi Menggunakan Transfer Learning Arsitektur Mobilenetv2 Muhammad Febrian Haekal; Tomi Tri Sujaka; Fahry Fahry
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 5 No. 2 (2026): Mei-Juli
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v5i2.12829

Abstract

Penilaian mutu beras secara konvensional yang mengandalkan inspeksi visual kerap menghasilkan evaluasi subjektif, inkonsisten, serta memakan waktu lama. Untuk mengatasi kendala tersebut, penelitian ini bertujuan mengembangkan model komputasi cerdas berbasis web guna mengklasifikasikan kualitas beras secara otomatis dan praktis. Dataset yang digunakan dalam eksperimen terdiri atas 926 citra beras publik yang diekstraksi dari Roboflow Universe. Pendekatan penelitian memanfaatkan algoritma Convolutional Neural Network (CNN) berarsitektur MobileNetV2 yang dioptimasi menggunakan metode Transfer Learning dan Fine-Tuning. Tahapan utama pengembangan mencakup prapemrosesan citra, pelatihan model dengan differential learning rates, hingga integrasi sistem menggunakan kerangka kerja backend asinkron FastAPI. Hasil implementasi menunjukkan bahwa sistem sukses berjalan pada antarmuka web interaktif untuk membedakan kategori beras premium, medium, dan tidak layak tanpa kendala latensi komputasi. Pengujian model mencatatkan performa sangat superior dengan nilai akurasi dan metrik Weighted F1-Score yang mencapai 98,92%. Kesimpulannya, pemanfaatan arsitektur ringan MobileNetV2 terbukti efisien secara komputasi serta mumpuni memberikan solusi praktis bagi pelaku industri untuk melakukan kontrol kualitas beras secara objektif tanpa harus mengandalkan keahlian pakar.
Klasifikasi Kematangan Stroberi Menggunakan OpenCV, CNN EfficientNet-B0, dan Grad-CAM Berbasis Web Dion Arifin; Tomi Tri Sujaka; I Nyoman Switrayana
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 5 No. 2 (2026): Mei-Juli
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v5i2.12873

Abstract

Penilaian tingkat kematangan buah stroberi secara manual bersifat subjektif, memerlukan pengalaman, dan memakan waktu, sehingga dibutuhkan sistem klasifikasi otomatis yang akurat, transparan, serta mudah diakses. Penelitian ini mengembangkan sistem klasifikasi tingkat kematangan stroberi berbasis web dengan memanfaatkan Open Source Computer Vision Library (OpenCV) untuk pemrosesan citra dan Convolutional Neural Network berarsitektur EfficientNet-B0 melalui transfer learning dengan strategi partial fine-tuning. Dataset terdiri atas 677 citra stroberi yang diperoleh dari Kecamatan Sembalun, Kabupaten Lombok Timur, dan repositori publik, kemudian dikelompokkan ke dalam kelas “Dapat Dipetik” dan “Tidak Dapat Dipetik”. Data dibagi menggunakan stratified random sampling melalui tiga skenario rasio latih, validasi, dan uji, yaitu 80:10:10, 70:15:15, dan 60:20:20. Transparansi keputusan model diwujudkan melalui Gradient-weighted Class Activation Mapping (Grad-CAM) yang diproses bersama OpenCV untuk menghasilkan heatmap dan overlay. Sistem dikembangkan menggunakan FastAPI, dikemas melalui Docker, dan disebarkan pada Hugging Face Spaces. Hasil pengujian menunjukkan bahwa rasio 80:10:10 menghasilkan kinerja paling stabil dengan akurasi validasi akhir sebesar 97,79% dan F1-score rata-rata tertimbang sebesar 97,79%. Visualisasi Grad-CAM menunjukkan bahwa model berfokus pada tekstur dan pigmentasi buah, bukan pada latar belakang. Temuan ini menunjukkan bahwa integrasi EfficientNet-B0, Grad-CAM, OpenCV, dan layanan web mampu menyediakan klasifikasi kematangan stroberi yang akurat, dapat dijelaskan, responsif, dan berpotensi mendukung pengambilan keputusan panen.
Klasifikasi Tingkat Kematangan Biji Kopi Arabika Berdasarkan Citra Menggunakan Convolutional Neural Network Berbasis Website Azuar khalik; Khasnur Hidjah; Tomi tri sujaka
Jurnal Elektronika dan Teknik Informatika Terapan Vol. 4 No. 3 (2026): September: Jurnal Elektronika dan Teknik Informatika Terapan ( JENTIK )
Publisher : Politeknik Kampar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59061/jentik.v4i3.1521

Abstract

The post-harvest quality standardization process for Arabica coffee beans is currently dominated by manual visual inspection, which is subjective, inconsistent, and prone to errors caused by eye fatigue. This study aims to develop an automated classification system based on Computer Vision to categorize coffee bean ripeness into three levels: unripe, semi-ripe, and ripe. The research employs the CRISP-DM framework using a primary dataset of 673 images obtained from a plantation in Sembalun, East Lombok. The data was split into 80% for training and 20% for validation. The model utilized is MobileNetV3Large, implemented via Transfer Learning. This model was integrated into a responsive web application using HTML, CSS, and JavaScript for the frontend, and FastAPI for the backend to facilitate real-time prediction. Test results demonstrated an accuracy of 99.25%—surpassing the initial 85% target—with an inference time of less than 2 seconds per image. Furthermore, User Acceptance Testing yielded a score of 94%, placing the system in the "Highly Suitable" category. This system is expected to serve as a practical solution for enhancing the objectivity, reliability, and efficiency of coffee bean quality control.
Comparative Analysis of RSA-2048, ECDSA-P256, and Ed25519 Digital Signatures in Document Authentication Systems I Wayan Rangga Pinastawa; Khoironi; Tomi Tri Sujaka
Informatik : Jurnal Ilmu Komputer Vol 22 No 2 (2026): August 2026
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52958/iftk.v22i2.14719

Abstract

Digital signatures are widely used to ensure the authenticity, integrity, and non-repudiation of digital documents. This study aims to compare the performance of RSA-2048, ECDSA P-256, and Ed25519 algorithms in digital document authentication. The dataset consisted of 500 text documents with file sizes ranging from 1 KB to 10 MB. The evaluation was conducted based on key generation time, signing time, verification time, signature size, and tampering detection capability. Each signing and verification process was repeated 10 times, resulting in a total of 15,000 observations. The experimental results show that Ed25519 achieved the fastest signing time of 0.000027 seconds and the smallest signature size of 64 bytes. RSA-2048 achieved the fastest verification time of 0.000025 seconds, while ECDSA P-256 provided intermediate performance between the two algorithms. Tampering detection tests demonstrated that all algorithms successfully detected document modifications with a 100% detection rate. Statistical analysis using the Kruskal–Wallis and Mann–Whitney U tests confirmed significant performance differences among the evaluated algorithms, with a very large effect size (η² = 0.682). Based on the obtained results, Ed25519 was found to be the most efficient algorithm for digital document authentication systems requiring high performance and compact signature sizes.
Co-Authors Anak Agung Gde Agung Indrawan Andi Sofyan Anas Anthony Anggrawan Azuar khalik Christopher Michael Lauw Dion Arifin Fadli, M. Najmul Fahry Fahry Fitra Maulana Hasbullah Hasbullah Husain Husain I Gede Bayu Balawa Tangub I Nyoman Switrayana I Wayan Rangga Pinastawa Imelda Silpiana Putri Khairan marzuki Khasnur Hidjah Khoironi Kurniadin Abd Latif Lalu Maulana Noer Fajrin Lilik Widyawati M. Adam Hawary Saputra Muhamad Azwar Muhammad Febrian Haekal Muhammad Haris Nasri Muhammad Zulfikri Neny Sulistianingsih PUTU MEIKAPASA, NI WAYAN Rifqi Hammad Rifqy Hammad Rini Anggriani Sirojul Hadi Stevany Hanalyna Dethan Triwijoyo, Bambang Krismono