Claim Missing Document
Check
Articles

Found 33 Documents
Search

Identifikasi Kematangan Tomat dengan Principal Component Analysis dan K-Nearest Neighbour Berdasarkan Citra Warna Khairani; Sitanggang, Imas Sukaesih; Haryanto, Toto; Kustiyo, Aziz
Jurnal Ilmu Komputer dan Agri-Informatika Vol. 11 No. 2 (2024)
Publisher : Sekolah Sains Data, Matematika, dan Informatika. Institut Pertanian Bogor

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29244/jika.11.2.122-132

Abstract

Penentuan tingkat kematangan tomat secara manual memiliki kelemahan karena standar yang subjektif dan memakan waktu. Penelitian ini bertujuan untuk mengidentifikasi kematangan tomat berbasis representasi warna Hue Saturation Value (HSV) menggunakan Principal Component Analysis (PCA) sebagai ekstraksi ciri dan K-Nearest Neighbor (KNN) untuk klasifikasi. Penelitian ini menggunakan 400 citra dengan resolusi spasial 400x400 yang dikelompokkan dalam 5 tingkat kematangan yaitu green, turning, pink, light red dan red. Data terbagi menjadi data latih dan data uji dengan rasio 80:20. Skenario yang diberlakukan merupakan pembagian data ruang warna yaitu Hue (H), Saturation (S), Value (V), Hue-Saturation (HS), Hue-Value (HV), Saturation-Value (SV) dan HSV. Nilai k sebagai tetangga pada KNN yang dijadikan sebagai skenario adalah 1, 3, 5, 7, 9 dan 11. Adapun nilai principal componen yang diterapkan sebesar 5, 10, 15 dan 65 dengan varian rasio 95%. Hasil penelitian menunjukkan bahwa dengan K=7 dan nilai PC =5 menghasilkan nilai akurasi tertinggi dengan persentase 94% pada pengujian HV. Hasil penelitian ini menunjukkan bahwa dengan klasifikasi data uji sebanyak 80 data citra, didapatkan hasil sebanyak 75 data hasil akurat dan 5 data yang tidak akurat.
Strategi Komunikasi dalam Adopsi Teknologi Digital E-government bagi Keberlanjutan Pembangunan Desa Digital Siwi, Mahmudi; Hapsari, Dwi Retno; Lubis, Djuara P; Haryanto, Toto; Aulia, Titania; Arham, Iffah Luthfiyah; Aditika, Exciyona
Policy Brief Pertanian, Kelautan, dan Biosains Tropika Vol 6 No 4 (2024): Policy Brief Pertanian, Kelautan dan Biosains Tropika
Publisher : Direktorat Kajian Strategis dan Reputasi Akademik IPB University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29244/agro-maritim.0604.1084-1089

Abstract

Belum optimalnya strategi komunikasi dan adopsi teknologi digital yang selama ini dilaksanakan di desa digital, Cibiru Wetan, mengakibatkan pilar digital safety masyarakat masih tergolong rendah walaupun indeks literasi digitalnya sudah tergolong tinggi. Lebih lanjut maka diperlukan sosialisasi dan pelatihan agar masyarakat sebagai pengguna teknologi digital terhindar dari kejahatan digital. Pilar kualitas layanan yang menjadi indikator dari atribut layanan teknologi juga perlu ditingkatkan dengan cara menyediakan fitur penyampaian aspirasi, keluhan, dan masukan dari masyarakat untuk pengembangan aplikasi Simpeldesa. Salah satu masalah utama dalam penggunaan aplikasi Simpeldesa yaitu masih belum adanya keberlanjutan dari masyarakat dalam menggunakan aplikasi tersebut. Keberlanjutan ini dapat terwujud jika adanya kebijakan mengenai pengembangan dan pengoptimalan fitur-fitur yang ada di aplikasi Simpeldesa, diberlakukannya pemusatan layanan di satu aplikasi, hingga memperkuat pengaruh sosial dari influencer desa dalam hal penggunaan aplikasi Simpeldesa secara menyeluruh pada masyarakat.
Two-Way Thesis Supervisor Recommendation System Using MapReduce K-Skyband View Queries Dasri, Dasri; Annisa, Annisa; Haryanto, Toto
JOIV : International Journal on Informatics Visualization Vol 9, No 1 (2025)
Publisher : Society of Visual Informatics

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62527/joiv.9.1.2800

Abstract

Timely graduation is an important indicator of the quality of higher education. Yet, many students struggle to complete their studies on time due to challenges in finding relevant research topics and suitable supervisors. This study developed a two-way supervisor recommendation system that considers the preferences and expertise of both students and supervisors. The main contribution of this research is the comparison of Block Nested Loop (BNL) k-skyband and MapReduce k-skyband algorithms. The recommendation model developed in this study uses course syllabi to obtain research topics and academic grades to determine students' interests in research topics. A total of 239 research topics were obtained from 37 courses. Optimal recommendations were achieved with a k value of 16. Implementing the MapReduce algorithm in this recommendation model demonstrated a computation speed 8 times faster than the BNL k-skyband approach, making it effective in handling large datasets. The proposed recommendation system received positive feedback from students, with scores of 3.5 for relevance, 3.7 for topic diversity, 3.4 for serendipity, and 3.5 for novelty. These findings suggest that the proposed recommendation system can support students in their research endeavors and improve the overall supervision process in academic settings, with potential for widespread implementation across various study programs. Thus, contributing to the overall improvement of higher education quality.
Classification of Coral Images Using Support Vector Machine with Gray Level Co-Occurrence Matrix Feature Extraction Nababan, Adi Pandu Rahmat; Haryanto, Toto; Wijaya, Sony Hartono
JOIV : International Journal on Informatics Visualization Vol 9, No 3 (2025)
Publisher : Society of Visual Informatics

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62527/joiv.9.3.2708

Abstract

This research developed a coral image classification method using Support Vector Machine (SVM) with Gray Level Co-occurrence Matrix (GLCM) feature extraction to improve the accuracy of coral reef condition monitoring. Coral images were collected in the waters of Sangihe Islands Regency and labelled by experts for healthy, unhealthy, and dead categories. Preprocessing included cropping, background removal, sharpening, and image normalization. GLCM feature extraction was performed with a distance of 1, 2, and 3 pixels and directions of 0°, 45°, 90°, and 135°. SVM uses Linear, Radial Basis Function, and Polynomial kernels with parameters set in a grid. The results indicate that the polynomial kernel with parameters C=10, degree=3, and gamma=1 achieves the highest accuracy, at 91.85%. Oversampling increased the accuracy by 2.17%, while feature selection by boxplot and model-based decreased the accuracy by 0.8% and 0.2%, respectively. On the other hand, feature selection using correlation analysis significantly decreased accuracy by 16.11%. These findings significantly contribute to coral reef conservation by offering a more accurate and efficient classification method. This method enables better and timely monitoring of coral reef conditions, thus supporting more effective conservation interventions. Integrating these research results into IoT systems can improve overall coral reef monitoring and conservation efforts.
Pemanfaatan Model Long Short Term Memory (LSTM) Untuk Prediksi Harga Emas Sebagai Instrumen Investasi Dalam Mempersiapkan Ancaman Resesi Global 2023 Jamaludin; Toto Haryanto
The Indonesian Journal of Computer Science Vol. 12 No. 2 (2023): The Indonesian Journal of Computer Science
Publisher : AI Society & STMIK Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33022/ijcs.v12i2.3176

Abstract

Dampak dari Pandemi Covid 19 masih dirasakan oleh semua orang sampai saat ini. Akibat pandemi yang terjadi berimbas pada perputaran ekonomi dunia, belum juga perparah oleh konflik perang antara negara Rusia dan Ukraina. Hal ini secara tidak langsung menyebabkan harga komoditas menjadi naik dan mengakibatkan terjadinya inflasi. Ketika kondisi ekonomi Global tidak menentu, International Monetary Fund (IMF) melaporkan terjadinya pelambatan ekonomi dan hal ini dibenarkan juga Menteri Keuangan Republik Indonesia. Salah satu persiapan ketika terjadi inflasi adalah dengan berinvestasi. Banyak investasi yang ditawarkan saat ini, namun saat inflasi terjadi, berinvestasi emas merupakan pilihan yang tepat karena memiliki sifat sebagai pelindung nilai. Namun banyak investor yang masih ragu untuk berinvestasi emas dikarenakan harganya yang fluktuatif dan tidak bisa ditebak. Oleh karena itu, penelitian ini dilakukan untuk memprediksi harga emas menggunakan model Long Short Term Memory (LSTM) agar investor menjadi yakin dalam berinvestasi emas untuk mempersiapkan ketika terjadinya resesi Global 2023. Hasil penelitian didapatkan dengan 10 epochs menghasilkan RMSE 20 dan harga emas untuk 60 hari kedepan diprediksi akan naik.
Penerapan Metode K-Nearest Neighbor dan Support Vector Machine untuk Klasifikasi Kematangan Buah Mengkudu Hartono Wijaya, Sony; Haryanto, Toto; Hehanussa, Siti Gayatri
Jurnal Ilmu Komputer dan Agri-Informatika Vol. 12 No. 1 (2025)
Publisher : Sekolah Sains Data, Matematika, dan Informatika. Institut Pertanian Bogor

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29244/jika.12.1.25-37

Abstract

Buah mengkudu (Morinda citrifolia) merupakan salah satu komoditas ekspor buah-buahan di Indonesia yang selalu tersedia di setiap musim dan dikenal memiliki berbagai manfaat kesehatan. Buah mengkudu berasal dari wilayah Asia Tenggara, termasuk Indonesia, dan sering digunakan dalam pengobatan tradisional. Pada umumnya masyarakat menentukan kematangan buah mengkudu secara manual, yaitu dengan menggunakan penampakan visual. Hal ini menyebabkan adanya perbedaan persepsi dalam menentukan tingkat kematangan buah mengkudu. Oleh karena itu, penelitian ini bertujuan membangun model machine learning untuk klasifikasi tingkat kematangan buah mengkudu. Metode klasifikasi yang digunakan adalah K-Nearest Neighbor (KNN) dan Support Vector Machine (SVM) dengan menggunakan ekstraksi fitur warna Hue Saturation Intensity (HSI) dan ekstraksi fitur tekstur Local Binary Pattern (LBP). Pengklasifikasian yang dilakukan pada buah mengkudu dengan algoritma KNN menghasilkan model klasifikasi yang lebih baik daripada menggunakan algoritma SVM. Akurasi terbaik yang dihasilkan oleh KNN sebesar 88.62% pada k=11, sedangkan akurasi terbaik SVM dengan kernel polynomial sebesar 87.80%, menggunakan parameter C=0.1 Gamma=1, Degree=5, dan coef0=1.0. Hasil ini didapatkan dari data latih dan data uji dengan perbandingan 80:20.
Enhancing Intelligent Tutoring Systems through SVM-Based Academic Performance Classification and Rule-Based Question Recommendation Tobing, Fenina Adline Twince; Haryanto, Toto
ULTIMATICS Vol 17 No 1 (2025): Ultimatics : Jurnal Teknik Informatika
Publisher : Faculty of Engineering and Informatics, Universitas Multimedia Nusantara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31937/ti.v17i1.4178

Abstract

The aims to automatically classify students' academic performance levels using Support Vector Machine (SVM) algorithm and automatically recommend questions based on classification results. Dataset consists of six assignment scores per student, averaging students into three performance levels: Beginner, Intermediate, and Advanced. Before training, the data undergoes preprocessing involving normalization with Standard Scaler and splitting into training and testing sets. The model is trained using Radial Basis Function (RBF) kernel with hyperparameter tuning to optimize its performance. The evaluation results show that the model achieved an accuracy of 91.67%, with a precision of 93.06%, a recall of 91.67%, and an F1-score of 91.89%. The best performance was found in the Intermediate class, the dominant category in the dataset, while performance in the Advanced category was relatively lower due to limited sample size. Following classification, a rule-based recommendation system is used to suggest questions that match the student's predicted level of competence. This approach supports a more adaptive and personalized learning environment. The findings demonstrate that the SVM algorithm effectively supports intelligent learning systems such as the Intelligent Tutoring System (ITS). Future work should include data balancing techniques, expansion of dataset size, and comparative analysis with other algorithms to enhance model generalization.
E-Commerce Product Review Sentiment Analysis: A Comparative Study of Naïve Bayes Classifier and Random Forest Algorithms on Marketplace Platforms Hassolthine, Cian Ramadhona; Haryanto, Toto; Adline Twince Tobing, Fenina; Ikhwani Saputra, Muhammad
IJNMT (International Journal of New Media Technology) Vol 12 No 1 (2025): Vol 12 No 1 (2025): IJNMT (International Journal of New Media Technology)
Publisher : Universitas Multimedia Nusantara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31937/ijnmt.v12i1.4246

Abstract

Achieving customer satisfaction and trust is a major challenge for success in the business world. Entrepreneurs must identify problems that arise from reviews given by customers. However, reading and sorting each review is time-consuming and considered inefficient. In order to overcome this, a study was conducted that aims to analyze sentiment on products sold in the Shopee marketplace using the Naïve Bayes Classifier and Random Forest algorithms. The focus of this study is on product reviews from XYZ Store. The main objective of this study is to determine a more accurate and efficient algorithm in classifying review sentiment, which can help companies in marketing strategies and product development. The results of this study can provide insight for companies about consumer responses to marketed products, so that they can be used as a basis for making strategic decisions to improve the quality of services and products. The results of the Random Forest method classification produce superior predictions compared to the Naïve Bayes Classifier method with an accuracy value of 92.5%, precision of 93%, Recall of 92.5% and F1-Score of 90%.
Optimasi Sistem Klasifikasi Biji Tanaman Cabai Menggunakan CNN: Pendekatan Inovatif dalam Agribisnis Pebrianto, Rangga; Haryanto, Toto
IJCIT (Indonesian Journal on Computer and Information Technology) Vol 8, No 2 (2023): IJCIT November 2023
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/ijcit.v8i2.17907

Abstract

Cabai memiliki peran yang sangat vital sebagai jenis sayuran di Indonesia, digunakan baik untuk kebutuhan perdagangan di dalam negeri maupun ekspor. Selain kandungan gizinya, cabai juga memiliki nilai ekonomi yang tinggi. Mengingat fluktuasi harga cabai yang seringkali tinggi, klasifikasi biji tanaman cabai menjadi sangat penting untuk menjaga kualitas hasil panen dan meningkatkan produksi. Fokus penelitian ini adalah mengklasifikasikan biji tanaman cabai menggunakan metode convolutional neural network, dengan melalui sejumlah tahap perancangan dan implementasi. Tujuan utama penelitian ini adalah membantu dalam klasifikasi biji tanaman cabai untuk memastikan kualitas cabai tetap terjaga di pasar dan menghindari kesalahan dalam penanaman benih cabai. Klasifikasi biji tanaman cabai dilakukan menggunakan convolutional neural network dengan memanfaatkan data latih dan data uji. Dalam pembentukan model klasifikasi, diperlukan pelatihan data dan penggunaan 3 kategori biji, yaitu biji paprika, biji cabai besar, dan biji cabai rawit. Proses latihan data dilakukan dengan komputer dalam mode GPU tunggal, dan data validasi tidak dimasukkan dalam proses pelatihan. Hasil label klasifikasi yang dihasilkan oleh jaringan menjadi pedoman untuk mengenali jenis objek biji tanaman cabai yang sulit dibedakan dengan jelas.Hasil penelitian ini menunjukkan bahwa arsitektur CNN mampu memisahkan tiga jenis biji pada tanaman cabai dengan tingkat akurasi sekitar 90%. Chili peppers play a vital role as a type of vegetable in Indonesia, used both for domestic trade and export purposes. In addition to their nutritional value, chili peppers also hold high economic significance. Given the often-high price fluctuations of chili peppers, the classification of chili plant seeds becomes crucial in maintaining the quality of harvests and boosting production. The main focus of this research is to classify chili plant seeds using the convolutional neural network method, employing several stages of design and implementation. The primary goal of this study is to assist in the classification of chili plant seeds to ensure that the quality of chili remains preserved in the market and to avoid errors in chili seed planting. The classification of chili plant seeds is carried out using convolutional neural networks, utilizing training and testing data. To form a classification model, data training and the utilization of 3 seed categories—namely, paprika seeds, large chili seeds, and bird's eye chili seeds—are necessary. The training data process is conducted using a computer in single GPU mode, with validation data not included in the training process. The resulting classification labels generated by the network serve as a guide to identify types of chili plant seed objects that are challenging to distinguish clearly.The results of this research show that the CNN architecture is able to separate three types of seeds in chili plants with an accuracy rate of around 90%.
Pembangunan Model Mask R-CNN untuk Identifikasi Daun dan Cabang Tanaman Melon Noer Muslimah, Meia; Wahjuni, Sri; Haryanto, Toto
Jurnal Keteknikan Pertanian Vol. 12 No. 3 (2024): Jurnal Keteknikan Pertanian
Publisher : PERTETA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.19028/jtep.012.3.327-339

Abstract

Mutu buah melon dapat ditingkatkan dan dioptimalkan dengan melakukan pemangkasan pada tanaman melon. Pemangkasan merupakan proses penghilangan yang dilakukan pada bagian tanaman tertentu. Saat ini tanaman melon masih dipangkas secara manual oleh petani, namun cara ini mempunyai banyak kekurangan. Pada penelitian ini pemangkasan dilakukan pada cabang dan daun tanaman melon. Pemangkasan dapat dilakukan dengan bantuan robot yang mampu mengenali daun dan dahan. Pada penelitian ini metode yang digunakan untuk mendeteksi cabang dan daun adalah Mask Region-based Convolutional Neural Network (Mask R-CNN). Teknik tuning hyperparameter digunakan untuk mendapatkan nilai parameter terbaik, termasuk learning rate, peluruhan bobot, dan momentum pembelajaran. Dua skenario dipertimbangkan dalam penelitian ini, satu dengan 10 epoch dan yang lainnya dengan 30 epoch. Nilai Average Precision (AP) yang diperoleh pada 10 epoch sebesar 32,2% untuk objek daun dan 0% untuk objek cabang. Pada 30 epoch, nilai AP adalah 56,8% untuk objek daun dan 4,1% untuk cabang. Rata-rata Presisi Rata-rata (mAP) adalah 16,1% untuk 10 epoch dan 28,4% untuk 30 epoch