Article Per Year (5 Year)
p-Index From 2021 - 2026
3.138
P-Index
This Author published in this journals
All Journal Jiko (Jurnal Informatika dan komputer) Buana Information Technology and Computer Sciences (BIT and CS) Jurnal Tekinkom (Teknik Informasi dan Komputer) Jurnal SAINTIKOM (Jurnal Sains Manajemen Informatika dan Komputer) Jurnal Media Informatika Scientific Student Journal for Information, Technology and Science
Tatang Rohana
Universitas Buana Perjuangan Karawang
Computer Science & IT

Published : 19 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 19 Documents
Search

 1   2 
DETECTION OF THE SIZE OF PLASTIC MINERAL WATER BOTTLE WASTE USING THE YOLOV5 METHOD Dony Dwi Karyanto; Jamaludin Indra; Adi Rizky Pratama; Tatang Rohana
JIKO (Jurnal Informatika dan Komputer) Vol 7 No 2 (2024)
Publisher : Program Studi Teknik Informatika Universitas Khairun

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33387/jiko.v7i2.8535

Abstract

The use of plastic bottles for various needs is increasingly massive, especially in consumption needs such as mineral water bottles. The use of plastic bottles is used to reduce costs and be effective in maintaining the quality of mineral water, but its impact can affect natural conditions if not managed properly. Plastic bottle waste if left buried in the ground will have difficulty expanding, which can cause environmental pollution. Therefore, we can take advantage of technology to sort plastic bottle waste using a camera based on the size of plastic bottles. Differentiating the size of bottles aims to distinguish the economic value when exchanged at the waste bank. This technology utilizes object detection and recognition functions such as the YOLO (You Only Look Once) method. YOLO is a detection method that is a development of the CNN (Convolutional Neural Network) algorithm. By using YOLOv5, we can detect objects in the form of plastic bottle waste of various different sizes. To maximize object detection according to size, data annotation is done by creating a Bounding Box on each dataset according to its size. The test was carried out with several different distance configurations including 40cm, 80cm and 1m. Detection results using YOLOv5 produce up to 84% accuracy in real-time.
Penerapan Algoritma Machine Learning untuk Mengklasifikasikan Polusi Udara di Wilayah DKI Jakarta Muhammad Arya Suhendi; Tatang Rohana; Jamaludin Indra; Ayu Ratna Juwita
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 1 (2026): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

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

Abstract

Polusi udara di DKI Jakarta merupakan masalah serius dengan tingkat polusi tertinggi di Asia Tenggara. Sumber utama polusi udara berasal dari sektor transportasi, industri, dan pembakaran sampah. Keterbatasan sistem pemantauan konvensional mendorong pemanfaatan kecerdasan buatan, khususnya algoritma machine learning, untuk meningkatkan akurasi klasifikasi kualitas udara. Penelitian ini membandingkan performa empat algoritma, yaitu Support Vector Machine (SVM), Gradient Boosting, Random Forest, dan Decision Tree, dalam mengklasifikasikan tingkat polusi udara di Jakarta. Dataset yang digunakan terdiri atas 1.675 data Indeks Standar Pencemar Udara (ISPU) yang diperoleh dari Dinas Lingkungan Hidup Jakarta selama periode Januari hingga November 2024. Parameter yang digunakan meliputi PM10, PM2.5, SO₂, CO, O₃, dan NO₂. Proses penelitian mencakup tahapan pembersihan data, normalisasi, reduksi dimensi menggunakan Principal Component Analysis (PCA), pembangunan model melalui pembagian data latih dan data uji dengan rasio 80:20, serta evaluasi performa menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil evaluasi menunjukkan bahwa seluruh algoritma menghasilkan tingkat akurasi yang tinggi. Algoritma Random Forest mencapai performa terbaik dengan akurasi sebesar 93,71%, diikuti oleh Decision Tree sebesar 93,41%, Gradient Boosting sebesar 92,81%, dan Support Vector Machine sebesar 92,51%. Temuan ini mendukung penerapan machine learning sebagai solusi yang efektif untuk pemantauan polusi udara di Jakarta.
Deteksi Kelengkapan APD Siswa Praktikum Pengelasan Menggunakan YOLOv11 dan MobileNetV2 Bintang Adhiyaksa Maulana; Tohirin Al Mudzakir; Yana Cahyana; Tatang Rohana
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 2 (2026): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

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

Abstract

Pentingnya Keselamatan dan Kesehatan Kerja (K3) tak dapat diabaikan dalam pelaksanaan praktik pengelasan, terutama dalam memastikan siswa menggunakan Alat Pelindung Diri (APD) secara lengkap. Tujuan dari penelitian ini adalah merancang sistem otomatis berbasis Computer Vision yang mampu mendeteksi sejauh mana kelengkapan penggunaan APD oleh siswa selama kegiatan praktikum. Model YOLOv11 digunakan untuk mendeteksi empat kelas objek, yaitu Kacamata, Sarung_Tangan, Tanpa_Kacamata, dan Tanpa_Sarung_Tangan, kemudian hasil deteksi diklasifikasikan lebih lanjut menggunakan MobileNetV2 ke dalam tiga kategori: APD Lengkap, Sebagian, dan Tidak Lengkap. Data dikumpulkan dari SMK Plus Laboratorium Indonesia dan diperluas melalui augmentasi. Hasil evaluasi menunjukkan bahwa YOLOv11 mencapai precision sebesar 96,44%, recall sebesar 96,58%, dan mAP@0.5 sebesar 97,27%, sedangkan MobileNetV2 berhasil mengklasifikasikan kondisi APD dengan akurasi 97%. Sistem ini diharapkan dapat mendukung pengawasan K3 secara otomatis di lingkungan sekolah.
Identifikasi Penyakit HIV Menggunakan Algoritma Support Vector Machine (SVM) dan Naive Bayes Dian Ayu Damayanti; Tatang Rohana; Euis Nurlaelasari; Deden Wahiddin
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 2 (2026): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

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

Abstract

Penelitian ini bertujuan untuk mengidentifikasi penyakit HIV menggunakan metode klasifikasi berbasis algoritma Support Vector Machine (SVM) dengan kernel RBF dan Naive Bayes. Dataset diperoleh melalui kuesioner yang mencakup 16 gejala umum HIV dengan jumlah responden sebanyak 101 orang. Proses pengolahan data meliputi preprocessing, konversi data, pelabelan (labeling) target, hingga evaluasi model menggunakan confusion matrix, akurasi, precision, recall, dan F1-score. Hasil evaluasi menunjukkan bahwa algoritma Support Vector Machine (SVM) dengan kernel RBF memberikan tingkat akurasi sebesar 100%, sedangkan Naive Bayes memperoleh akurasi sebesar 93,75% dalam mengidentifikasi kemungkinan infeksi HIV berdasarkan gejala yang dialami. Temuan ini menunjukkan bahwa metode Support Vector Machine (SVM) memiliki performa yang sangat baik dalam mendeteksi pola gejala dan dapat diterapkan dalam sistem deteksi dini HIV. Penelitian ini diharapkan dapat menjadi acuan bagi pengembangan sistem berbasis kecerdasan buatan di bidang kesehatan, khususnya dalam membantu identifikasi awal infeksi HIV secara efektif.
Prototype Sistem Parkir Otomatis Berbasis Kamera Android dan ESP32 Menggunakan Algoritma Convolutional Neural Network Haikal Fasiha Fayyadh; Sutan Faisal; Santi Arum Puspita Lestari; Tatang Rohana
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 2 (2026): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

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

Abstract

Peningkatan jumlah kendaraan di Indonesia menimbulkan tantangan dalam pengelolaan area parkir, khususnya dalam aspek efisiensi dan otomatisasi. Penelitian ini bertujuan mengembangkan prototipe sistem parkir otomatis berbasis kamera Android dan mikrokontroler ESP32 yang mampu mendeteksi golongan kendaraan serta membaca pelat nomor secara real-time. Sistem ini menggunakan algoritma Convolutional Neural Network (CNN) dengan arsitektur YOLOv8n untuk deteksi objek serta PaddleOCR untuk pembacaan karakter pada pelat nomor kendaraan. Model dikonversi ke dalam format TensorFlow Lite agar dapat berjalan secara efisien pada perangkat Android. Hasil pengujian menunjukkan bahwa model deteksi kendaraan memiliki precision sebesar 87%, recall sebesar 100%, dan mAP@0.5 sebesar 99%, sedangkan model deteksi pelat nomor mencapai precision sebesar 98,56%, recall sebesar 94,19%, dan mAP@0.5 sebesar 98,45%. Meskipun tingkat akurasi yang tinggi berhasil dicapai, sistem masih menghadapi tantangan pada kondisi tertentu, seperti sudut kemiringan pelat nomor dan jarak objek terhadap kamera. Hasil evaluasi menunjukkan bahwa prototipe ini berhasil membuktikan konsep sistem parkir otomatis yang fungsional dan efisien. Namun, pengembangan lebih lanjut masih diperlukan untuk penerapan pada lingkungan nyata.
Prediksi Ketersediaan Buah Menggunakan Algoritma Decision Tree Maulana Arif Hidayat; Adi Rizky Pratama; Elsa Elvira Awal; Tatang Rohana
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 2 (2026): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

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

Abstract

Penelitian ini bertujuan menerapkan algoritma Decision Tree untuk memprediksi ketersediaan stok buah guna mendukung pengelolaan persediaan yang lebih efisien. Permasalahan dalam pengelolaan stok bukan terletak pada tidak tersedianya data penjualan, melainkan pada belum optimalnya pemanfaatan data yang telah dicatat. Data penjualan harian telah tersedia, tetapi belum dianalisis lebih lanjut untuk mengidentifikasi jenis buah yang paling banyak terjual. Kondisi tersebut menyulitkan penentuan prioritas stok secara akurat sehingga keputusan pengadaan masih cenderung bersifat subjektif dan berisiko menimbulkan penumpukan barang yang tidak terjual. Untuk mengatasi permasalahan tersebut, penelitian ini menggunakan data transaksi penjualan harian buah dari sebuah pasar di Kabupaten Karawang yang terdiri atas 1.207 entri selama periode Juni hingga Oktober 2024. Tahapan penelitian meliputi pengumpulan data, data preprocessing, pembangunan model Decision Tree, dan evaluasi kinerja model menggunakan Confusion Matrix. Hasil evaluasi menunjukkan bahwa model mampu mengklasifikasikan status stok buah (laku atau tidak laku) dengan akurasi sebesar 96%, precision sebesar 93%, recall sebesar 96%, dan F1-score sebesar 94%. Hasil tersebut menunjukkan bahwa algoritma Decision Tree efektif digunakan untuk mendukung pengambilan keputusan dalam memprediksi kebutuhan stok buah serta meminimalkan potensi kerugian akibat pengelolaan stok yang kurang tepat.
Identifikasi Faktor Penyebab Stres pada Manusia Menggunakan Algoritma Random Forest Muhammad Ihsan; Tatang Rohana; Hilda Yulia Novita; Sutan Faisal
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 2 (2026): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

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

Abstract

Stres merupakan salah satu permasalahan kesehatan mental yang semakin mendapat perhatian seiring meningkatnya berbagai tekanan dari lingkungan sosial dan keluarga. Penelitian ini bertujuan untuk mengidentifikasi faktor-faktor penyebab stres pada manusia menggunakan algoritma Random Forest. Data yang digunakan berasal dari dataset Kaggle yang berjumlah 1.100 data dan memuat berbagai faktor yang berkaitan dengan kondisi psikologis, kesehatan, dan lingkungan. Penelitian ini meliputi tahapan pengumpulan data, data preprocessing, penerapan algoritma Random Forest, serta evaluasi model. Hasil penelitian menunjukkan bahwa berdasarkan analisis feature importance, faktor yang paling berpengaruh terhadap tingkat stres adalah blood_pressure dengan kontribusi lebih dari 19%, diikuti oleh sleep_quality sebesar 11,05%, safety sebesar 10,29%, dan bullying sebesar 10,28%. Selain itu, model Random Forest mampu mengklasifikasikan tingkat stres (stres ringan, stres sedang, dan stres berat) dengan akurasi sebesar 87,7%. Berdasarkan hasil analisis tersebut, tekanan darah, kualitas tidur, rasa aman, dan pengalaman mengalami bullying merupakan faktor utama yang memengaruhi tingkat stres pada manusia. Hasil penelitian ini diharapkan dapat menjadi referensi dalam pemanfaatan machine learning untuk membantu upaya pencegahan dan penanganan stres secara lebih efektif.
Implementasi Model Convolutional Neural Network pada Voice Emotion Recognition untuk Evaluasi Respons Pelanggan Rai Tilosava De Araujo; Adi Rizky Pratama; Elsa Elvira Awal; Tatang Rohana
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 2 (2026): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

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

Abstract

Penelitian ini bertujuan untuk mengimplementasikan model Voice Emotion Recognition berbasis Convolutional Neural Network (CNN) guna mengevaluasi respons pelanggan melalui analisis emosi suara berbahasa Indonesia. Dataset yang digunakan adalah IndoWaveSentiment, yang terdiri atas 300 rekaman audio dengan lima kategori emosi, yaitu angry, happy, sad, surprised, dan neutral. Tahapan penelitian meliputi data preprocessing yang mencakup konversi menjadi audio mono, normalisasi, trimming, dan padding, dilanjutkan dengan augmentasi data serta ekstraksi fitur menggunakan Mel-Frequency Cepstral Coefficients (MFCC). Model Convolutional Neural Network kemudian dilatih menggunakan optimizer Adam dengan learning rate sebesar 0,001 selama 100 epoch. Hasil evaluasi menunjukkan bahwa model memperoleh akurasi sebesar 84%, dengan nilai rata-rata precision, recall, dan F1-score sebesar 0,84. Kinerja terbaik ditunjukkan pada kelas neutral dan sad, sedangkan beberapa kesalahan klasifikasi masih terjadi pada kelas angry dan happy. Secara keseluruhan, penelitian ini menunjukkan bahwa pendekatan Convolutional Neural Network efektif dalam mengenali emosi pelanggan melalui sinyal suara serta berpotensi mendukung pengembangan sistem layanan pelanggan yang lebih adaptif dan responsif terhadap kondisi emosional pengguna.
Pemodelan Prediksi Ekspor Kopi Indonesia Berbasis Algoritma Machine learning Hilda Yulia Novita; Tatang Rohana; Euis Nurlaelasari; Elsa Elvira Awal
Jurnal Media Informatika Vol. 6 No. 6 (2025): Edisi Desember 2025
Publisher : Lembaga Dongan Dosen

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55338/jumin.v6i6.7097

Abstract

Penelitian ini bertujuan untuk membangun model prediksi ekspor kopi di Indonesia dengan menggunakan tiga algoritma machine learning, yaitu regresi inier, neural networks, dan gradient boosting. Data yang digunakan berasal dari data historis ekspor kopi Indonesia. Penelitian dilakukan melalui tahapan pra-pemrosesan data, pemodelan, dan evaluasi kinerja masing-masing algoritma. Hasil penelitian menunjukkan bahwa ketiga algoritma mampu memprediksi ekspor kopi dengan performa yang cukup baik. Algoritma Linear Regression memberikan hasil terbaik dengan nilai mean squared error (MSE) sebesar 0.0000867, mean absolute error (MAE) sebesar 0.00766, dan skor R² sebesar 95%. neural networks menghasilkan MSE sebesar 0.000171, MAE sebesar 0.01196, dan skor R² sebesar 91%. Sementara itu, gradient boosting menunjukkan performa terendah dengan MSE sebesar 0.01918 dan skor R² sebesar 74%. Temuan ini menunjukkan bahwa pendekatan machine learning dapat digunakan sebagai alat bantu dalam memprediksi tren ekspor komoditas secara akurat.
Co-Authors Adi Rizky Pratama Aditya Zatnika Andika Putra Anis Fitri Nur Masruriyah Ayu Juwita Ayu Ratna Juwita Bayu Biantara Bintang Adhiyaksa Maulana Deden Wahiddin Dian Ayu Damayanti Dony Dwi Karyanto Dwi Kusumaningrum Elsa Elvira Awal Euis Nurlaelasari Fadzly Maulana Hidayat Haikal Fasiha Fayyadh Hilda Yulia Novita Indra, Jamaludin Kiki Baihaqi Kusnantoro Kusnantoro Lestari, Santi Arum Puspita Maulana Arif Hidayat Mudzakir, Tohirin Al Muhammad Arya Suhendi Muhammad Ihsan Priyatna, Bayu Rahmad Aditiya Rai Tilosava De Araujo Santi Lestari Setiyo Eko Budiyono Suningwar Mujiana Sutan Faisal Syamsul Ma’arif