Article Per Year (5 Year)
p-Index From 2021 - 2026
1.376
P-Index
This Author published in this journals
All Journal JUITA : Jurnal Informatika Jurnal Informatika dan Rekayasa Perangkat Lunak Journal of Engineering, Computer Science and Information Technology (JECSIT) Jurnal Media Borneo Jurnal Media Celebes Journal of Artificial Intelligence and Technology Information
Muhammad Pajar Kharisma Putra
Universitas Teknokrat Indonesia
Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Engineering Library & Information Science

Published : 7 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 7 Documents
Search

 1 
Corn Disease Classification Using Transfer Learning and Convolutional Neural Network Faisal Dharma Adhinata; Gita Fadila Fitriana; Aditya Wijayanto; Muhammad Pajar Kharisma Putra
JUITA : Jurnal Informatika JUITA Vol. 9 No. 2, November 2021
Publisher : Department of Informatics Engineering, Universitas Muhammadiyah Purwokerto

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1076.489 KB) | DOI: 10.30595/juita.v9i2.11686

Abstract

Indonesia is an agricultural country with abundant agricultural products. One of the crops used as a staple food for Indonesians is corn. This corn plant must be protected from diseases so that the quality of corn harvest can be optimal. Early detection of disease in corn plants is needed so that farmers can provide treatment quickly and precisely. Previous research used machine learning techniques to solve this problem. The results of the previous research were not optimal because the amount of data used was slightly and less varied. Therefore, we propose a technique that can process lots and varied data, hoping that the resulting system is more accurate than the previous research. This research uses transfer learning techniques as feature extraction combined with Convolutional Neural Network as a classification. We analysed the combination of DenseNet201 with a Flatten or Global Average Pooling layer. The experimental results show that the accuracy produced by the combination of DenseNet201 with the Global Average Pooling layer is better than DenseNet201 with Flatten layer. The accuracy obtained is 93% which proves the proposed system is more accurate than previous studies.
Rancang Bangun Sistem Informasi Pengelolaan Data Alumni Di SMA Negeri 1 Gedong Tataan Fatriade Saputra; Muhammad Pajar Kharisma Putra; Auliya Rahman Isnain
Jurnal Informatika dan Rekayasa Perangkat Lunak Vol 4, No 1 (2023): Volume 4 Nomor 1 Maret 2023
Publisher : Universitas Teknokrat Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33365/jatika.v4i1.2466

Abstract

SMA Negeri 1 Gedong Tataan, merupakan salah satu sekolah menengah atas yang ada di Provinsi Lampung. Pengolahan data di SMA Negeri 1 Gedong Tataan masih menggunakan cara yang konvensional seperti menulis di buku besar serta menggunakan aplikasi microsoft excel, walaupun telah dilakukan secara terkomputerisasi tetapi terdapat kendala yaitu file-file yang tersimpan pada komputer tentang alumni belum tertata dengan baik dan data yang tersedia pada file-file hanya menyajikan data lulusan dalam bentuk berita acara dan data usulan ijazah. Terdapat masalah lain pada sistem yang berjalan yaitu pihak sekolah kesulitan melacak identitas alumni yang telah bekerja, menikah, atau melanjutkan pendidikan, serta pihak sekolah kesulitan dalam memberikan informasi lowongan pekerjaan, perguruan tinggi dan data-data alumni kepada alumni SMA Negeri 1 Gedong Tataan. Metode pengembangan sistem menggunakan metode Prototype dan perancangan sistem menggunakan UML. Agar penelitian ini tidak bersifat subjectif maka penulis juga menggunakan metode penelitian berupa pengamatan, tinjauan pustaka, dokumentasi. Penelitian ini menggunakan pengujian black box. Hasil yang dicapai adalah sebuah sistem informasi yang dapat mengelola atau pencarian data alumni secara online untuk mendata dan mengelola informasi data alumni pada SMA Negeri 1 Gedong Tataan. Sistem yang akan dibangun akan menyampaikan informasi data alumni siswa guna kebutuhan seperti data informasi dan nilai UN alumni yang akan ditampilkan secara grafik.
Deteksi Bola Multipola Memanfaatkan Ekstraksi Fitur Local Binary Pattern dengan Algoritma Learning Adaboost Muhammad Pajar Kharisma Putra
Journal of Engineering, Computer Science and Information Technology (JECSIT) Vol 2, No 1 (2022): Volume 2 Nomor 1, April 2022
Publisher : Universitas Teknokrat Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (342.582 KB) | DOI: 10.33365/jecsit.v1i1.1

Abstract

Kontes Robot Sepakbola Indonesia 2017 yang mengacu  pada  rule  robocup  2016  mengalami peningkatan tantangan yang signifikan. Berbeda dengan tahun sebelumnya yang menggunakan bola tenis berwarna orange, tahun 2017 menggunakan bola standar FIFA 1 berdiameter 13 cm dengan warna 50% putih dan sisanya acak serta pola yang beragam. Sedangkan lapangan menggunakan rumput sintetis dengan ketebalan 2 cm dan gawang berwarna putih.. Banyaknya objek di lapangan yang memiliki warna serupa dengan bola membuat metode deteksi sebelumnya yang berbasis warna sudah tidak bisa lagi digunakan Begitupun dengan deteksi berbasis bentuk seperti transformasi hough, akan sulit dilakukan karena kondisi bola yang benar – benar bulat akan jarang ditemui saat pertandingan. Karena itu digunakanlah metode learning untuk melakukan deteksi bola. Metode ini dinilai efektif untuk mengenali pola bola yang beragam. Dari hasil pengujian, kondisi eksternal robot didapat melalui sensor passive berupa digital kamera PS Eye dan di otaki oleh komputer dengan processor Intel Cherry Trail yang bekerja pada clock 1.8 GHz, didapat bahwa strategi yang diajukan dapat melokalisasi bola sekaligus mengeliminasi noise dalam waktu 30 ms, sehingga robot masih dapat merespon perubahan kondisi lingkungan secara real-time.
Implementasi Deep Leraning Lenet Dengan Augmentasi Data Pada Identifikasi Anggrek Fachrul Rizki; Muhammad Pajar Kharisma Putra; Maulana Aziz Assuja; Fenty Ariany
Jurnal Informatika dan Rekayasa Perangkat Lunak Vol 4, No 3 (2023): Volume 4 Nomor 3 September 2023
Publisher : Universitas Teknokrat Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33365/jatika.v4i3.3652

Abstract

Abstrak: Indonesia merupakan salah satu negara dengan tingkat keanekaragaman hayati yang tinggi, salah satu keanekaragamaan hayati di Indonesia dengan memiliki spesies anggrek yang berjumlah 5.000 spesies dari 25.000 spesies anggrek yang ada didunia. Anggrek merupakan bagian dari kehidupan alam yang wajib kita rawat dan jaga untuk mempertahankan kelestariannya. Anggrek ini memiliki warna dan bentuk yang sangat menarik dan berbeda – beda pada setiap jenis anggreknya. Keanekaragaman anggrek ini cukup sulit untuk dikenali jika hanya melihat dari warna dan bentuknya saja. Penelitian ini memanfaatkan teknologi deep learning yang merupakan model jaringan syaraf tiruan yang sudah tersebar luas dan dikembangkan dalam pengenalan citra digital. Deep learning dapat digunakan sebagai teknologi dalam mengatasi permasalahan identifikasi spesies anggrek. Penilitian ini bertujuan untuk melihat nilai accuracy pelatihan model deep learning pada arsitektur LeNet menggunakan teknik augmentasi pada identifikasi anggrek. Dataset yang digunakan sebanyak 1600 citra kemudian dilakukan augmentasi pada dataset sehingga data menjadi 3200 citra. Tools yang digunakan pada proses pelatihan data adalah Google Colab. Hasil dari penelitian menunjukkan nilai akurasi pada LeNet yang menggunakan augmentasi rotate mencapai tingkat akurasi 81,88%.Kata Kunci: Anggrek; Deep Learning; LeNet; Augmentasi Data;
Implementasi Recurrent Neural Network Pada Multiclass Text Classification Judul Berita Bagus Bramantyo; Muhammad Pajar Kharisma Putra; Nirwana Hendrastuty
Jurnal Media Borneo Vol. 1 No. 1 (2023): Volume 1 Number 1 Agustus 2023
Publisher : CV. Keranjang Teknologi Media

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58602/mediaborneo.v1i1.6

Abstract

Currently, obtaining information has become easier with the advent of internet technology. Online news portals provide on-demand access to desired information. However, the abundance of news content can make it difficult to find specific articles due to manual categorization errors. This research focuses on evaluating the performance of the Deep Learning method using a Recurrent Neural Network (RNN) for multi-classification tasks on news headlines related to Economics, Health, Sports, and Politics. Training and testing data were collected from news portals using Web Scraping, followed by Text Preprocessing stages such as case folding, tokenization, stopwords removal, and stemming. TF-IDF was then used for feature extraction to assign weights to each word. Testing the model's performance using the Confusion Matrix showed an accuracy of 97%, indicating that the RNN method effectively handles news headline classification and can be applied in news classification systems.
Implementasi Convolutional Neural Network dengan Arsitektur Alexnet Untuk Klasifikasi Penyakit Kulit Andi Kurniawan; Muhammad Pajar Kharisma Putra; Debby Alita
Jurnal Media Celebes Vol. 1 No. 2 (2024): Volume 1 Number 2 January 2024
Publisher : CV. Keranjang Teknologi Media

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58602/mediacelebes.v1i2.42

Abstract

Penyakit kulit ialah kelainan pada kulit yang disebabkan karena adanya jamur, kuman, parasit, virus maupun infeksi yang dapat menyerang siapa saja dan kapan saja. Pendeteksian penyakit kulit sejak dini dapat mempercepat pengobatan untuk mencegah penularan ke wilayah yang lebih luas. Pentingnya deteksi dini penyakit kulit memungkinkan orang yang terinfeksi untuk segera memulai pengobatan yang tepat. Penelitian ini dilakukan untuk melakukan pengujian performa dari algoritma CNN untuk mengetahui seberapa efektif algoritma CNN dalam melakukan klasifikasi penyakit kulit. Objek yang digunakan dalam penelitian ini berjumlah 1200 data penyakit kulit yang terdiri dari tiga class yaitu penyakit kulit scabies, melanoma, dan juga nevus dengan perbandingan 80% digunakan sebagai data latih dan 20% sebagai data uji. Sebelum di lakukan pengolahan data, dilakukan terlebih dahulu proses data preprocessing yang bertujuan untuk mempersiapkan data sebelum proses pelatihan model. Data akan diolah menggunakan metode Convolutional Neural Network (CNN) arsitektur Alexnet untuk melakukan tugas klasifikasi. Hasil dari pengujian kinerja model menggunakan metode Confusion Matrix diperoleh nilai akurasi mencapai 81%, sehingga metode CNN dengan arsitektur AlexNet dapat digunakan untuk tugas klasifikasi penyakit kulit dengan cukup baik.
Klasifikasi Multikelas pada Teks Judul Berita Menggunakan Algoritma Recurrent Neural Network Bagus Bramantyo; Muhammad Pajar Kharisma Putra; Nirwana Hendrastuty
Journal of Artificial Intelligence and Technology Information (JAITI) Vol. 3 No. 1 (2025): Volume 3 Number 1 March 2025
Publisher : PT. Tech Cart Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58602/jaiti.v3i1.197

Abstract

Saat ini, informasi dapat dengan mudah diperoleh melalui internet, salah satunya melalui platform portal berita online yang memberikan akses informasi sesuai permintaan. Namun terkadang kita kesulitan menemukan konten berita yang diinginkan karena jumlahnya yang sangat banyak. Hal ini terjadi karena proses pengkategorian konten berita secara manual oleh author, yang bisa menyebabkan kesalahan seperti topik berita yang tercampur. Penelitian ini bertujuan untuk mengetahui kinerja metode Deep Learning menggunakan Recurrent Neural Network (RNN) dalam tugas multiklasifikasi pada judul berita dengan topik Ekonomi, Kesehatan, Olahraga, dan Politik. Judul berita untuk data latih dan uji diperoleh menggunakan Web Scraping dan setelah itu melalui tahap Text Preprocessing yang meliputi case folding, tokenization, stopwords removal, dan stemming. Selanjutnya, dilakukan ekstraksi fitur menggunakan TF-IDF untuk memberikan bobot pada setiap kata. Hasil pengujian kinerja model menggunakan Confusion Matrix menunjukkan akurasi mencapai 97%, sehingga metode RNN dapat digunakan dengan baik dalam tugas multiklasifikasi pada judul berita dan dapat diaplikasikan pada sistem pengklasifikasian judul berita.
Co-Authors Aditya Wijayanto Alita, Debby Andi Kurniawan Bagus Bramantyo Fachrul Rizki Faisal Dharma Adhinata Fatriade Saputra Fenty ariany GITA FADILA FITRIANA Isnain, Auliya Rahman Maulana Aziz Assuja Nirwana Hendrastuty