Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : JUSTIN (Jurnal Sistem dan Teknologi Informasi)

Metode CBIR Untuk Memprediksi Kualitas Kakao Menggunakan Fitur Warna irianto, suhendro yusuf; Roffi, Ahmad; Karnila, Sri; Yuliawati, Dona
JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol 9, No 2 (2021)
Publisher : Jurusan Informatika Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (677.971 KB) | DOI: 10.26418/justin.v9i2.44263

Abstract

Tingkat persaingan yang tinggi dalam dunia usaha agroindustri yang salah satunya industri hulu coklat, membuat Indonesia dituntut untuk selalu menjaga dan meningkatkan kualitas produknya. Penurunan kualitas produk olahan kakao dapat menjadi penyebab rendahnya daya saing kakao nasional terhadap produksi serupa dari negara tetangga penghasil kakao seperti Malaysia. Negara tersebut  giat meningkatkan produksi agroindustrinya terutama produk kakao. Untuk itu dalam upaya meningkatkan kualitas produksi coklat Nasional, pemerintah melalui Badan Standardisasi Nasional Indonesia (BSN) telah menetapkan standar ukuran yang harus dipenuhi agar biji kakao layak pakai dan dapat bersaing dengan produk dari negara lain dan di pasar dunia. Kesulitan yang sekarang masih sering dihadapi adalah kurangnya ke-akuratan dalam menentukanm kualitas biji coklat (cocoa bean). Dalam penelitian ini digunakan metode Content based Image Retrieval (CBIR) untuk menentukan kualitas kako atau coklat. Sekitar 1.000 citra digital coklat digunakan dan dikumpulkan dari perkebunan petani kakao Perusahan Perkebunan Nusanatara PTP II di propinsi Lampung. Hasil riset  menunjukkan bahwa akurasi rata-rata dalam menentuak kualitas  N-AA adalah sebesar 0.98, sedangkan untuk kualitas AA menunjukkan efisiensi akurasi 0.97. Algoritma kami juga menunjukkan waktu yang cukup lumayan dalam pemrosesan pengambilan 1.000 gambar biji kakao yaitu 10,2 detik.
Diabetes Mellitus Disease Prediction using Machine Learning Algorithms Safitri, Egi; Rofianto, Dani; Purwati, Neni; Kurniawan, Hendra; Karnila, Sri
JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol 12, No 4 (2024)
Publisher : Jurusan Informatika Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/justin.v12i4.84620

Abstract

Diabetes mellitus is a chronic disease with a rapidly increasing global prevalence, affecting around 422 million people, predominantly in low- and middle-income countries. Effective management of diabetes requires early detection and timely intervention. This study aims to develop an accurate predictive model for diabetes mellitus using three machine learning algorithms: Random Forest, Logistic Regression, and Decision Tree. The Pima Indians Diabetes dataset, comprising 768 patient records with various health indicators, was utilized for model training and evaluation. Exploratory data analysis revealed significant correlations between glucose levels, BMI, age, and diabetes risk. The dataset was split into 80% training and 20% testing sets. Models were validated using cross-validation and evaluated based on accuracy, precision, recall, and F1-score. Results indicated that Logistic Regression achieved the highest accuracy (75%) and balanced performance in identifying both positive and negative cases. Decision Tree excelled in recall, while Random Forest showed a slightly lower balance between precision and recall. The ROC curve analysis demonstrated that Random Forest had the highest AUC (0.82), followed by Logistic Regression (0.81) and Decision Tree (0.73). This study confirms that machine learning algorithms can effectively predict diabetes, providing valuable tools for early detection and intervention, ultimately reducing the global burden of diabetes mellitus.