Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal Sinergi JUITA : Jurnal Informatika
Idhawati Hestiningsih
Politeknik Negeri Semarang
Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
SISTEM INFORMASI RENSTRA DAN RENOP JURUSAN TEKNIK ELEKTRO POLITEKNIK NEGERI SEMARANG Alifia Choirunnisa; Mardiyono Mardiyono; Idhawati Hestiningsih
SINERGI Vol 20, No 3 (2016)
Publisher : Universitas Mercu Buana

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (745.354 KB) | DOI: 10.22441/sinergi.2016.3.003

Abstract

Setiap jurusan di Politeknik Negeri Semarang mempunyai Rencana Strategi (Renstra) dan Rencana Operasional (Renop) untuk mengelola dan memantau perkembangan jurusannya masing-masing. Salah satu jurusannya yaitu jurusan Teknik Elektro. Dalam pengelolaan data perencanaan strategi dan operasional jurusan Teknik Elektro masih dilakukan secara manual. Dengan memanfaatkan teknologi sistem informasi, Sistem Informasi Renstra dan Renop Jurusan Teknik Elektro Berbasis Web mengubah sistem pengelolaan dari manual menjadi berbasis teknologi sistem informasi yang lebih efisien dan efektif. Tujuan dari pembuatan sistem informasi ini adalah untuk menghasilkan sebuah Sistem Informasi Renstra dan Renop Jurusan Teknik Elektro Berbasis Web serta membantu dan memberikan kemudahan dalam pengelolaan informasi Renstra dan Renop. Metode yang digunakan dalam penelitian ini adalah metodologi waterfall, dimana dalam metodologi ini setiap langkah penelitian dilakukan secara berurutan, mulai dari tahapan Analisis Kebutuhan, Desain Sistem, Implementasi dan Pengujian Unit, Integrasi dan Pengujian Sistem, serta Operasi dan Pemeliharaan. Perancangan sistem menggunakan model Data Flow Diagram (DFD). Pembangunan sistem menggunakan bahasa pemrograman PHP dan framework codeigniter serta database MySQL. Pengujian sistem menggunakan metode pengujian setiap unit fungsi dari masing-masing fitur. Hasil dari penelitian ini yaitu sebuah sistem informasi yang dapat membantu ketua jurusan, sekretaris jurusan, maupun ketua program studi dalam mengelola Renstra dan Renop. Sistem ini telah di uji coba dengan hasil tingkat kepuasan pengguna sebesar 81,2%. 
Performance Evaluation of Pre-Trained Convolutional Neural Network Model for Skin Disease Classification Afandi Nur Aziz Thohari; Liliek Triyono; Idhawati Hestiningsih; Budi Suyanto; Amran Yobioktobera
JUITA : Jurnal Informatika JUITA Vol. 10 No. 1, May 2022
Publisher : Department of Informatics Engineering, Universitas Muhammadiyah Purwokerto

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (892.535 KB) | DOI: 10.30595/juita.v10i1.12041

Abstract

Indonesia is a tropical country that has various skin diseases. Tinea versicolor, ringworm, and scabies are the most common types of skin diseases suffered by the people of Indonesia. The classification of the three skin diseases can be automatically completed by artificial intelligence and deep learning technology because the classification process using an expert will require a lot of money and time. The challenge in classifying skin diseases is in the process of collecting data. Because health data cannot be obtained freely, there must be approval from the patient or hospital. Therefore, to overcome the limited amount of data, Pre-Trained CNN is used. The Pre-Trained CNN model has many patterns from thousands of images, so we do not need many images to train the model. In this study, a comparison of five pre-trained CNN models was conducted, namely VGGNet16, MobileNetV2, InceptionResNetV2, ResNet152V2, and DenseNet201. The aim is to find out which CNN model can produce the best performance in classifying skin diseases with a limited amount of image data. The test results show that the ResNet152V2 model has the best classification ability with the highest accuracy, precision, recall, and F1 score values, namely 95.84%, 0.963, 0.96, and 0.956. As for the training execution time, the ResNet152V2 model has the fastest time to achieve 95% accuracy. That's happened because the addition of the dropout parameter is 20%.
Co-Authors Afandi Nur Aziz Thohari Alifia Choirunnisa Amran Yobioktobera Budi Suyanto Liliek Triyono Mardiyono Mardiyono