Article Per Year (5 Year)
p-Index From 2021 - 2026
3.208
P-Index
This Author published in this journals
All Journal Jurnal Informatika Universitas Pamulang Journal of Artificial Intelligence and Innovative Applications (JOAIIA) JAMAIKA: Jurnal Abdi Masyarakat KOMMAS: Jurnal Pengabdian Kepada Masyarakat Journal of Scientech Research and Development Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) J-ABDIPAMAS (Jurnal Pengabdian Kepada Masyarakat) Indonesian Journal of Multidisciplinary on Social and Technology OKTAL : Jurnal Ilmu Komputer dan Sains Jurnal Repositor Teknik: Jurnal Teknik Mesin, Elektro dan Ilmu Komputer
Devi Yunita
Universitas Pamulang
Humanities Astronomy Chemistry Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Social Sciences

Published : 23 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 23 Documents
Search

 1   2   3 
Pendekatan Deep Learning Menggunakan YoloV8 untuk Identifikasi Jenis Buah Apel pada Citra Digital Devi Yunita; Maulana Fansyuri; Resti Amalia; Bayu Dwi Putra
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 5 No. 2 (2026): September 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v5i2.1571

Abstract

Proses identifikasi jenis buah apel yang dilakukan secara manual memiliki sejumlah keterbatasan, seperti adanya subjektivitas dalam penilaian, waktu pemrosesan yang relatif lama, serta kemungkinan terjadinya ketidakkonsistenan hasil, khususnya ketika jumlah citra yang dianalisis cukup banyak. Kondisi tersebut mendorong perlunya pengembangan sistem otomatis yang dapat melakukan proses identifikasi secara cepat, akurat, dan konsisten. Penelitian ini bertujuan untuk mengembangkan sistem identifikasi jenis buah apel dengan menerapkan pendekatan deep learning menggunakan algoritma YOLOv8 serta mengukur akurasi dan kinerja model dalam mengatasi keterbatasan proses identifikasi secara manual. Penelitian menggunakan pendekatan kuantitatif dengan metode eksperimen. Dataset yang digunakan terdiri atas 300 citra digital buah apel yang terbagi ke dalam enam kelas, yaitu Apel Braeburn, Royal Gala, Washington, Golden Apple, Granny Smith, dan Pink Lady. Setiap kelas terdiri dari 50 citra. Dataset selanjutnya dibagi menjadi 70% data training, 20% data validation, dan 10% data testing. Tahapan penelitian meliputi pengumpulan dataset, proses anotasi citra, pembagian dataset, pelatihan model, dan pengujian menggunakan YOLOv8. Model dilatih untuk melakukan deteksi sekaligus klasifikasi jenis objek apel pada citra dalam satu proses. Kinerja model dievaluasi berdasarkan nilai precision, recall, dan mean Average Precision (mAP). Hasil pengujian menunjukkan bahwa model YOLOv8 yang dikembangkan mampu menghasilkan performa yang baik dengan nilai precision sebesar 0,91, recall sebesar 0,88, dan mAP@0.5 sebesar 0,90. Nilai tersebut menunjukkan kemampuan model dalam menghasilkan deteksi yang tepat sekaligus mengenali sebagian besar objek apel yang terdapat pada citra. Penerapan YOLOv8 juga memberikan efisiensi dalam proses identifikasi karena tahapan deteksi dan klasifikasi dapat dilakukan secara bersamaan. Meskipun demikian, beberapa kesalahan klasifikasi masih ditemukan, terutama pada objek dengan karakteristik visual yang serupa dan citra dengan kondisi pencahayaan yang kurang optimal. Berdasarkan hasil tersebut, dapat disimpulkan bahwa penerapan deep learning menggunakan YOLOv8 memiliki kinerja yang baik dan berpotensi digunakan sebagai solusi otomatis untuk identifikasi jenis buah apel berbasis citra digital. Hasil penelitian ini dapat menjadi landasan bagi pengembangan sistem identifikasi yang lebih akurat dan optimal pada penelitian selanjutnya.
PENERAPAN FUZZY INFERENCE SYSTEM (FIS) DENGAN METODE MAMDANI UNTUK MENENTUKAN JUMLAH PRODUKSI BERDASARKAN DATA PERSEDIAAN DAN PERMINTAAN BERBASIS WEB DI BUMI INDAH GYPSUM SKRIPSI Sogi Efriansyah; Devi Yunita
Journal of Scientech Research and Development Vol 8 No 1 (2026): JSRD, June 2026
Publisher : Ikatan Dosen Menulis

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56670/jsrd.v8i1.1649

Abstract

Bumi Indah Gypsum merupakan usaha yang bergerak di bidang produksi lis gypsum. Dalam proses produksinya, perusahaan mengalami kesulitan dalam menentukan jumlah produksi yang tepat akibat fluktuasi permintaan pelanggan. Penentuan jumlah produksi yang masih dilakukan secara manual menyebabkan ketidaksesuaian antara jumlah produksi dengan kebutuhan, sehingga dapat menimbulkan kelebihan atau kekurangan stok. Penelitian ini bertujuan untuk merancang dan membangun sistem informasi berbasis web yang dapat membantu menentukan jumlah produksi menggunakan metode Fuzzy Inference System (FIS) dengan metode Mamdani. Sistem ini menggunakan variabel input berupa data persediaan dan permintaan sebagai dasar dalam proses perhitungan. Metode penelitian yang digunakan adalah pendekatan kuantitatif dengan teknik pengumpulan data melalui observasi, wawancara, dan studi literatur. Tahapan metode Mamdani meliputi fuzzifikasi, pembentukan aturan (rule base), inferensi, dan defuzzifikasi untuk menghasilkan rekomendasi jumlah produksi. Hasil penelitian menunjukkan bahwa sistem yang dibangun dapat membantu dalam pengambilan keputusan jumlah produksi berdasarkan kondisi persediaan dan permintaan, sehingga dapat mengurangi risiko kelebihan maupun kekurangan stok.
ANALISIS KINERJA ALGORITMA LOGISTIC REGRESSION DALAM KLASIFIKASI CITRA WAJAH BERDASARKAN FITUR CITRA WARNA DAN BENTUK Devi Yunita; Maulana Fansyuri
Jurnal Teknik Mesin, Elektro dan Ilmu Komputer Vol. 5 No. 2 (2025): Juli : Jurnal Teknik Mesin, Elektro dan Ilmu Komputer
Publisher : Lembaga Pengembangan Kinerja Dosen

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55606/teknik.v5i2.7200

Abstract

This study analyzes the performance of the Logistic Regression algorithm in facial image classification using a combination of color and shape features. These features are used to extract key information to distinguish individuals. Logistic Regression was chosen for its simplicity and ability to produce probabilities, despite the availability of more complex algorithms. The dataset includes variations in facial expressions and lighting conditions. The results show that combining color and shape features improves classification accuracy to 80%, with a recall of 88% and a precision of 75.86%. However, the algorithm shows limitations when dealing with high-complexity data. This study contributes to the development of more efficient facial recognition systems and offers insights into the strengths and limitations of Logistic Regression in image classification tasks.
Co-Authors angga ramdani Arjuna Mardika Maulana Bayu Dwi Putra Effendy Candra Sasmoro Hanif Maulana Ar Rasyid Ines Heidiani Ikasari Intan Kumala Sari Iqbal Maulana Akbar Irpan Kusyadi Khalid Saefullah Khoirunissya Khoirunissya Khoirunnisya Khoirunnisya Koirunnisya Koirunnisya Maulana Fansyuri Muhammad Faqih Alharits Muhammad Rosdiana Nasution, Ali Napiah Nurul Tri Sukma Aji Perani Rosyani Ramdoni Resti Amalia Restu Ramadhan Shelvi Eka T Shelvi Eka Tassia Sogi Efriansyah Sufriyah Umar Ibrahim