Article Per Year (5 Year)
p-Index From 2021 - 2026
3.312
P-Index
This Author published in this journals
All Journal Bianglala Informatika : Jurnal Komputer dan Informatika Akademi Bina Sarana Informatika Yogyakarta Jurnal Sisfokom (Sistem Informasi dan Komputer) RESEARCH : Computer, Information System & Technology Management Buletin Ilmiah Sarjana Teknik Elektro Indonesian Journal of Networking and Security - IJNS SPEED - Sentra Penelitian Engineering dan Edukasi Kontribusi: Jurnal Penelitian dan Pengabdian Kepada Masyarakat Joutica : Journal of Informatic Unisla Nusantara of Engineering (NOE) Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi)
Made Ayu Dusea Widyadara - Universitas Nusantara Kediri, Made Ayu Dusea Widyadara
Teknik Informatika, Fakultas Teknik, Universitas Nusantara PGRI Kediri
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Energy Engineering Health Professions Industrial & Manufacturing Engineering Law, Crime, Criminology & Criminal Justice Library & Information Science Mathematics Mechanical Engineering Transportation

Published : 30 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 30 Documents
Search

 1   2   3 
Analisis dan Implementasi Algoritma K-Means Untuk Mengelompokkan Anak Tunagrahita Berdasarkan Hasil Nilai Pembelajaran Alfian, Ahmad Ade; Farida, Intan Nur; Widyadara, Made Ayu Dusea
Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi) Vol. 7 No. 2 (2023): PROSIDING SEMINAR NASIONAL INOVASI TEKNOLOGI TAHUN 2023
Publisher : Universitas Nusantara PGRI Kediri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29407/inotek.v7i2.3515

Abstract

Anak tunagrahita adalah anak berkebutuhan khusus dengan kemampuan kurang serta memiliki hambatan dalam proses tumbuh kembang. Saat ini penempatan anak tunagrahita ke dalam kelas atau kelompok belajar dilakukan secara observasi berdasarkan nilai IQ dan nilai akademik yang diperoleh. Oleh karena itu untuk membantu pihak sekolah dalam mengatasi kesulitan dalam menentukan kelompok belajar secara keseluruhan. Dalam penelitian ini, peneliti menggunakan metode k-means clustering untuk mengelompokkan anak tunagrahita berdasarkan nilai pembelajaran selama satu semester ke dalam kategori ringan, sedang, dan berat. Pada hasil evaluasi menggunakan perhitungan DBI menunjukkan hasil yang baik dengan nilai 0,73 berdasarkan pengujian menggunakan 30 data siswa tunagrahita.
Implementasi Algoritma Naïve Bayes Dalam Menentukan Diagnosa Tingkat Depresi Mahasiswa Akhir Terhadap Pengerjaan Skripsi Wisnugraha, Wahyu Surya; Farida, Intan Nur; Widyadara, Made Ayu Dusea
Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi) Vol. 7 No. 2 (2023): PROSIDING SEMINAR NASIONAL INOVASI TEKNOLOGI TAHUN 2023
Publisher : Universitas Nusantara PGRI Kediri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29407/inotek.v7i2.3517

Abstract

Menurut penelitian Sukandar dkk pada tahun 2019, mengatakan bahwa kenaikan tingkat depresi membuat meningginya kasus bunuh diri setiap tahunnya. Penanganan yang salah terhadap penyakit depresi membuat tingginya masalah depresi yang tidak teratasi. Terlebih lagi, Mahasiswa yang sedang mengerjakan Skripsi pun menyumbangkan masalah depresi yang tinggi ditambah hampir semua mahasiswa beranggapan bahwa konsultasi ke psikolog membutuhkan biaya yang banyak sehingga banyak para mahasiswa mengesampingkan kesehatan mental mereka. Dalam masalah tersebut, penelitian ini membuat sebuah sistem diagnosa awal untuk mendeteksi secara dini tingkat depresi. Sehingga para mahasiswa dapat mengetahui tingkat depresinya sedari dini dan memberi informasi penanganannya. Penelitian ini menggunakan algoritma Naïve Bayes sebagai algoritma penghitungannya, dimana algoritma ini menghitung semua probabilitas setiap parameternya. Sumber data penelitiannya adalah melalui wawancara dan kuesioner untuk mendapatkan data trainingnya. Tujuan penelitian ini adalah merancang sebuah aplikasi diagnosa sebagai tolak ukur dini tingkat depresi. Didapatkan hasil diagnosa dengan 34 responden dengan keakuratan mencapai 85% sehingga dapat membantu penanganan lebih awal terhadap kondisi kesehatan mental mahasiswa.
Penerapan Metode KNN Untuk Mendeteksi Hama dan Penyakit Pada Tanaman Mangga Efendi, Ahmad Rizal; Farida, Intan Nur; Dara, Made Ayu Dusea Widya
Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi) Vol. 7 No. 2 (2023): PROSIDING SEMINAR NASIONAL INOVASI TEKNOLOGI TAHUN 2023
Publisher : Universitas Nusantara PGRI Kediri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29407/inotek.v7i2.3521

Abstract

Mangga merupakan tanaman yang banyak di tanaman di Indonesia dikarenakan selain mudah ditanam, buah mangga juga mengandung banyak kandungan vitamin A, C, dan E serta kalsium, zat besi, folat, dan vitamin B6. Segala jenis tanaman pasti terdapat hama dan penyakit yang menyerang, tidak terkecuali pada tanaman mangga yang meyebabkan petani mangga mengalami kerugian karena tanamanya rusak atau gagal panen. Untuk membatasi potensi kerugian, sangat penting untuk mengidentifikasi hama dan penyakit pada pohon mangga sesegera mungkin. Oleh karena itu, peneliti membuat aplikasi yang bertujuan untuk memudahkan petani dalam mendeteksi hama dan penyakit mangga menggunakan metode KNN (K-Nearest Neighbor). K-Nearest Neighbor adalah metode pencarian kasus yang menggabungkan kasus baru dengan kasus lama berdasarkan pembocoran bobot dari sejumlah fitur yang ada. Pada evaluasi penelitian ini menunjukkan hasil yang optimal dengan akurasi 87,5% berdasarkan pengujian menggunakan 32 data aktual dari pakar.
Implementasi Metode CNN Pada Aplikasi Android Untuk Deteksi Penyakit Pada Daun Padi Julianto, Bagas; Farida, Intan Nur; Dara, Made Ayu Dusea Widya
Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi) Vol. 7 No. 2 (2023): PROSIDING SEMINAR NASIONAL INOVASI TEKNOLOGI TAHUN 2023
Publisher : Universitas Nusantara PGRI Kediri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29407/inotek.v7i2.3522

Abstract

Padi adalah komoditas pangan yang esensial didalam perekonomian indonesia, oleh karena itu ketersediaannya harus dipastikan untuk memenuhi kebutuhan pangan masyarakat, namun padi juga tidak luput dari serangan penyakit, adapun jenis penyakit daun padi yang diteliti: hawar daun, blast, bercak daun, hispa. Diperlukan sistem guna mengidentifikasi penyakit tersebut dengan menerapkan metode cnn, metode cnn digunakan untuk memprediksi penyakit yang menyerang daun padi dengan menggunakan 1200 citra dan rasio data training dan validate 90%:10% menerapkan parameter optimizer adam, learning rate 0,0001, jumlah epoch 100, batch size 32, dan tahapan pre-processing berupa normalisasi data dan augmentasi dan didapatkan hasil akurasi training sebesar 80% dan testing sebesar 87%.
Deteksi Penyakit Daun Mangga Menggunakan Convolutional Neural Network Untuk Analisis Komperasi Arsitektur VGG16, Xception Ardiansyah, Ryo; Widyadara, Made Ayu Dusea; Mahdiyah, Umi
Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi) Vol. 9 No. 3 (2025): Prosiding Seminar Nasional Inovasi Teknologi Tahun 2025
Publisher : Universitas Nusantara PGRI Kediri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29407/bv3y4028

Abstract

Deteksi penyakit pada daun mangga merupakan tantangan penting dalam sektor pertanian Indonesia karena memengaruhi kualitas dan kuantitas hasil panen. Penelitian ini mengembangkan sistem klasifikasi citra penyakit daun mangga menggunakan arsitektur CNN VGG16 dan Xception. Dataset terdiri dari dua dataset berbeda yang pertama terdiri dari dua kelas yaitu kelas sehat dan sakit, dataset kedua memiliki tiga kelas yaitu Jamur Jelangga, Klorosis, dan Sehat. Teknik augmentasi data dan optimizer Adam digunakan untuk meningkatkan performa model. Evaluasi dilakukan dengan Confusion Matrix serta metrik presisi, recall, dan F1-score. Hasil menunjukkan bahwa VGG16 konsisten memberikan performa terbaik, dengan akurasi hingga 100% pada skenario dua kelas, dan 99% pada skenario tiga kelas. Arsitektur CNN, khususnya VGG16, terbukti efektif dan konsisten dalam mengklasifikasikan penyakit daun mangga berbasis citra digital.
Implementasi Metode Faster R-CNN Untuk Deteksi Penyakit Tanaman Mentimun Melalui Citra Daun Mahendra, Rizqi Maulana; Widyadara, Made Ayu Dusea; Swanjaya, Daniel
Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi) Vol. 9 No. 1 (2025): Prosiding Seminar Nasional Inovasi Teknologi Tahun 2025
Publisher : Universitas Nusantara PGRI Kediri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29407/nqms7824

Abstract

Mentimun (Cucumis Sativus) merupakan salah satu tanaman hortikultura penting di Indonesia dengan nilai ekonomi tinggi, namun rentan terhadap serangan hama dan penyakit yang dapat menurunkan kualitas dan kuantitas hasil panen. Penelitian ini bertujuan untuk menerapkan metode Faster R-CNN dan arsitektur ResNet50 dalam mendeteksi penyakit pada tanaman mentimun. Alur proses penelitian ini terdiri dari pengumpulan dataset, preprocessing data, pelatihan, dan evaluasi. Dataset yang digunakan berjumlah 799 citra daun mentimun, yang terdiri dari lima kelas: Fresh Leaf, Anthracnose, Bacterial Wilt, Downy Mildew, dan Gummy Stem Blight. Pelatihan model menggunakan K-Fold Cross Validation sebanyak 5 fold (K=5) dengan optimizer SGD, batch size 2, learning rate 0,007, dan 20 epoch. Hasil menunjukan  menghasilkan rata-rata akurasi sebesar 0.86%, precision 0.87%, recall 0.88%, dan F1-score 0.87%. Hal ini membuktikan bahwa model mampu melakukan generalisasi dengan baik terhadap variasi data.
Implementasi Yolov8 Untuk Klasifikasi Jenis Kucing Seftania, Putri Derisa Adilla Dewi; Widyadara, Made Ayu Dusea; Swanjaya, Daniel
Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi) Vol. 9 No. 1 (2025): Prosiding Seminar Nasional Inovasi Teknologi Tahun 2025
Publisher : Universitas Nusantara PGRI Kediri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29407/fwrgp738

Abstract

Kucing dalam bahasa latin adalah Felis silvestris catus adalah sejenis hewan karnivora. Kucing adalah hewan peliharaan terpuler di dunia yang memiliki banyak peminat dan penggemar. Karena banyaknya jumlah jenis kucing seringkali pemilik tidak mengetahui jenis kucing yang dimiliki, maka dibutuhkan sebuah algoritma yang dapat mengklasifikasikan citra kucing agar pemilik kucing mengetahui jenis kucing apa yang dimilikinya. Penelitian ini mengembangkan algoritma You Only Look Once (YOLO) untuk mengklasifikasikan jenis kucing berdasarkan citra, mengingat banyaknya jenis kucing yang diakui. Dua skenario pelatihan dengan model YOLOv8 dievaluasi berdasarkan akurasi dan metrik kinerja. Skenario pertama dengan 20 epoch mencapai precision 0.651 dan recall 0.887, sedangkan skenario kedua dengan 50 epoch menunjukkan peningkatan signifikan dengan precision 0.916 dan recall 0.792. Hasil menunjukkan peningkatan performa model yang stabil, menjadikannya alat yang efisien dalam mengidentifikasi dan mengklasifikasikan jenis kucing.
Deteksi Action Figure Gunpla Menggunakan YOLOv7 Iswoyo, Dio Dwi; Widyadara, Made Ayu Dusea; Mahdiyah, Umi
Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi) Vol. 9 No. 1 (2025): Prosiding Seminar Nasional Inovasi Teknologi Tahun 2025
Publisher : Universitas Nusantara PGRI Kediri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29407/dvp4ad07

Abstract

Gunpla merupakan action figure berbentuk robot dari waralaba Gundam yang terus berkembang dan memiliki detail kompleks. Hal ini menyulitkan kolektor maupun masyarakat awam dalam mengidentifikasi keberadaan Gunpla secara cepat dan akurat. Penelitian ini bertujuan mengembangkan sistem deteksi otomatis Gunpla menggunakan algoritma YOLOv7 yang mampu mengenali objek dengan tepat. Dataset citra Gunpla dikumpulkan dari berbagai sudut pandang dan dilabeli menggunakan Roboflow. Model dilatih menggunakan Google Colaboratory dengan memanfaatkan sumber daya GPU secara gratis. Hasil pengujian menunjukkan bahwa sistem mampu mendeteksi objek Gunpla dengan nilai mAP sebesar 99,3% dan waktu prediksi yang cepat. Sistem ini berpotensi menjadi solusi praktis dalam mengidentifikasi keberadaan Gunpla secara visual dan dapat dikembangkan lebih lanjut untuk skenario pengguna lainnya.
Klasifikasi Serangga Hama Tanaman Padi Menggunakan Metode Convolutional Neural Network (CNN) Prakosa, Bryan Rizqi; Widyadara, Made Ayu Dusea; Mahdiyah, Umi
Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi) Vol. 9 No. 1 (2025): Prosiding Seminar Nasional Inovasi Teknologi Tahun 2025
Publisher : Universitas Nusantara PGRI Kediri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29407/k99dvg58

Abstract

Indonesia merupakan negara agraris dengan sekitar 40% penduduknya bermata pencaharian sebagai petani, dan padi menjadi komoditas pertanian utama. Namun, produksi padi sering kali terganggu oleh serangan hama seperti wereng dan kumbang air padi. Kurangnya pengetahuan petani dalam mengenali jenis-jenis hama secara visual menjadi tantangan tersendiri dalam penanggulangan hama. Penelitian ini bertujuan untuk melakukan klasifikasi serangga hama pada tanaman padi menggunakan algoritma Convolutional Neural Network (CNN). Dataset citra hama yang digunakan terdiri dari 2,305 gambar yang diperoleh dari situs Kaggle, dan dilakukan proses augmentasi seperti rotasi, zoom, serta flip vertikal dan horizontal. Model CNN dibangun dan dilatih dengan berbagai konfigurasi parameter seperti jumlah epoch, jenis optimizer, dan fungsi aktivasi. Hasil penelitian menunjukkan bahwa model mampu mengklasifikasikan wereng dan kumbang air padi dengan akurasi tinggi sebesar 96%, serta nilai precision, recall, dan F1-score sebesar 0,96 untuk masing-masing kelas. Confusion matrix juga memperlihatkan tingkat kesalahan klasifikasi yang sangat rendah. Dengan demikian, CNN terbukti efektif dan andal dalam mengenali serta mengklasifikasikan serangga hama tanaman padi berdasarkan citra.
Analisis Perbandingan Metode SAW dan TOPSIS Pada Sistem Rekomendasi Penerima Bantuan Sosial Mulyo, Nando Rahmat Prasetyo; Widyadara, Made Ayu Dusea; Wahyuniar, Lilia Sinta
Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi) Vol. 9 No. 1 (2025): Prosiding Seminar Nasional Inovasi Teknologi Tahun 2025
Publisher : Universitas Nusantara PGRI Kediri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29407/kww48483

Abstract

Penyaluran Bantuan Langsung Tunai (BLT) di salah satu Desa yang berada di Kabupaten Kediri menghadapi permasalahan ketidakakuratan dalam penentuan penerima bantuan, yang disebabkan oleh data yang tidak lengkap dan kurang diperbarui. Selain itu, faktor subjektivitas dalam proses seleksi juga memperburuk ketidakadilan distribusi bantuan. Penelitian ini bertujuan untuk menganalisis dan membandingkan efektivitas metode SAW dan TOPSIS dalam menentukan penerima bantuan sosial. Hasil perbandingan menunjukkan bahwa metode SAW memperoleh akurasi 100% pada sebagian besar alternatif, sementara metode TOPSIS menunjukkan perbedaan peringkat pada alternatif tertentu. Meskipun terdapat perbedaan kecil dalam hasil peringkat, kedua metode terbukti efektif dalam mendukung keputusan yang lebih objektif dan akurat dalam penentuan penerima bantuan sosial. Penelitian ini memberikan kontribusi untuk meningkatkan efisiensi dan akurasi penyaluran bantuan sosial di tingkat lokal.
Co-Authors - Universitas Nusantara PGRI Kediri, Mochamad Bilal - Universitas Nusantara PGRI Kediri, Roni Heri Irawan Abraham Dimas Bayu Aji Adiba, Fera Hidayatul Agus Muji Santoso Ahmad Bagus Setiawan Albab, Moh. Febby Ulil Alfian, Ahmad Ade Alfiana Hidayati Angga Yuanisyak Anik Nur Handayani Anisa Fatimatul Firdhausi Ansah, Muhammad Ardy Ardiansyah, Ryo Bella Putri Damayanti Daniel Swanjaya Dwi Lianawati Efendi, Ahmad Rizal Efendy, Wahyu Febri Nurcahyo Dwiyantoko Frans Rega Agista Hana Agustina Hanif Al Fatta - STMIK AMIKOM Yogyakarta Heru Wahyu Herwanto Intan Nur Farida Irma Setiawan Kusuma Islamiati Rachmah Iswoyo, Dio Dwi Julian Sahertian Julianto, Bagas Mahdiyah, Umi Mahendra, Rizqi Maulana Muhamad Sholafudin Mukhammad Annafinurika Mulyo, Nando Rahmat Prasetyo Nia Talia Salsabela D.M. Oktafiyan Pratama, Yana Patmi Kasih Prakosa, Bryan Rizqi Prastyo, Agung Wahyu Rahman, Dedi Arif Risa Helilintar Roni Heri Irawan Seftania, Putri Derisa Adilla Dewi Setyawan, Moch Aris Siregar, Muhammad Fauzan Hardiansyah Sugianto, Hanania Oki Kurnia Vingki Dewi Aristina Violyna Sofiananda Wardani , Rama Yuda Wisnugraha, Wahyu Surya Yu, Tony Zidane Chesa Wardana