Article Per Year (5 Year)
p-Index From 2021 - 2026
7.436
P-Index
This Author published in this journals
All Journal Jurnal Teknologi Informasi dan Ilmu Komputer Bianglala Informatika : Jurnal Komputer dan Informatika Akademi Bina Sarana Informatika Yogyakarta Jurnal Sisfokom (Sistem Informasi dan Komputer) RESEARCH : Computer, Information System & Technology Management Multitek Indonesia : Jurnal Ilmiah 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)
Widyadara , Made Ayu Dusea
Universitas Nusantara PGRI Kediri
Chemical Engineering, Chemistry & Bioengineering Chemistry Civil Engineering, Building, Construction & Architecture 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 : 60 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 60 Documents
Search

 2   3   4   5   6 
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.
Aplikasi Deteksi Tumor Otak Citra MRI Menggunakan Model VGG16 Permana Putra, Satya Dwi; Farida, Intan Nur; Dusea Widyadara, Made Ayu
Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi) Vol. 9 No. 2 (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/gxn7p082

Abstract

Tumor otak adalah salah satu penyakit yang sangat serius dan membutuhkan diagnosis serta penanganan yang cepat dan akurat. Citra Magnetic Resonance (MRI) sering digunakan sebagai alat utama untuk mendeteksi tumor otak karena kemampuannya dalam memvisualisasikan jaringan lunak dengan baik. Dalam penelitian ini, penulis menerapkan teknik thresholding dan deteksi tepi sebagai tahap pre-processing citra MRI untuk meningkatkan akurasi model VGG16 dalam mengidentifikasi empat jenis tumor otak yaitu, glioma, meningioma, pituitary, dan normal.                 Proses pre-processing citra MRI meliputi resizing dan normalisasi serta penerapan thresholding dan deteksi tepi. Hasil pre-processing kemudian digunakan sebagai input untuk model VGG16 yang sebelumnya telah dilatih. Evaluasi model dilakukan dengan menggunakan metrik klasifikasi akurasi, presisi, recall, dan f1-score. Hasil penelitian menunjukkan bahwa penerapan thresholding dan deteksi tepi dalam pre-processing citra MRI dapat meningkatkan akurasi model VGG16 dalam mengidentifikasi tumor otak dari 87% menjadi 90% ke atas. Peningkatan akurasi ini disebabkan oleh kemampuan teknik pre-processing dalam memperjelas batas-batas struktur anatomi pada citra MRI, sehingga fitur yang relevan dapat lebih efektif diidentifikasi oleh model deep learning. 
Klasifikasi Varian Mi Instan Menggunakan Algoritma YOLOv8 Deva Rahma Nugroho; Made Ayu Dusea Widyadara; Umi Mahdiyah
Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi) Vol. 9 No. 2 (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/r8a09e23

Abstract

Deteksi objek yang merupakan bagian dari computer vision, telah banyak digunakan di berbagai bidang industri terutama perdagangan atau ritel. Salah satu algoritma deteksi objek yang dapat digunakan adalah YOLOv8, dikenal karena kemampuannya yang akurat dalam melakukan deteksi secara real-time. Penelitian ini, berfokus pada pembuatan model deteksi objek untuk produk mi instan menggunakan algoritma YOLOv8. Tujuan dari penelitian ini adalah untuk mengetahui performa algoritma YOLOv8 dalam memprediksi sebuah produk mi instan. Dalam proses training, dilakukan beberapa experiment untuk mengetahui komposisi dalam memperoleh hasil terbaik. Model diukur menggunakan confusion matrix dan hasil terbaik didapat saat model dilatih menggunakan epoch 50 dan batch 32, model mendapat nilai mAP50-95 sebesar 0.635. Meskipun masih dibawah nilai normal yaitu 0.7, model ini sudah cukup baik jika diterapkan ke sistem. Untuk semua kelas, model tersebut memiliki nilai precision 0.97 dan recall 0.969, nilai ini cukup tinggi untuk model yang dilatih dengan total 1050 gambar.
Penentuan Gizi Balita Kelurahan Bangsal Dengan Fuzzy Mamdani Berbasis Website Yan Arie Strada Tuhehay; Intan Nur Farida; Made Ayu Dusea Widyadara
Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi) Vol. 9 No. 2 (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/n24nan53

Abstract

Masalah status gizi balita menjadi perhatian penting di Kelurahan Bangsal karena berkaitan langsung dengan pertumbuhan dan perkembangan anak. Kurangnya pemantauan gizi secara berkala menyebabkan keterlambatan dalam penanganan kasus gizi buruk dan stunting. Penelitian ini bertujuan untuk membangun sistem berbasis website yang dapat membantu menentukan status gizi balita menggunakan metode Fuzzy Mamdani. Parameter yang digunakan meliputi umur, berat badan, tinggi badan, dan lingkar lengan atas. Data diolah menggunakan logika fuzzy untuk menghasilkan kategori status gizi seperti kurang, normal, atau lebih. Hasil pengujian menunjukkan bahwa sistem dapat memberikan hasil yang konsisten dengan penilaian manual tenaga kesehatan. Kesimpulannya, sistem ini dapat menjadi alat bantu dalam pemantauan gizi balita secara cepat dan akurat serta berpotensi diterapkan di posyandu atau layanan kesehatan lainnya
SISTEM DETEKSI JENIS BURUNG MENGGUNAKAN IMPLEMENTASI YOLOv11 Shania Dila Vanesa; Made Ayu Dusea Widyadara; Umi Mahdiyah
Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi) Vol. 9 No. 2 (2025): Prosiding Seminar Nasional Inovasi Teknologi Tahun 2025
Publisher : Universitas Nusantara PGRI Kediri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29407/7k0cw598

Abstract

Identifikasi jenis burung secara manual memerlukan keahlian khusus dan rentan terhadap kesalahan, terutama pada spesies yang memiliki kemiripan morfologi tinggi seperti burung merpati. Penelitian ini bertujuan mengembangkan sistem deteksi otomatis untuk mengidentifikasi burung merpati menggunakan algoritma YOLOv11 yang dapat menerima input melalui unggahan gambar maupun kamera webcam. Metode penelitian meliputi pengumpulan dataset berisi gambar berlabel, preprocessing data, pelatihan model YOLOv11, dan evaluasi sistem menggunakan 100 gambar uji yang terdiri dari 50 gambar merpati dan 50 gambar bukan merpati. Hasil pengujian menunjukkan sistem mencapai akurasi 88%, precision 89,6%, recall 86%, dan F1-Score 87,8 %. Confusion matrix menunjukkan 43 true positive, 45 true negative, 5 false positive, dan 7 false negative. Sistem ini memberikan solusi efisien untuk digitalisasi identifikasi burung dan dapat diimplementasikan sebagai alat bantu praktis dalam penelitian ornitologi dan monitoring ekosistem.
Syllable-Based Detection and Recognition of Braille Cells Using Faster R-CNN Risky Aswi Ramadhani; Made Ayu Dusea Widyadara; Wahyu Cahyo Utomo; Marga Asta Jaya Mulya
MULTITEK INDONESIA Vol 20 No 1 (2026): July
Publisher : Universitas Muhammadiyah Ponorogo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24269/mtkind.v17i1.13429

Abstract

Braille digitization plays an important role in improving access to written information for visually impaired individuals. However, automatic recognition of Braille text remains challenging due to the small size, dense spatial arrangement, and subtle variations of Braille dot patterns. This study proposes a syllable-based Braille cell detection and recognition framework using a customized Faster R-CNN architecture. The system employs a Region Proposal Network (RPN) to localize individual Braille cells, followed by an AlexNet-based classifica-tion network to recognize syllable-level patterns. The proposed method is evaluated on a syllable-level Braille dataset covering 50 syllable classes, and a two-stage training strategy is adopted to improve bounding box localization accuracy. Experimental results show stable training convergence and consistent classification performance across syllable categories. Confusion matrix analysis indicates that most misclassifications occur among syllables with visually similar dot configurations. Despite sensitivity to variations in physical Braille quality, the proposed framework indicates potential applicability in accessibility-oriented Braille digitization systems
DETEKSI DAN KLASIFIKASI KUALITAS PASCAPANEN MENGGUNAKAN MODEL HYBRID SSD-EFFICIENTNETV2 BERBASIS TRANSFER LEARNING PADA BUAH TOMAT Edga Sukma Pratama; Danar Putra Pamungkas; Made Ayu Dusea Widyadara; Boyang (Tony) Yu
MULTITEK INDONESIA Vol 20 No 1 (2026): July
Publisher : Universitas Muhammadiyah Ponorogo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24269/mtkind.v20i1.13819

Abstract

Manual post-harvest sorting of tomato fruit is prone to subjectivity and inconsistency, necessitating an automated quality assessment approach. Single Shot Detector (SSD) and EfficientNetV2 are both included in the Deep Learning architecture for efficient object detection and classification. This research develops a hybrid model that processes SSD data through a single direct detection, making it lighter than other methods, while EfficientNetV2 serves as the backbone model, capable of producing deep features efficiently. The design of the hybrid SSD-EfficientNetV2 model for the automatic detection and classification of tomato fruit quality (Solanum lycopersicum) into two classes, namely Grade A with fresh and marketable fruit conditions and Grade B with damaged or rotten conditions, is expected to replace the manual sorting process, which is prone to inconsistencies. The data was directly collected from the sales centers and local tomato farms in Nganjuk Regency. The obtained data underwent preprocessing, including resizing, normalization, and augmentation in the form of brightness adjustment, contrast, and hue saturation manipulation. The data is divided into 60% training data, 15% validation data, and 25% testing data. The model was trained for 32 epochs using the AdamW optimizer with a learning rate warm-up and cosine decay scheme. The final evaluation resulted in a classification accuracy of 95.12%, a macro F1 Score of 95.11%, and a Mean Average Precision (mAP) of 85.70% with a precision of Grade A at 94.87% and Grade B at 95.35%. The proposed model offers a reliable contribution as a foundation for an artificial intelligence-based sorting system in the post-harvest tomato industry.
Co-Authors - Universitas Nusantara PGRI Kediri, Mochamad Bilal - Universitas Nusantara PGRI Kediri, Roni Heri Irawan Abraham Dimas Bayu Aji Adiba, Fera Hidayatul Agoes Santika 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 Arfyanda Dela Shefira Bella Putri Damayanti Boyang (Tony) Yu Danar Putra Pamungkas Danar Putra Pamungkas Danar Putra Pamungkas, Danar Putra Daniel Swanjaya Deva Rahma Nugroho Dipa Perwira, Mohammad Askar diyah kingkin sulistiana Dwi Lianawati Edga Sukma Pratama Efendi, Ahmad Rizal Efendy, Wahyu Erwanto, Rio Aldi Febri Nurcahyo Dwiyantoko Febrianto, Mohammad Ahsin Frans Rega Agista Hana Agustina Hanif Al Fatta Hari Setiawan Heru Wahyu Herwanto Intan Nur Farida Irma Setiawan Kusuma Islamiati Rachmah Iswoyo, Dio Dwi Jihan Martha Julian Sahertian Julianto, Bagas Lailatul Carisma Putri Mahdiyah, Umi Mahendra, Rizqi Maulana Marga Asta Jaya Mulya Marga Asta Jaya Mulya Marjuni, Mohamad Muhamad Sholafudin Muhammad Arief Pramana Muhammad Nur Ichsan Mukhammad Annafinurika Mukhtari, Nailusofa Al Mulyo, Nando Rahmat Prasetyo Nafika S.M Nasrul Saifudin Nia Talia Salsabela D.M. Oktafiyan Pratama, Yana Patmi Kasih Permana Putra, Satya Dwi Prakosa, Bryan Rizqi Prastyo, Agung Wahyu Pratama, Tutus Lusni Rafli Ardiansyah Rahman, Dedi Arif Risa Helilintar Risky Aswi Ramadhani Roni Heri Irawan Seftania, Putri Derisa Adilla Dewi Sephia Ceren Setyawan, Moch Aris Shania Dila Vanesa Siregar, Muhammad Fauzan Hardiansyah Sugianto, Hanania Oki Kurnia Suryaningtias, Dini Haris Tony Yu Umi Roziqoh Vingki Dewi Aristina Violyna Sofiananda Wahyu Cahyo Utomo Wardani , Rama Yuda Wisnugraha, Wahyu Surya Yahya, Moh. Zakariya Yan Arie Strada Tuhehay Yu, Tony Yustikawan, Eko Tri Zamzami, Khanafi Suduri Zidane Chesa Wardana