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 
Grid-Calibrated Patch Learning for Braille Multi-Character Recognition Made Ayu Dusea Widyadara; Anik Nur Handayani; Heru Wahyu Herwanto; Tony Yu; Marga Asta Jaya Mulya
Buletin Ilmiah Sarjana Teknik Elektro Vol. 8 No. 1 (2026): February
Publisher : Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12928/biste.v8i1.15199

Abstract

The approach presents a multi braille character (MBC) recognition system for Indonesian syllablesdesigned to address real-world imaging variations. The proposed framework formulates 105-class visual classification task, where each class represents a two-character Braille unit. This design aims to preserve inter-character spatial relationships and reduce error propagation commonly found in single-character segmentation approaches. A carefully constructed dataset undergoes spatial pre-processing stages, including rotation normalization, grid assignment, and multicell cropping, resulting in uniform 89×89 pixel image patches that ensure geometric consistency across samples. To enhance model generalization under varying illumination conditions, single-dimension photometric augmentation is applied exclusively during training, including brightness (±25%), exposure (±20%), saturation (±40%), and hue (±30%). ResNet-101 is adopted as the backbone architecture based on prior comparative studies conducted on the same dataset, demonstrating its effectiveness in capturing fine-grained Braille dot shadow patterns. The network is trained for 300 epochs with a batch size of 32 under consistent experimental settings, and performance is evaluated using a confusion-matrix-based framework with overall accuracy as the primary metric. Experimental results indicate that moderate photometric reductions significantly improve recognition performance by preserving critical micro-contrast cues. In particular, an exposure reduction of −20% achieves the best balance between accuracy (86.13%) and training efficiency (14.12 minutes), outperforming the non-augmented baseline (74.37%, 22.10 minutes). A hue reduction of −30% further improves robustness to ambient color variations, while aggressive positive adjustments degrade performance due to structural distortion. These findings confirm the effectiveness of the proposed MBC framework for practical Braille recognition in real-world environments.
Analysis Of The Effect Of Gridsearchcv Hyperparameter Tuning Strategy With Variations In Scoring, Test Size, And Random State On Water Quality Classification Performance Using SVM RBF Kernel Rafli Ardiansyah; Danar Putra Pamungkas; Made Ayu Dusea Widyadara; Agoes Santika
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.v20i1.13841

Abstract

The choice of scoring metric in hyperparameter tuning using GridSearchCV is often overlooked, even though this decision directly affects the resulting model's behavior. This study analyzes the impact of scoring metric variations (accuracy, precision, recall), test size (70/30 and 80/20), and random state (0, 21, 42) on the performance of a Support Vector Machine (SVM) with RBF kernel for water quality classification. The dataset used is a combination of two public datasets from Kaggle totaling 4,259 samples, using three parameters: pH, conductivity, and turbidity, labeled based on WHO standards and Indonesian Ministry of Health Regulation No. 32 of 2017. The experiment was designed across 6 scenarios combined with three scoring metrics, resulting in 18 test configurations. Results show that accuracy and precision scoring produce excellent and consistent performance with accuracy ranging from 0.985–0.996 and F1-score of 0.98–1.00 across all scenarios. In contrast, recall scoring causes systematic model degeneration: the model consistently predicts all samples as the positive class (TN=0), resulting in accuracy of only approximately 0.50. This phenomenon occurs because GridSearchCV exploits the mathematical definition of recall by selecting parameters that produce a trivial classifier. These findings demonstrate that on a balanced dataset, using recall as the sole scoring metric is counterproductive, and F1-score or accuracy is more recommended as a safe metric for model optimization.
Application Of The C4.5 Method Based On K-Means Segmentation For Loan Risk Classification At Savings And Loan Cooperative Jihan Martha; Danar Putra Pamungkas; Made Ayu Dusea Widyadara
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.v20i1.13856

Abstract

The Sri Hadi Dharma Savings and Loan Cooperative faces challenges in conducting loan risk analysis, which is still done manually as a result, the decisions made tend to be subjective and inconsistent. This situation has the potential to lead to errors in risk assessment, which could increase the likelihood of non-performing loans. Additionally, the available payment history data is not labeled with risk categories and therefore cannot be directly used in the classification process. This study aims to build a more objective loan risk prediction model by integrating the K-Means and C4.5 algorithms. The data used in this study consists of 7,155 loan payment history records from the 2020-2025 period. The research stages included data preprocessing through cleaning, reduction, creation of a maximum delinquency feature, feature selection, and Min-Max normalization, resulting in 471 unique data points. Next, K-Means was used to form risk groups based on financial characteristics, the clustering results were labeled as low, medium, and high risk categories, then the labeled data were classified using C4.5 with an 80:20 split of training and test data to generate a prediction model. Model evaluation was performed using a confusion matrix with accuracy, precision, recall, and F1-score parameters. The results show that the resulting model is capable of providing predictions with an accuracy rate of 95.79% and generates decision rules that are easy to understand and interpret. Furthermore, the integration of these two methods transforms payment history data into valuable information for identifying members’ risk patterns. This model is effective in supporting more objective, transparent, and measurable decision-making in loan risk management at savings and loan cooperatives
Klasifikasi Jenis Rambut Berbasis Citra Menggunakan Convolutional Neural Network dengan Arsitektur MobileNetV2 Nafika S.M; Made Ayu Dusea Widyadara; Daniel Swanjaya
Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi) Vol. 10 No. 3 (2026): Prosiding Seminar Nasional Inovasi Teknologi Tahun 2026
Publisher : Universitas Nusantara PGRI Kediri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29407/z0rqxt36

Abstract

Penelitian ini bertujuan untuk mengklasifikasikan jenis rambut berbasis citra menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2. Model dikembangkan menggunakan pendekatan transfer learning dengan bobot awal dari dataset ImageNet untuk meningkatkan performa klasifikasi. Dataset terdiri dari tiga kelas, yaitu rambut lurus, bergelombang, dan keriting. Tahapan penelitian meliputi preprocessing citra, augmentasi data, pelatihan model, serta proses fine-tuning. Hasil pengujian menunjukkan bahwa model mampu mencapai akurasi sebesar 91% pada data validasi. Selain itu, diperoleh nilai precision sebesar 0,90, recall sebesar 0,90, dan f1-score sebesar 0,90. Performa terbaik diperoleh pada kelas rambut keriting dengan nilai recall sebesar 0,99. Hasil ini menunjukkan bahwa arsitektur MobileNetV2 dengan teknik transfer learning efektif digunakan untuk klasifikasi jenis rambut berbasis citra dengan tingkat akurasi yang tinggi.
DETEKSI DAN PENGENALAN PLAT NOMOR KENDARAAN INDONESIA MENGGUNAKAN METODE DEEP LEARNING BERBASIS YOLOv8 DAN CONVOLUTIONAL NEURAL NETWORK Muhammad Arief Pramana; Made Ayu Dusea Widyadara; Daniel Swanjaya
Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi) Vol. 10 No. 3 (2026): Prosiding Seminar Nasional Inovasi Teknologi Tahun 2026
Publisher : Universitas Nusantara PGRI Kediri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29407/h0dzra45

Abstract

Perkembangan teknologi kecerdasan buatan telah mendorong munculnya berbagai sistem otomatis dalam bidang transportasi dan keamanan, salah satunya adalah Automatic Number Plate Recognition (ANPR). Sistem ini berfungsi untuk mendeteksi dan mengenali plat nomor kendaraan secara otomatis melalui pemrosesan citra digital. Penelitian ini bertujuan mengembangkan sistem deteksi dan pengenalan plat nomor kendaraan Indonesia menggunakan metode You Only Look Once versi 8 (YOLOv8) dan Convolutional Neural Network (CNN). YOLOv8 digunakan untuk mendeteksi lokasi plat nomor pada citra kendaraan, sedangkan CNN digunakan untuk mengenali karakter huruf dan angka yang terdapat pada plat nomor. Dataset yang digunakan terdiri atas citra kendaraan roda dua dan roda empat dengan berbagai kondisi pencahayaan, sudut pengambilan gambar, dan jarak kamera. Tahapan penelitian meliputi pengumpulan dataset, preprocessing data, pelatihan model YOLOv8, segmentasi karakter, pelatihan model CNN, serta evaluasi sistem menggunakan parameter akurasi, precision, recall, F1-score, dan waktu pemrosesan. Hasil penelitian menunjukkan bahwa kombinasi YOLOv8 dan CNN mampu memberikan performa yang baik dalam mendeteksi dan mengenali plat nomor kendaraan secara otomatis. Sistem yang dikembangkan berpotensi diterapkan pada sistem parkir otomatis, pengawasan lalu lintas, dan sistem keamanan berbasis computer vision.
Analisis Klasifikasi Kualitas Bawang Merah Berdasarkan Warna Menggunakan CNN Arfyanda Dela Shefira; Made Ayu Dusea Widyadara; Daniel Swanjaya
Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi) Vol. 10 No. 3 (2026): Prosiding Seminar Nasional Inovasi Teknologi Tahun 2026
Publisher : Universitas Nusantara PGRI Kediri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29407/dk3h0249

Abstract

Bawang merah (Allium cepa L.) merupakan komoditas hortikultura penting yang proses penentuan kualitasnya masih dilakukan secara manual sehingga sering terjadi kesalahan klasifikasi. Penelitian ini bertujuan mengklasifikasikan kualitas bawang merah berdasarkan warna menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur NASNetMobile. Dataset yang digunakan sebanyak 300 citra yang terdiri dari tiga kelas, yaitu segar, kering, dan busuk. Tahapan penelitian meliputi preprocessing, augmentasi rotasi, pelatihan model, dan evaluasi menggunakan confusion matrix. Pelatihan dilakukan selama 20 epoch dengan optimizer Adam dan learning rate 0,0001. Hasil penelitian menunjukkan bahwa model NASNetMobile memperoleh akurasi sebesar 92% dalam mengklasifikasikan kualitas bawang merah. Penelitian ini menunjukkan bahwa NASNetMobile berpotensi membantu proses sortasi bawang merah secara otomatis.
Implementasi K-Means Clustering dalam Pengelompokan Risiko Pinjaman Nasabah pada Koperasi Simpan Pinjam Jihan Martha; Danar Putra Pamungkas; Made Ayu Dusea Widyadara
Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi) Vol. 10 No. 3 (2026): Prosiding Seminar Nasional Inovasi Teknologi Tahun 2026
Publisher : Universitas Nusantara PGRI Kediri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29407/gknm9r11

Abstract

Koperasi Simpan Pinjam Sri Hadi Dharma menghadapi tantangan dalam pengelolaan risiko pinjaman karena proses analisis masih dilakukan secara manual dan bergantung pada penilaian subjektif pengelola. Kondisi tersebut dapat memengaruhi objektivitas dalam pengambilan keputusan terkait pengelolaan pinjaman nasabah. Penelitian ini bertujuan mengelompokkan risiko pinjaman nasabah menggunakan algoritma K-Means Clustering berdasarkan karakteristik pinjaman. Data yang digunakan merupakan data riwayat pinjaman nasabah koperasi periode 2021-2025. Tahapan penelitian meliputi preprocessing data, proses clustering menggunakan K-Means yang dievaluasi melalui pengujian stabilitas cluster, serta interpretasi hasil pengelompokan. Hasil penelitian menunjukkan bahwa K-Means mampu membentuk tiga kelompok nasabah dengan karakteristik yang berbeda berdasarkan pola pinjaman dan pembayaran. Pengelompokan yang dihasilkan memberikan informasi yang lebih terstruktur sehingga dapat mendukung analisis risiko pinjaman dan membantu pengambilan keputusan dalam pengelolaan pinjaman nasabah.
Klasifikasi Varientas Daun Singkong Menggunakan NASNet Mobile pada Dataset Tidak Seimbang Umi Roziqoh; Made Ayu Dusea Widyadara; Daniel Swanjaya
Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi) Vol. 10 No. 3 (2026): Prosiding Seminar Nasional Inovasi Teknologi Tahun 2026
Publisher : Universitas Nusantara PGRI Kediri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29407/mna6ha74

Abstract

Daun singkong merupakan salah satu komoditas pertanian yang memiliki nilai gizi dan ekonomi tinggi sehingga identifikasi jenis daun singkong menjadi penting untuk mendukung pemanfaatan dan budidaya yang tepat. Namun, proses identifikasi secara manual sering mengalami kesalahan akibat kemiripan karakteristik visual antar jenis daun. Penelitian ini bertujuan menganalisis performa arsitektur NASNet Mobile dalam mengklasifikasikan jenis daun singkong secara otomatis pada dataset yang tidak seimbang. Dataset terdiri dari tiga kelas, yaitu daun singkong karet, daun singkong papua, dan daun singkong sayur. Sebelum proses pelatihan, data melalui tahap preprocessing berupa normalisasi dan resize citra, serta augmentasi untuk meningkatkan kualitas dan variasi data. Model dilatih menggunakan arsitektur NASNet Mobile dan dievaluasi menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model NASNet Mobile memperoleh akurasi sebesar 94% dengan weighted average precision sebesar 0,94, recall sebesar 0,94, dan F1-score sebesar 0,94. Hasil tersebut menunjukkan bahwa NASNet Mobile mampu melakukan klasifikasi jenis daun singkong.
Klasifikasi Kualitas Telur Ayam Berdasarkan Identifikasi Warna Cangkang Menggunakan MobileNetV2 Sephia Ceren; Made Ayu Dusea Widyadara; Daniel Swanjaya
Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi) Vol. 10 No. 3 (2026): Prosiding Seminar Nasional Inovasi Teknologi Tahun 2026
Publisher : Universitas Nusantara PGRI Kediri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29407/yrhpk323

Abstract

Kualitas telur ayam merupakan salah satu faktor penting dalam menentukan nilai konsumsi dan kualitas distribusi produk pangan. Proses penilaian kualitas telur secara konvensional masih dilakukan secara manual sehingga memerlukan waktu, biaya, dan ketelitian yang tinggi. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi kualitas telur ayam berbasis pengolahan citra digital menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2. Dataset yang digunakan merupakan citra telur ayam yang diperoleh secara mandiri dan dikelompokkan ke dalam tiga kategori kualitas, yaitu tinggi, sedang, dan rendah. Masing-masing kelas terdiri dari 100 citra, kemudian dilakukan proses augmentasi sehingga total dataset menjadi 1800 citra. Tahapan penelitian meliputi pengumpulan dataset, preprocessing, augmentasi data, pelatihan model, serta evaluasi performa. Proses preprocessing dilakukan dengan resize citra menjadi 224×224 piksel dan normalisasi data agar sesuai dengan input MobileNetV2. Model dilatih menggunakan optimizer Adam dan fungsi loss sparse categorical crossentropy. Evaluasi model dilakukan menggunakan confusion matrix dan classification report. Berdasarkan hasil pengujian, arsitektur MobileNetV2 berhasil mencapai nilai akurasi akhir sebesar 98,10% dengan performa yang stabil dan seimbang dalam mengklasifikasikan seluruh tingkatan kualitas telur. Temuan ini membuktikan bahwa pendekatan deep learning non-destruktif berbasis identifikasi warna cangkang dapat diimplementasikan secara efektif untuk mendukung otomasi sortasi pada industri pangan.
Skrining Leukemia Limfoblastik Akut (LLA-B) Berbasis Citra Apus Darah Menggunakan Mobilenetv2 Dengan Evaluasi Multi-Kelas Kasih, Patmi; Nasrul Saifudin; Made Ayu Dusea Widyadara
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 13 No 4: Agustus 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.134

Abstract

Leukemia Limfoblastik Akut B (LLA-B) merupakan keganasan hematologi yang dominan pada populasi pediatrik dan membutuhkan identifikasi dini untuk menunjang keberhasilan terapi. Prosedur diagnostik baku, seperti flow cytometry dan pemeriksaan sumsum tulang, memiliki tingkat akurasi tinggi, tetapi memerlukan sumber daya, biaya, dan keahlian khusus yang tidak selalu tersedia secara merata. Penelitian ini menyajikan kajian eksperimental untuk menilai kinerja arsitektur Convolutional Neural Network (CNN) MobileNetV2 dalam mendukung skrining awal berbasis laboratorium menggunakan citra apus darah dari dataset publik. Alur sistem mencakup tahapan preprocessing, augmentasi data, serta klasifikasi multi-kelas ke dalam empat kategori, yaitu Benign, Pre-B, Pro-B, dan Early Pre-B. Tahap preprocessing dan augmentasi diterapkan untuk meningkatkan kualitas citra, memperkaya variasi data, serta mengurangi potensi overfitting. Hasil pengujian menunjukkan bahwa MobileNetV2 mampu memberikan performa klasifikasi yang tinggi dengan kebutuhan komputasi yang efisien. Berdasarkan hasil evaluasi menggunakan metrik klasifikasi, diperoleh nilai Mean Absolute Error (MAE) yang sangat rendah, yaitu sekitar 0,009 yang mengindikasikan bahwa rata-rata kesalahan prediksi model terhadap nilai aktual sangat kecil, menunjukkan tingkat presisi yang tinggi dalam proses klasifikasi. Sistem ini dirancang sebagai alat bantu skrining (pre-screening) dan tidak ditujukan untuk menggantikan diagnosis klinis, tetapi diharapkan dapat membantu tenaga laboratorium dalam menentukan prioritas sampel untuk pemeriksaan lanjutan.   Abstract Acute lymphoblastic leukemia B (ALL-B) is a hematological malignancy that predominantly affects the pediatric population and requires early identification to support successful treatment. Standard diagnostic procedures, such as flow cytometry and bone marrow examination, have a high degree of accuracy but require resources, costs, and specialized expertise that are not always equally available. This study presents an experimental investigation to evaluate the performance of the MobileNetV2 Convolutional Neural Network (CNN) architecture in supporting laboratory-based early screening using blood smear images from a public dataset. The system flow includes preprocessing, data augmentation, and multi-class classification into four categories, namely Benign, Pre-B, Pro-B, and Early Pre-B. The preprocessing and augmentation stages are applied to improve image quality, enrich data variation, and reduce the potential for overfitting. Test results show that MobileNetV2 is capable of providing high classification performance with efficient computational requirements. Based on the evaluation results using classification metrics, a very low Mean Absolute Error (MAE) value of approximately 0.009 was obtained, indicating that the average prediction error of the model against the actual value is very small, demonstrating a high level of precision in the classification process. This system is designed as a screening tool (pre-screening) and is not intended to replace clinical diagnosis, but it is expected to assist laboratory personnel in determining sample priorities for further examination.
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