Article Per Year (5 Year)
p-Index From 2020 - 2025
3.701
P-Index
This Author published in this journals
All Journal JURNAL SISTEM INFORMASI BISNIS TELKOMNIKA (Telecommunication Computing Electronics and Control) Bulletin of Electrical Engineering and Informatics Abdimas PROSIDING CSGTEIS 2013 Jurnal Simantec Prosiding Semnastek Jurnal Al-Tadzkiyyah ELINVO (Electronics, Informatics, and Vocational Education) Jurnal Ilmiah Pangabdhi Network Engineering Research Operation [NERO] Muaddib : Studi Kependidikan dan Keislaman Kinetik: Game Technology, Information System, Computer Network, Computing, Electronics, and Control DoubleClick : Journal of Computer and Information Technology JPP IPTEK (Jurnal Pengabdian dan Penerapan IPTEK) METHODIKA: Jurnal Teknik Informatika dan Sistem Informasi Jurnal Nasional Komputasi dan Teknologi Informasi Istawa: Jurnal Pendidikan Islam MULTINETICS JATI (Jurnal Mahasiswa Teknik Informatika) NERO (Networking Engineering Research Operation) Jurnal Pengabdian dan Pemberdayaan Banyuwangi IPSSJ J-CEKI
Wahyudi Setiawan
Sistem Informasi, Universitas Trunojoyo
Aerospace Engineering Arts Humanities Automotive Engineering Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Languange, Linguistic, Communication & Media Neuroscience Public Health Social Sciences Transportation Other

Published : 36 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 36 Documents
Search

 1   2   3   4 
Deep Convolutional Neural Network AlexNet and Squeezenet for Maize Leaf Diseases Image Classification Wahyudi Setiawan; Abdul Ghofur; Fika Hastarita Rachman; Riries Rulaningtyas
Kinetik: Game Technology, Information System, Computer Network, Computing, Electronics, and Control Vol. 6, No. 4, November 2021
Publisher : Universitas Muhammadiyah Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22219/kinetik.v6i4.1335

Abstract

Maize productivity growth is expected to increase by the year. However, there are obstacles to achieving it. One of the causes is diseases attack. Generally, maize plant diseases are easily detected through the leaves. This article discusses maize leaf disease classification using computer vision with a convolutional neural network (CNN). It aims to compare the deep convolutional neural network (CNN) AlexNet and Squeezenet. The network also used optimization, stochastic gradient descent with momentum (SGDM). The dataset for this experiment was taken from PlantVillage with 3852 images with 4 classes i.e healthy, blight, spot, and rust. The data is divided into 3 parts: training, validation, and testing. Training and validation are 80%, the rest for testing. The results of training with cross-validation produce the best accuracy of 100% for AlexNet and Squeezenet. Furthermore, the best weights and biases are stored in the model for testing data classification. The recognition results using AlexNet showed 97.69% accuracy. While the results of Squeezenet 44.49% accuracy. From this experiment environment, it can be concluded that AlexNet is better than Squeezenet for maize leaf diseases classification.
Classification of Corn Seed Quality using Residual Network with Transfer Learning Weight Meidya Koeshardianto; Wahyudi Agustiono; Wahyudi Setiawan
Elinvo (Electronics, Informatics, and Vocational Education) Vol 8, No 1 (2023): Mei 2023
Publisher : Department of Electronic and Informatic Engineering Education, Faculty of Engineering, UNY

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21831/elinvo.v8i1.55763

Abstract

Corn is one of the main ingredients in farm animal feed. Currently, corn is preferable because widely available and cheaper in the market than others. However, it needs quality control on corn production. The company that manufactures animal feed has certain quality standards to receive corn material. On the other hand, the quality of corn produced varies greatly. Thus, quality control when receiving corn from suppliers greatly affects the quality of animal feed. The quality of feed ingredients is classified into physical properties and analytical values. Physical properties are determined so that the resulting corn can be accepted or rejected, while the analytical value is used as the basis for formulating the diet. The physical properties of corn are determined by the human senses, such as sight and smell, while the analytical value is by chemical analysis. Physical quality control by relying on human senses is certainly limited and takes time. Based on these problems, it needs to make a classification system of corn seeds automatically. This study uses corn seed images as classification data. The system uses public data from Naagar which consists of four classes:  pure, discolored, silk cut, and broken. Image classification uses a Convolutional Neural network (CNN) with ResNet152v2 architecture. The hyperparameters used consist of a learning rate of 0.001, a batch size of 512, and an epoch of 25. Adaptive Moment Estimation (Adam) for the optimizer. Percentage of data training vs validation 80:20. The validation results show an accuracy of 65%, precision of 66%, and recall of 64%.
Peningkatan Manajemen Administrasi Data dan Aktivitas Pembelajaran pada Pusat Kegiatan Belajar Masyarakat di Kabupaten Bangkalan Wahyudi setiawan; fitri damayanti; Mohammad Syarief
Jurnal Abdimas Vol 21, No 2 (2017): December 2017
Publisher : Universitas Negeri Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15294/abdimas.v21i2.10552

Abstract

Pendidikan  merupakan hak dasar setiap warga negara. Pendidikan dibutuhkan untuk mewujudkan Sumber Daya Manusia (SDM) yang berkualitas. Salah satu permasalahan pendidikan yaitu kurangnya pemerataan kesempatan untuk mendapatkan pendidikan yang layak. Pendidikan Non Formal menjadi alternatif solusi penyelenggaraan pendidikan. Pada penelitian ini dibangun sebuah sistem informasi pengelolaan data sekolah. Sistem informasi terdiri dari lima tingkat user yaitu administrator utama, administrator sekolah, guru, siswa dan umum. Data yang diolah berupa data sekolah, fasilitas, pengelola, guru, siswa serta informasi umum. Untuk data siswa terdapat history mulai siswa masuk hingga siswa lulus. Selain itu terdapat pula Satuan Acara Pembelajaran (SAP) yang menginformasikan materi-materi yang harus  disampaikan pada proses belajar mengajar. Sistem informasi ini akan dilengkapi dengan aplikasi pembelajaran untuk Ujian Nasional bagi siswa kejar paket C yang terdiri dari materi dan latihan ujian pilihan ganda untuk mata pelajaran ekonomi, sosiologi, bahasa Indonesia, bahasa Inggris, Geografi dan Matematika. Data dan informasi yang diolah berasal dari Dinas Pendidikan Kabupaten Bangkalan serta penyelenggara program kejar paket. Sedangkan materi aplikasi pembelajaran berasal dari buku-buku pelajaran tertentu setingkat SMA. Diharapkan sistem informasi pengelolaan data sekolah dan aplikasi pembelajaran untuk siswa kejar paket C ini dapat meningkatkan mutu pendidikan sekolah non formal di wilayah kabupaten Bangkalan.  
PENGARUH REDUKSI DIMENSI PADA CLUSTERING CITRA DAUN TOMAT MENGGUNAKAN DARKNET19 DAN K-MEANS Aeri Rachmad; Muhammad Holilur Rohman; Wahyudi Setiawan
NERO (Networking Engineering Research Operation) Vol 8, No 1 (2023): Nero - April 2023
Publisher : Jurusan Teknik Informatika Fakultas Teknik Universitas Trunojoyo Madura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21107/nero.v8i1.21473

Abstract

Image Clustering adalah pengelompokan citra dari kelas tanpa label sebelumnya. Pada penelitian ini menggunakan citra clustering dengan data daun tomato leaf panthogen sebanyak 900 citra yang terdiri dari 3 cluster yaitu Bacterial Spot, Yellow Leaf Curl Virus dan Healthy. Pada setiap cluster memiliki 300 citra. Langkah awal yang dilakukan adalah ekstraksi fitur menggunakan DarkNet19. DarkNet19 menerapkan beberapa parameter seperti epoch sebanyak 160 dengan menggunakan Stochastic Gradient Descent, Learning Rate dimulai dari 0.01, weight decay 0.0005, dan augmentasi data termasuk random crops, rotations, hue, saturation, and exposure shifts. Selain ekstraksi fitur, pada penelitian ini juga melakukan pengurangan dimensi menggunakan Principal Component Analysis (PCA). Selanjutnya, proses clustering menggunakan K-Means Clustering. Penelitian ini bertujuan untuk mengetahui tingkat akurasi dalam proses Clustering penyakit daun tomat menggunakan metode CNN DarkNet19, PCA dan K-Means. Hasil klastering yang terbaik menggunakan K-Means Clustering dengan PCA 20 yang menghasilkan accuracy 97.7%, precission 97.73%, dan recall 97.67% dengan waktu komputasi 1 menit 16 detik.Kata Kunci: Image Clustering, Penyakit Daun Tomat, DarkNet19, Principal Component Analysis, K-Means Clustering.
PREDIKSI KURS MATA UANG RIYAL KE RUPIAH MENGGUNAKAN METODE SUPPORT VECTOR REGRESSION (SVR) Andika Wahyudi; Wahyudi Setiawan; Yudha Dwi Putra Negara
METHODIKA: Jurnal Teknik Informatika dan Sistem Informasi Vol. 10 No. 2 (2024): Volume 10 Nomor 2
Publisher : Universitas Methodist Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46880/mtk.v10i2.3307

Abstract

Currency exchange rates have an important role in a country's development and economy, especially in international trade and investment. Currency exchange rate fluctuations can have a significant impact on various aspects of the economy. One example is the Rupiah exchange rate against the Saudi Arabian Riyal (SAR), which is important for many Indonesian citizens who undertake the Hajj and Umrah. Currency exchange rate prediction is a complex task because it is influenced by various economic, political, and social factors. Therefore, a method is needed that is able to accommodate the complexity and dynamics of the data. One potential method for predicting currency exchange rates is Support Vector Regression (SVR). SVR is a machine learning method that has demonstrated good performance in various prediction applications due to its ability to handle non-linear data and capture complex patterns in data. This research aims to apply the SVR method to predict the Riyal currency exchange rate against the Rupiah. Prediction accuracy will be measured using Mean Absolute Percentage Error (MAPE). This research is expected to contribute in providing an accurate and efficient tool for predicting the Riyal exchange rate against the Rupiah, providing insight into the application of SVR in currency exchange prediction, and providing practical guidance in implementing the SVR method for the purpose of predicting currency exchange rates. Based on 120 test analyses using the Support Vector Regression (SVR) method using data compositions of 90: 10, 80: 20, and 70: 30, the Mean Absolute Percentage Error (MAPE) value is 0.817317 in testing using a data composition of 90: 10.
Penerapan Digitalisasi Data Umkm Berbasis Website Untuk Monitoring UMKM Di Desa Saroka Eka Mala Sari Rochman; Rachmad, Aeri; Setiawan, Wahyudi
Jurnal Pengabdian dan Pemberdayaan Banyuwangi (Jurnal Abdiwangi) Vol 1 No 1 (2023): Jurnal Abdiwangi
Publisher : Pusat Penelitian dan Pengabdian Kepada Masyarakat, Politeknik Negeri Banyuwangi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57203/abdiwangi.v1i1.2023.54-64

Abstract

Potensi ekonomi lokal pedesaan dapat menjadi salah satu faktor pendukung pembangunan desa yang dapat dimanfaatkan oleh masyarakat untuk menciptakan nilai tambah. Salah satu cara yang dapat membangun ekonomi masayarakat pedesaan adalah dengan mendirikan usaha mikro, kecil dan menengah atau disebut dengan UMKM. sektor UMKM berperan penting untuk memajukan perekonomian masyarakat maupun negara. Desa memiliki peran untuk mendukung pembangunan pada sektor tersebut. salah satu fungsi desa adalah memberikan sarana prasarana terhadap masyarakat desa salahsatunya dukungan terhadap UMKM yang ada didesa. Saat ini desa masih mengalami kesulitan untuk melakukan pendataan UMKM karena tumbuhnya usaha mikro masyarakat tersebut seringkali tidak melibatkan desa. Dengan demikian desa masih belum memiliki data induk UMKM hingga data perkembangan UMKM tersebut secara realtime. Hal ini menyebabkan desa tidak dapat mengambil keputusan secara tepat untuk memberikan dukungan pada UMKM
KLASIFIKASI JENIS BENIH KACANG MENGGUNAKAN SMOTE DAN DECISION TREE C4.5 Al-Afghoni, J.M. Havidz Yasaf; Wahyudi Setiawan; Dwi Putra Negara, Yudha
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 9 No. 1 (2025): JATI Vol. 9 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v9i1.12366

Abstract

Di era yang berubah semakin modern ini semua hal dapat diidentifikasikan berdasarkan kriteria atau atribut yang di miliki, mulai dari benda, hewan, tanaman, dan semua hal yang memiliki materi. Penelitian ini bertujuan untuk mengklasifikasikan jenis kacang, ada banyak kacang yang belum memiliki label yang sesuai sehingga sering salah dalam menentukan jenisnya, penelitian ini bertujuan untuk mengelompokkan data kacang baru agar sesuai dengan jenis kacang yang dibutuhkan, metode decision tree C4.5. Metode ini digunakan untuk membuat model pengelompokan data yang dapat menggolongkan kacang ke dalam class yang berbeda berdasarkan atribut-atributnya. Data yang dipergunakan pada penelitian ini data yang berasal Murat Koklu, dengan data yang terbagi menjadi 7 class yaitu Seker 2027 data, Barbunya 1322 data, Bombay 522 data, Cali 1630 data, Dermason 3546 data, Horoz 1928 data dan Sira 2636 data dengan total data 13611dan memiliki atribut data berjumlah 16 jenis. Data yang diperoleh di normalisasi lalu dilakukan penyeimbangan data karena data tidak seimbang tiap Class dengan teknik SMOTE (Synthetic Minority Over-sampling Technique), berikutnya dilakukan pembagian data menggunakan K-Fold Cross Validation. Klasifikasi yang digunakan pada penelitian ini adalah decision tree C4.5. dan dari penelitian ini menghasilkan tingkat akurasi sebesar 94% presisi sebesar 94%, recallnya 94%, dan f1-scorenya adalah 94%, hasil ini dievaluasi menggunakan Confusion Matrix
Penerapan Data Mining untuk Klasifikasi Penyakit Diabetes Menggunakan Metode Decision Tree Haryadi, Alya Nabila Putri; Setiawan, Wahyudi; Fatah, Doni Abdul
Jurnal Nasional Komputasi dan Teknologi Informasi (JNKTI) Vol 7, No 6 (2024): Desember 2024
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v7i6.8145

Abstract

Abstrak - Diabetes merupakan penyakit yang bukan hanya menyerang orang dengan usia lanjut, akan tetapi saat ini banyak pula anak remaja bahkan anak dibawah umur yang sudah menderita diabetes. Hal ini dikarenakan pola hidup yang tidak sehat. Disamping makanan dan minuman yang dikonsumsi banyak mengandung gula, penyakit ini juga sering disebabkan oleh kurangnya aktivitas pada sehari-hari. Maka dirasa sangat perlu dilakukan penelitian semacam ini guna mencegah dan juga menolong untuk mengobati pasien yang sudah terkena penyakit diabetes maupun yang beresiko terkena penyakit diabetes. Maka untuk membantu dalam bidang kesehatan, maka dilaksanakan penelitian ini dengan menggunakan metode algoritma Decision Tree, dan menggunakan tools RapidMiner. Dalam penggunaan metode algoritma Decision Tree dalam klasifikasi penyakit diabetes hasil Akurasi yang dihasilkan yaitu 77,34% , Precision yaitu 75,08%, Recall 97,60%, dan F1 Score sebesar 0,8486, hal ini menunjukkan bahwa ketepatan akurasi dalam memprediksi klasifikasi data penyakit diabetes dengan menggunakan metode decision tree adalah 84,86%. Sehingga dirasa metode ini memiliki tingkat akurasi yang cukup tinggi.Kata kunci: Data Mining, Klasifikasi, Diabetes, Pohon Keputusan, Rapid Miner Abstract - Diabetes is a disease that not only attacks people with old age, but currently many teenagers and even minors already suffer from diabetes. This is due to an unhealthy lifestyle. In addition to the food and drinks consumed containing a lot of sugar, this disease is also often caused by a lack of daily activity. So it is felt that this kind of research is very necessary to prevent and also help treat patients who already have diabetes or who are at risk of developing diabetes. So to help in the health sector, this research was carried out using the Decision Tree algorithm method, and using the RapidMiner tool. In using the Decision Tree algorithm method in the classification of diabetes, the resulting Accuracy results are 77.34%, Precision is 75.08%, Recall 97.60%, and F1 Score of 0,8486, this shows that the accuracy of the accuracy in predicting the classification of diabetes data using the decision tree method is 84.86%. So it is felt that this method has a fairly high level of accuracy.Keywords:Data Mining, Classification, Decision Tree, Diabetes, Rapid Miner
Perbandingan Klasifikasi Data Diabetes Antara Metode Gaussian Naïve Bayes Dengan K-Nearest Neighbor Dewi, Meidah; Dianti, Dhea Rahma; Kawindra, Revalina; Kusumaputri, Aditya; Setiawan, Wahyudi
DoubleClick: Journal of Computer and Information Technology Vol. 8 No. 2 (2025): Edisi Februari 2025
Publisher : Universitas PGRI Madiun

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25273/doubleclick.v8i2.20379

Abstract

Diabetes merupakan masalah kesehatan global serius dengan 422 juta penderita, sebagian besar di negara berpendapatan rendah dan menengah. Setiap tahun, sekitar 1,5 juta jiwa meninggal akibat diabetes. Teknik data mining, seperti algoritma Gausian Naïve Bayes dan K-Nearest Neighbor (K-NN), telah banyak digunakan untuk memprediksi risiko diabetes. Penelitian ini melalui tahapan eksplorasi data, pre-processing, dan modeling data. Dataset berasal dari NN CLF Diabetes Knightbearr. Setelah eksplorasi dan pre-processing untuk memastikan kualitas data, modeling dilakukan dengan algoritma Naïve Bayes dan K-NN. Naïve Bayes menunjukkan akurasi tinggi sebesar 97.12%, sedangkan K-NN, dengan K = 3, dan menunjukkan akurasi precision = 86%, recall= 90%, f1-score= 87%, dan keseluruhan sebesar 88.94%. Akurasi tinggi dari kedua algoritma ini menunjukkan potensi besar dalam membantu prediksi dan deteksi dini risiko diabetes, berkontribusi pada pengelolaan dan pencegahan penyakit ini di masa depan. Penelitian ini menegaskan pentingnya penerapan teknik data mining dalam bidang kesehatan untuk meningkatkan kualitas hidup penderita diabetes dan mengurangi angka kematian.
Perbandingan Akurasi Metode Naive Bayes dan Metode Random Forest dalam Mendiagnostik Penyakit Kanker Payudara Rohmah, Nisaur; Safitri, Eka Ayu; Alinta, Cici; Oktalina, Yuyun; Setiawan, Wahyudi
DoubleClick: Journal of Computer and Information Technology Vol. 8 No. 2 (2025): Edisi Februari 2025
Publisher : Universitas PGRI Madiun

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25273/doubleclick.v8i2.20383

Abstract

Kanker payudara merupakan penyakit yang mempunyai dampak signifikan terhadap kesehatan wanita di seluruh dunia. Dalam penelitian ini, kami menggunakan data dari kumpulan data Wisconsin Diagnostic untuk membandingkan kinerja dua metode klasifikasi dalam diagnosis kanker payudara: Naive Bayes dan Random Forest. Metode Naive Bayes menggunakan pendekatan probabilitas sederhana untuk mengklasifikasikan data, sedangkan Random Forest membuat beberapa pohon keputusan dan menggabungkannya untuk meningkatkan akurasi prediksi. Sebelum membandingkan performa kedua algoritma, dilakukan proses preprocessing data yang meliputi identifikasi fitur, deteksi outlier, dan normalisasi. Kedua algoritma tersebut dilatih dan diuji menggunakan data dari dataset Wisconsin Diagnostic yang terdiri dari 569 sampel dengan 32 atribut dan 2 kelas. Hasil pengujian menunjukkan bahwa Naive Bayes menghasilkan akurasi sebesar 0.932, precision sebesar 0.933, recall sebesar 0.931, dan F1-score sebesar 0.932. Sedangkan Random Forest menghasilkan akurasi sebesar 0.9442, precision sebesar 0.945, recall sebesar 0.944, dan F1-score sebesar 0.944. Dalam konteks ini, Random Forest sedikit lebih akurat dibandingkan Naive Bayes, namun keduanya baik untuk mendiagnosis kanker payudara jinak dan ganas. Penelitian ini memberikan wawasan tentang efektivitas Naive Bayes dan Random Forest dalam membantu diagnosis kanker payudara berdasarkan kumpulan data klinis modern. Meskipun hasilnya menunjukkan bahwa Random Forest lebih unggul dalam hal akurasi, penting untuk mempertimbangkan konteks dan karakteristik kumpulan data ketika memilih algoritma klasifikasi yang tepat untuk aplikasi medis.
Co-Authors Abdul Ghofur Aeri Rachmad Aeri Rachmad Afiful Ikhwan Ainun Subair Ainun Subair Al-Afghoni, J.M. Havidz Yasaf Alinta, Cici Ami Yani Nur Amirul Mukminin Andika Wahyudi Aris Sugiharto Budi Setiyono Dewi, Meidah Dianti, Dhea Rahma Fahmi, Muhammad Farid Fatah, Doni Abdul Fitri Damayanti Fitri Damayanti Fitri Damayanti Haryadi, Alya Nabila Putri Kawindra, Revalina KHOIRUL ANAM Kholij Zukhrufin, Fina Koeshardianto, Meidya Kori Cahyono Kurniawan, Bambang Dwi Kusumaputri, Aditya Kusworo Adi M. Alauddin Helmi Mala Sari Rochman, Eka Moch Faiz Ansori Moh. Imam Utoyo Mohammad Syarief Mohammad Syarief Mohammad Syarief Mohammad Syarief Mohammad Syarief, Mohammad Muh. Tajab Muh. Tajab, Muh. Muhammad Bakriansyah Muhammad Bakriansyah Muhammad Farid Fahmi Muhammad Fuad Muhammad Fuad Muhammad Holilur Rohman Muhammad Mushlih Suhadi Mukhlis Nur Pancahari Mukminin, Amirul Novi Prastiti Novi Prastiti, Novi Nur Kholik Afandi Nurul Iman Oktalina, Yuyun Prastiti, Novi Rachman, Fika Hastarita Reny Pujiastutik Riries Rulaningtyas Riries Rulaningtyas Rochman, Eka Mala Sari Rohmah, Nisaur Safitri, Eka Ayu Sofie Ratnasari Syam, Aldo Redho Syarief, Mohammad Wahyudi Agustiono Yudha Dwi Putra Negara, Yudha