p-Index From 2020 - 2025
7.987
P-Index
This Author published in this journals
All Journal IAES International Journal of Artificial Intelligence (IJ-AI) IJCCS (Indonesian Journal of Computing and Cybernetics Systems) Seminar Nasional Aplikasi Teknologi Informasi (SNATI) Jurnal Buana Informatika Dinamika Informatika Jurnal Teknologi MAGISTRA Sinergi Jurnal Teknologi Informasi dan Ilmu Komputer Telematika Proceedings Konferensi Nasional Sistem dan Informatika (KNS&I) Seminar Nasional Informatika (SEMNASIF) INFORMATIKA Khazanah Informatika: Jurnal Ilmu Komputer dan Informatika Jurnal Ilmiah KOMPUTASI Sistemasi: Jurnal Sistem Informasi JOIV : International Journal on Informatics Visualization Sinkron : Jurnal dan Penelitian Teknik Informatika Creative Information Technology Journal Jurnal Sains dan Informatika MATRIK : Jurnal Manajemen, Teknik Informatika, dan Rekayasa Komputer Jurnal Penelitian dan Pengabdian Kepada Masyarakat UNSIQ CSRID (Computer Science Research and Its Development Journal) Informasi Interaktif JOISIE (Journal Of Information Systems And Informatics Engineering) EDUMATIC: Jurnal Pendidikan Informatika Jurnal Suara Keadilan Technologia: Jurnal Ilmiah KURVATEK Jurnal Tecnoscienza Respati Jurnal Sistem Komputer & Kecerdasan Buatan Journal of Computer System and Informatics (JoSYC) Jurnal Informa: Jurnal Penelitian dan Pengabdian Masyarakat Madani : Indonesian Journal of Civil Society JURNAL PENDIDIKAN, SAINS DAN TEKNOLOGI Jurnal TIKOMSIN (Teknologi Informasi dan Komunikasi Sinar Nusantara) Jurnal Teknimedia: Teknologi Informasi dan Multimedia Journal of Electrical Engineering and Computer (JEECOM) Jurnal Computer Science and Information Technology (CoSciTech) Jurnal Senopati : Sustainability, Ergonomics, Optimization, and Application of Industrial Engineering Journal of Applied Sciences, Management and Engineering Technology (JASMET) Jurnal Ekonomi dan Teknik Informatika Transformasi Jurnal Ilmiah IT CIDA : Diseminasi Teknologi Informasi Jurnal Dinamika Informatika (JDI) Prosiding Seminar Nasional Sisfotek (Sistem Informasi dan Teknologi Informasi) PELS (Procedia of Engineering and Life Science) JAIA - Journal of Artificial Intelligence and Applications Duta.com : Jurnal Ilmiah Teknologi Informasi dan Komunikasi EXPLORE Prosiding University Research Colloquium COREAI: Jurnal Kecerdasan Buatan, Komputasi dan Teknologi Informasi Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi) Journal of Information Technology and society (JITS) Teknomatika: Jurnal Informatika dan Komputer Explore Jurnal Teknologi SWAGATI: Journal of Community Service
Claim Missing Document
Check
Articles

Found 6 Documents
Search
Journal : Journal of Electrical Engineering and Computer (JEECOM)

Klasifikasi Hama Pada Daun Sawi Menggunakan Convolutional Neural Network (CNN) Dengan Algoritma Xcaption dan Optimasi Adam Saiful Bahri; Andi Sunyoto; Mei P. Kurniawan
Journal of Electrical Engineering and Computer (JEECOM) Vol 6, No 2 (2024)
Publisher : Universitas Nurul Jadid

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33650/jeecom.v6i2.9529

Abstract

Sawi (Brassica rapa) adalah sayuran yang populer di Indonesia, namun serangan hama sering kali menghambat produktivitasnya, mengurangi kualitas dan kuantitas panen. Identifikasi hama secara akurat sangat penting untuk pengendalian yang efektif, namun metode konvensional yang melibatkan pengamatan visual sering kali kurang efisien dan rentan terhadap kesalahan manusia. Oleh karena itu, penelitian ini memanfaatkan teknologi terbaru dalam pemrosesan citra dan machine learning untuk meningkatkan akurasi dan efisiensi dalam identifikasi hama pada daun sawi. Convolutional Neural Network (CNN) dengan arsitektur Xception yang dioptimalkan menggunakan algoritma Adam dipilih sebagai metode utama untuk klasifikasi hama daun sawi. Penelitian ini menggunakan dataset gambar daun sawi dari situs publik kaggle, dengan preprocessing yang dilakukan untuk memastikan kualitas dan konsistensi data. Setelah melalui proses augmentasi data dan pelatihan model, model CNN dilatih dengan ukuran batch 64, epoch 100, dan dropout 0,5. Evaluasi menggunakan confusion matrix menunjukkan akurasi pelatihan dan validasi mencapai 99,00%. Hasil menunjukkan bahwa model CNN yang dikembangkan berhasil mencapai akurasi pelatihan dan validasi sebesar 99,00%. Evaluasi model menggunakan confusion matrix menunjukkan bahwa model mampu mengklasifikasikan hama daun sawi dengan akurasi yang sangat tinggi, memberikan solusi yang efisien untuk pengendalian hama di pertanian sawi. Hasil ini menunjukkan bahwa penggunaan teknologi CNN dengan optimasi yang tepat dapat secara signifikan meningkatkan kualitas dan produktivitas hasil panen.
Identifikasi Ekspresi Wajah Manusia Menggunakan Algoritma Grey Wolf Optimizer dan Convolutional Neural Network Ni’matur Rohim; Andi Sunyoto; Kusnawi Kusnawi
Journal of Electrical Engineering and Computer (JEECOM) Vol 6, No 1 (2024)
Publisher : Universitas Nurul Jadid

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33650/jeecom.v6i1.8269

Abstract

Penelitian ini mengeksplorasi penggunaan algoritma Grey Wolf Optimizer (GWO) untuk mengoptimalkan parameter pada Convolutional Neural Network (CNN) dalam mengenali ekspresi wajah manusia. Ekspresi wajah adalah aspek penting dalam komunikasi manusia, dan pengenalan ekspresi tersebut menjadi semakin vital dalam interaksi manusia-mesin dan bidang kesehatan psikologi. Metode deep learning, terutama CNN, telah terbukti efektif dalam mengklasifikasikan ekspresi manusia, meskipun masih menghadapi beberapa tantangan, seperti pengaturan parameter yang rumit dan kebutuhan akan data yang besar. Penelitian ini bertujuan untuk mencari parameter optimal untuk meningkatkan kinerja CNN dalam mengenali ekspresi wajah menggunakan algoritma GWO. Data yang digunakan adalah dataset Facial Expression Recognition 2013 (FER-2013), dengan total 600 citra wajah yang dibagi menjadi tiga kelas: happy, sad, dan angry. Pendekatan yang diusulkan mencakup preprocessing data, pencarian parameter arsitektur CNN menggunakan GWO, pembuatan model CNN, dan pengujian model menggunakan data testing. Hasil pengujian menunjukkan bahwa dengan parameter optimal, model CNN mencapai akurasi yang baik, dengan nilai akurasi 79% pada data training, 60% pada data validation, dan rata-rata akurasi 77% pada data testing. Penelitian ini menyoroti pentingnya penanganan yang cermat dalam menentukan parameter untuk memastikan hasil yang optimal dalam pengenalan ekspresi wajah manusia menggunakan CNN.
Peningkatan Akurasi Deteksi Kendaraan Menggunakan Kombinasi Haar Cascade Classifier dan Convolutional Neural Networks (CNN) Indra Irawanto; Andi Sunyoto; Kusnawi Kusnawi
Journal of Electrical Engineering and Computer (JEECOM) Vol 6, No 1 (2024)
Publisher : Universitas Nurul Jadid

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33650/jeecom.v6i1.8242

Abstract

Teknologi pengolahan citra digital dan computer vision telah memainkan peran penting dalam meningkatkan sistem pengaturan lalu lintas. Meskipun kamera CCTV umum digunakan, kebanyakan sistem masih bersifat pasif dan terbatas dalam pengawasan arus lalu lintas. Dalam menanggapi kebutuhan akan sistem yang lebih proaktif dan adaptif, dikembangkan berbagai sistem Manajemen Lalu Lintas Pintar yang mengintegrasikan teknologi deteksi objek kendaraan canggih, seperti kombinasi Haar Cascade Classifier dengan Convolutional Neural Network (CNN). Haar Cascade Classifier efektif dalam mendeteksi objek real-time, namun dapat mengalami kesulitan dalam kondisi gambar kompleks. Integrasi dengan CNN diharapkan meningkatkan akurasi deteksi kendaraan dalam berbagai kondisi pencahayaan dan latar belakang. Penelitian ini bertujuan untuk mengeksplorasi arsitektur CNN yang optimal untuk diintegrasikan dengan Haar Cascade guna mencapai efisiensi dan akurasi deteksi kendaraan yang lebih tinggi dalam pengaturan lalu lintas. Dari hasil eksperimen, kombinasi Haar Cascade dan CNN efektif dalam mendeteksi dan mengestimasi jumlah kendaraan. Performa model tergantung pada kompleksitas gambar, di mana semakin kompleks gambar, semakin rendah akurasi dan sensitivitasnya. Penggunaan arsitektur MobileNet dan Xception menunjukkan kemampuan yang baik dalam mendeteksi kendaraan, dengan Xception memberikan sedikit peningkatan dalam akurasi (80.13%) dibandingkan dengan MobileNet (79.19%), namun dengan waktu komputasi yang sedikit lebih lama (1.02 detik dibandingkan dengan 0.82 detik). Pilihan antara kedua model tergantung pada kebutuhan spesifik aplikasi, seperti kebutuhan untuk akurasi yang lebih tinggi atau kecepatan pemrosesan yang lebih cepat. Dengan demikian, penelitian ini berpotensi untuk memberikan kontribusi signifikan bagi pengembangan sistem lalu lintas yang lebih cerdas dan responsif di masa depan.
Klasifikasi Penyakit Pada Daun Cabai Menggunakan Arsitektur VGG16 Ahmad Sanusi Mashuri; Andi Sunyoto; Kusnawi Kusnawi
Journal of Electrical Engineering and Computer (JEECOM) Vol 6, No 2 (2024)
Publisher : Universitas Nurul Jadid

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33650/jeecom.v6i2.9116

Abstract

Penyakit pada tanaman cabai dapat mengancam produktivitas dan kualitas hasil panen jika tidak terdeteksi dan diatasi secara tepat waktu. Untuk meningkatkan deteksi dini penyakit pada tanaman cabai, kami mengembangkan sistem klasifikasi menggunakan arsitektur VGG16, sebuah jaringan saraf konvolusional yang telah terbukti efektif dalam pengolahan gambar kompleks. Penelitian ini memanfaatkan dataset citra daun cabai yang terdiri dari beberapa kelas penyakit yang umum dijumpai, termasuk Healthy, Yellowish, whitefly, leafcurl dan leafspot. Citra-citra ini diolah dan dinormalisasi untuk pelatihan dan pengujian model. Arsitektur VGG16 digunakan sebagai model dasar, yang telah dipre-trained pada dataset ImageNet untuk meningkatkan kinerja klasifikasi. Proses pelatihan model dilakukan dengan memanfaatkan teknik transfer learning, di mana lapisan-lapisan akhir dari VGG16 disesuaikan dengan dataset penyakit daun cabai. Selama pengujian, sistem berhasil mengenali dan mengklasifikasikan penyakit pada daun cabai dengan tingkat akurasi yang tinggi. Hasil evaluasi menunjukkan bahwa arsitektur VGG16 mampu mengenali berbagai penyakit dengan akurasi rata-rata sebesar 0.9962%. sedangkan waktu komputasi yang dibutukan adalah 7 detik.
Implementation of YOLOv7 Model for Human Detection in Difficult Conditions B, Arijal; Sunyoto, Andi; Hanafi, M.
Journal of Electrical Engineering and Computer (JEECOM) Vol 7, No 1 (2025)
Publisher : Universitas Nurul Jadid

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33650/jeecom.v7i1.10662

Abstract

The rapid development of artificial intelligence technology in recent decades has led to the development of highly efficient object detection algorithms, including human detection under difficult conditions. Human detection is one of the major challenges in computer vision as it involves various complex factors such as obstructed human objects, pose variations, small low-resolution human objects, as well as the presence of fake human objects such as statues or images. This research uses the SLR (Systematic Literature Review) method to determine the algorithm used, namely YOLOv7. The three YOLOv7 models tested in this study are YOLOv7x.pt, YOLOv7-w6-person.pt, and YOLOv7-w6-pose.pt. These models were selected based on their excellence in detecting human objects and their relevance for complex scenarios. Tests were conducted using 100 images obtained from the internet and divided into four categories of human objects under difficult conditions, which represent various challenges in human detection. Analysis was performed using convusion matrix to evaluate performance metrics such as accuracy, precision, recall, and F1-score. Based on the test results, the YOLOv7-w6-person.pt model showed the best overall performance, especially in detecting humans in obstructed conditions and complex lighting with a precision of 90.4%, Recall 88.7%, and F1-Score 89.5%. This model has higher accuracy, precision, and F1-score than the other models, making it a reliable choice for human detection in difficult scenarios. These findings not only demonstrate the relevance of YOLOv7 as a reliable human detection algorithm, but also provide a basis for further optimization of YOLOv7-based human detection systems, both through improving the model architecture and adapting to more specific datasets. This research makes an important contribution to the development of human detection technologies for real-world applications, such as surveillance, crowd analysis, and automated safety systems.
Improving Tomato Ripeness Classification Using Knowledge Distillation and Hyperparameter Optimization with Optuna Sholihin, Iasya; Sunyoto, Andi
Journal of Electrical Engineering and Computer (JEECOM) Vol 7, No 2 (2025)
Publisher : Universitas Nurul Jadid

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33650/jeecom.v7i2.11266

Abstract

Automatic classification of tomato ripeness plays a crucial role in ensuring post-harvest quality and efficiency in the horticultural industry. This study proposes a combined strategy of Knowledge Distillation (KD) and hyperparameter optimization using Optuna to improve the accuracy of the ResNet50 student model by leveraging the performance of a MobileNetV2 teacher model.We used a publicly available Kaggle dataset containing 8,540 images, categorized into four ripeness levels (green, red, ripe, and rotten), comprising 7,157 training images and 1,383 validation images.Each image was resized to 224×224 pixels; light augmentation techniques (random rotation, brightness–contrast adjustment, flipping, and Gaussian blur) were applied only to the training set to prevent overfitting while maintaining consistency during evaluation.The MobileNetV2 teacher model was initially fine-tuned on the last 20 layers using manual hyperparameters (freeze_until = 20, dropout = 0.6), achieving an accuracy of 85.8%.Subsequent tuning via Optuna identified the optimal configuration (freeze_until = 91, dropout_rate = 0.5055), which improved the teacher’s performance to 89.6%.The resulting teacher model was then used to distill knowledge into the ResNet50 student: under manual settings, the student’s accuracy improved from 55.24% to 73.25%; when the student model was also optimized using Optuna, its accuracy surged to 85.54% nearly matching the teacher.Further evaluation using a confusion matrix and ROC curves revealed an increase in per-class AUC to the range of 0.91–0.99 in the KD + Optuna student model, confirming that this method effectively closes the performance gap between student and teacher.These findings demonstrate that combining KD with Optuna-based hyperparameter optimization is an effective approach for producing a lightweight, fast, and highly accurate tomato ripeness classification model ready for deployment in field applications to support post-harvest decision-making.
Co-Authors *, Pramono A.A. Ketut Agung Cahyawan W Aam Shodiqul Munir Abdul Jalil Rozaqi Abdul Jalil Rozaqi Abdul Mizwar A. Rahim Abidarin Rosidi Abidarin Rosidi Ade Kurniawan kurniawan Ade Pujianto Afis Julianto Afis Julianto Agus Harjoko Agus Harjoko AGUS PURWANTO Ahmad Sanusi Mashuri Aidina Ristyawan, Aidina Alva Hendi Muhammad Alva Hendi Muhammad Alva Hendi Muhammad Muhammad Ana Wati Ndarbeni Anna Baita Annas Al Amin Arif Sutikno Asro Nasiri Asro Nasiri Asro Nasiri Astria, Kadek Kiki B, Arijal Bambang Soedijono Bambang Soedijono WA Banu Dwi Putranto Bayu Anugerah Putra Bayu Setiaji Bonifacius Vicky Indriyono Bonifacius Vicky Indriyono, Bonifacius Vicky Cahyo, D. Diffran Nur Dhanar Intan Surya Saputra Diansyah, Ahmad Febri Dwi Sari Widyowaty Dwi Yuli Prasetyo Eka Yulia Sari Eko Pramono Eko Pramono Ema Utami Emha Taufiq Luthfi Emha Taufiq Luthfi Ferry Wahyu Wibowo Ferry Wahyu Wibowo Firdiyan Syah Fitri Handayani Gagah Gumelar Gori, Takhamo Hani Atun Mumtahana Hani Atun Mumtahana Hani Setiani Hanif Al Fatta Hanif Al Fatta Hanif Al Fatta Hanif Al Fatta Harianto, Harianto Hidayat Hidayat Ibnu Hadi Purwanto Ikhwan Baidlowi Sumafta Ikmah Ikmah Indah Nofikasari Indra Irawanto Ismail, Muhamad Yusuf Isthigosah, Maie K Kusrini Kapti . kurniawan, Ade Kurniawan Kurniawan, Mei P Kusnawi Kusnawi Kusnawi Kusnawi Kusrini Kusrini Kusrini Kusrini Kusrini Kusrini Kusrini Kusrini Kusrini Kusrini Kusrini Kusrini Kusrini Kusrini Kusrini Kusrini Kusrini Kusrini Liana Trihardianingsih Licantik M rudyanto Arief M. Afriansyah M. Hanafi M. Rudyanto Arief M. Suyanto M. Suyanto, M. M. Syukri Mustafa Maie Istighosah Mei P. Kurniawan Mohammad Suyanto Mudawil Qulub Muhammad Rudyanto Arief Muhammad Setiyawan Muhammad, Anva Hendi Muhartini, Sitti Mumtahana, Hani Atun Mursyid Ardiansyah Nalendra, Adimas Ketut Nasiri, Asro Nizar Haris Masruri Ni’matur Rohim Noordin Asnawi Norlaila2 Nugraha, Anggit Ferdita Nulngafan, Nulngafan Nur Arifin Akbar Parsiyono Parsiyono Patmawati Patmawati, Patmawati Pramono * Putranto, Dinar Wakhid Quratul Ain Rafli Junaidi Kasim Rahim Jamal Rahmat Hidayat Raynaldi Fatih Amanullah Ria Andriani Rifda Faticha Alfa Aziza Rifqi Mulyawan Riyanto, Thomas Pramuji Singgih Riza Marsuciati Rizfi Syarif Rizky Arya Kurniawan Rudi Prietno Sahirul Muklis Saiful Bahri Salmuasih - Samsul Bahri Sari, Rita Novita Setiawan Budiman Sholihin, Iasya Silvi Agustanti Bambang Singgih Arif Widodo Slamet Triyanto Soedijono W A, Bambang Sudarmawan Sudarmawan Sudarmawan, Sudarmawan Sudiana Sudiana Sukresno Sukresno Sulistyowati Sulistyowati Suliswaningsih Suliswaningsih Supomo, Eko Sutejo, Danang Syah, Firdiyan Syah, Firdiyan Syukirman Amir TONNY HIDAYAT Ulinuha, Hinova Rezha W., Bambang Soedijono WA, Bambang Soedijono Wahyu Caesarendra Wahyu Hidayat Wihayati, Wihayati Windarni, Vikky Aprelia Windha Mega Pradnya Dhuhita Wing Wahyu Winarno Yoga Dwi Pambudi Yoga Pristyanto Yohanes Setyo Prabowo, Yohanes Setyo Yusuf Sutanto Zaipin, Zaipin