Article Per Year (5 Year)
p-Index From 2021 - 2026
2.42
P-Index
This Author published in this journals
All Journal Indonesian Journal of Engagement, Community Services, Empowerment and Development (IJECSED) Jurnal Info Sains : Informatika dan Sains Arus Jurnal Sosial dan Humaniora Jurnal Pengabdian Masyarakat Information Technology (JPM ITech) Abdi Jurnal Publikasi Journal of Artificial Intelligence and Digital Business Indonesian Journal of Multidisciplinary on Social and Technology LOGIC : Jurnal Ilmu Komputer dan Pendidikan BULLET : Jurnal Multidisiplin Ilmu Kohesi: Jurnal Sains dan Teknologi Teknik: Jurnal Teknik Mesin, Elektro dan Ilmu Komputer
Wiwin Winarti
Universitas Pamulang
Religion Humanities Biochemistry, Genetics & Molecular Biology Chemical Engineering, Chemistry & Bioengineering Computer Science & IT Control & Systems Engineering Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Medicine & Pharmacology Nursing Social Sciences Other

Published : 13 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 13 Documents
Search

 1   2 
Implementasi Sistem Deteksi dan Klasifikasi Cacat Produk Berbasis Web Menggunakan Algoritma YOLOv8 Anggarini Puspita Rarasati; Wiwin Winarti
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 5 No. 2 (2026): Mei-Juli
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v5i2.12724

Abstract

Proses quality control pada produk metal cutting dies umumnya masih dilakukan melalui inspeksi visual secara manual, sehingga rentan terhadap ketidakkonsistenan, kelelahan, dan kesalahan manusia, terutama pada industri dengan volume produksi tinggi. Kondisi ini mendorong kebutuhan akan sistem inspeksi otomatis yang lebih cepat, objektif, dan konsisten dibandingkan pengamatan manual. Penelitian ini bertujuan mengembangkan sistem berbasis web untuk mendeteksi dan mengklasifikasikan cacat produk menggunakan algoritma YOLOv8. Pendekatan yang digunakan memanfaatkan object detection untuk mengidentifikasi area cacat pada permukaan produk, kemudian menentukan kondisi akhir produk ke dalam dua kategori yaitu defect dan non-defect berdasarkan confidence thresholding dengan ambang batas nilai confidence sebesar 50%. Tahapan penelitian meliputi studi pustaka, pengumpulan dataset, anotasi citra menggunakan platform Roboflow, pra-pemrosesan dan augmentasi data, pelatihan model, evaluasi model, perancangan antarmuka web, serta pengujian fungsional sistem secara menyeluruh. Model YOLOv8n (Nano) dilatih menggunakan dataset sebanyak ±200 gambar dengan transfer learning dari checkpoint publik MS COCO pada lingkungan komputasi berbasis CPU, dan menghasilkan nilai Precision sebesar 51,5% pada epoch terbaik ke-31, Recall sebesar 44,3%, dan mAP@0.5 sebesar 39,3%. Sistem web berbasis Flask yang dibangun mampu menampilkan bounding box pada area cacat beserta status akhir produk secara otomatis. Pengujian fungsionalitas menggunakan Black Box Testing menunjukkan seluruh skenario, baik positif maupun negatif, berhasil berjalan sesuai rencana dengan tingkat keberhasilan 100%, menegaskan bahwa pendekatan ini dapat diintegrasikan ke antarmuka sederhana tanpa latar belakang teknis kecerdasan buatan. Penelitian ini diharapkan mendukung inspeksi kualitas secara lebih cepat, konsisten, dan efisien, sekaligus menjadi dasar pengembangan lanjutan dengan dataset lebih besar dan akselerasi GPU.
Pengembangan Sistem Absensi Siswa Terintegrasi RFID Berbasis Web Menggunakan Metode Rapid Application Development Abdul Jabbar; Wiwin Winarti
Arus Jurnal Sosial dan Humaniora Vol 6 No 2: Agustus (2026)
Publisher : Arden Jaya Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57250/ajsh.v6i2.2994

Abstract

Sistem absensi manual yang diterapkan di SDIT Nurfatihah menimbulkan berbagai permasalahan: proses pencatatan membutuhkan waktu sekitar 15 menit per kelas sehingga mengurangi 10–15% waktu efektif belajar, akurasi pencatatan hanya berkisar 85–90%, serta rekapitulasi data yang tidak efisien dan memerlukan waktu beberapa hari. Penelitian ini bertujuan mengembangkan sistem absensi siswa berbasis web yang terintegrasi teknologi RFID (Radio Frequency Identification) menggunakan metode Rapid Application Development (RAD) yang diterapkan melalui empat tahap: identifikasi kebutuhan proyek, pembuatan prototipe, pengembangan dan umpan balik, serta implementasi dan finalisasi. Sistem dikembangkan menggunakan framework Laravel berbasis PHP dengan basis data MySQL dan RFID reader EM4100. Pengujian meliputi Black Box Testing, White Box Testing, dan User Acceptance Testing (UAT) terhadap 13 responden. Hasil UAT menunjukkan aspek Functionality 96,9%, Usability 96,6%, Reliability 96,6%, dan User Satisfaction 98,2%, dengan rata-rata keseluruhan 97,2%. Seluruh responden menyatakan sistem ini lebih unggul dibandingkan metode manual dan layak diterapkan di lingkungan sekolah dasar.
Penerapan Metode GANS (Generative Adverarial Networks) Pada Sistem Pakar Penyakit Tanaman Kakao (Desa Atar Lebar) Santia Isabela; Wiwin Winarti
Jurnal Teknik Mesin, Elektro dan Ilmu Komputer Vol. 6 No. 2 (2026): Juli : Jurnal Teknik Mesin, Elektro dan Ilmu Komputer
Publisher : Lembaga Pengembangan Kinerja Dosen

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55606/teknik.v6i2.11795

Abstract

Cocoa plant (Theobroma Cacao) is an important  economic commodity in indonesia that is susceprible to pest and disease attacks, particularly the Cocoa Pod Borer (CPB) which can reduce crop yileds by up to 70%. Limited access to agricultural experts and insufficient datasets pose challenges in applying deep learning technology  for plant disease  diagnosis. This research aims to implment Generative Adversarial Networks (GANs) method, specifically Deep Convolutional GAN (DCGAN) , for sataset augmentation to improve the performance  of an expert system for diagnosing  cocoa plant diseases. The research methodology includes data collection through field observations in Atar Lebar Village, Lampung and public  datasets from Kaggle, image preprcessing (resizing to 128 x 128 pixels and normalization from -1 to 1 ), augmnetation using DCGAN  to generate 2,000 synthetic images for disease class, and clasification using Convolutional Neural Network CNN) and MobileNetV2. The system is implmented as aweb -based application using PHP and Python for diagnosing three main disease types:  Pod Borer, Monilia and Black Pod Rot,  along wirh Healthy and Non – Cocoa Classes.
Co-Authors Abdul Jabbar Ahmad Nursodiq Akbar Zaelani Anggarini Puspita Rarasati Aqhilla Qhoriza Arif Kun Nurwanto Putro Dawam Agung Pribadi Dede Handayani Edi Mariyanto Edi Maryanto Khanif Faozi Landhep Arsa Pryangga Oke Hariansyah Raharjo, Ario Febri Putra Rian Feri Ariyanto Santia Isabela Yuda Samudra