Article Per Year (5 Year)
p-Index From 2021 - 2026
1.683
P-Index
This Author published in this journals
All Journal ILKOM Jurnal Ilmiah SISFO Jurnal Ilmiah Ilmu Komputer Fakultas Ilmu Komputer Universitas Al Asyariah Mandar Insan Cita Jurnal Pengabdian Kepada Masyarakat Indonesian Journal of Data and Science Journal La Multiapp Journal of Technology Research in Information System and Engineering Jurnal Pengabdian Masyarakat Nusantara EDUCATIONAL: Jurnal Inovasi Pendidikan dan Pengajaran
Agus Halid, Agus
Unknown Affiliation
Aerospace Engineering Agriculture, Biological Sciences & Forestry Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Environmental Science Industrial & Manufacturing Engineering Mathematics Public Health Social Sciences Other

Published : 12 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 12 Documents
Search

 1   2 
WEB-BASED MINIBUS CAR BOOKING APPLICATION Sabir, Fitriana M.; Latif, Nuraida; Halid, Agus; Asrul; Saputra, Febri Hidayat; Ananda, Restu
JTRISTE Vol 10 No 1 (2023): JTRISTE
Publisher : STMIK KHARISMA Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55645/jtriste.v10i1.477

Abstract

Permasalahan yang terjadi selama ini adalah calon penumpang masih mencari mobil mini bus secara langsung di PO Harapan Jaya dan belum adanya aplikasi pesanan mobil mini bus berbasis web untuk dapat mengakses keberangkatan, nomor kursi, rute, nomor telepon dan pembayaran secara via transfer sehingga dapat menyita waktu yang cukup lama. Maka dari itu dibutuhkan sebuah aplikasi pesanan mobil mini bus berbasis web agar dapat melakukan pemesanan mobil secara langsung menggunakan web dan mempermudah calon penumpang untuk mendapatkan mobil tanpa harus ke PO Harapan Jaya secara langsung. Penelitian ini bertujuan untuk membangun aplikasi pesanan mobil mini bus rute Sinjai – Makassar serta Untuk mempermudah calon penumpang mini bus mendapatkan mobil sesuai dengan jadwal keberangkatan, nomor kursi, rute, biaya dan pembayaran via transfer. Data ini diperoleh melalui penelitian lapangan dan pustaka. Website ini dibangun dengan menggunakan Metode Pengembangan Agile, yang meliputi penggunaan Blackbox untuk pengujian, PHP untuk pengkodean, dan analisis desain dengan pemodelan sistem UML. Hasil Penelitian ini menunjukkan bahwa penelitian ini imenghasilkan aplikasi pesanan mobil mini bus rute Sinjai-Makassar berbasis web pada Po Harapan Jaya. Kuesioner memberikan hasil dengan persentase 85%, dan tabel kelayakan menilai hasilnya sangat layak untuk digunakan.
KLASIFIKASI OBJEK KAPAL BERBASIS DEEP LEARNING UNTUK MARITIME SURVEILLANCE TANDUNG, ALBERTHA LOLO; ABDUH, MOCHAMMAD; ARAFAH, MUHAMMAD; HALID, AGUS; MULYONO , MULYONO; INRIANI, INRIANI
EDUCATIONAL : Jurnal Inovasi Pendidikan & Pengajaran Vol. 4 No. 4 (2024)
Publisher : Pusat Pengembangan Pendidikan dan Penelitian Indonesia (P4I)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51878/educational.v4i4.3753

Abstract

This study aims to develop a Convolutional Neural Network (CNN) model for ship type classification with high accuracy. The developed model achieved 92% accuracy, 91% precision, 93% recall, and 92% F1-Score, which shows the effectiveness of the model in identifying cargo, passenger, and fishing vessels. These results support the research hypothesis (H1), which states that CNN is able to classify ship types with an accuracy of more than 85%. This success was achieved through a systematic approach in data collection and processing. Images collected from Soekarno-Hatta Port and Samalona Island with varying angles and lighting provided diverse data that was important for model training. Data filtering and labeling using the Roboflow platform ensured optimal image quality. Model training used the TensorFlow framework with a batch size of 32 and 50 epochs, resulting in fast convergence and good generalization capabilities. Further evaluation showed that this model was able to minimize classification errors with balanced precision and recall. The main challenge includes the variation of external conditions, but the data augmentation technique successfully overcomes this problem and improves the robustness of the model. This study makes a significant contribution to the development of machine learning-based ship classification technology for maritime surveillance applications. Recommendations for further research include collecting larger datasets and exploring other image processing methods to improve model accuracy under more difficult shooting conditions. Overall, this study shows the great potential of using CNN for maritime surveillance efficiency. ABSTRAKPenelitian ini bertujuan mengembangkan model Convolutional Neural Network (CNN) untuk klasifikasi jenis kapal dengan akurasi yang tinggi. Model yang dikembangkan mencapai akurasi 92%, presisi 91%, recall 93%, dan F1-Score 92%, yang menunjukkan efektivitas model dalam mengidentifikasi kapal kargo, penumpang, dan nelayan. Hasil ini mendukung hipotesis penelitian (H1), yang menyatakan bahwa CNN mampu mengklasifikasikan jenis kapal dengan akurasi lebih dari 85%. Keberhasilan ini dicapai melalui pendekatan sistematis dalam pengumpulan dan pemrosesan data. Gambar-gambar yang dikumpulkan dari Pelabuhan Soekarno-Hatta dan Pulau Samalona dengan variasi sudut dan pencahayaan memberikan data beragam yang penting untuk pelatihan model. Penyaringan dan pelabelan data menggunakan platform Roboflow memastikan kualitas gambar yang optimal. Pelatihan model menggunakan framework TensorFlow dengan batch size 32 dan epochs 50, menghasilkan konvergensi yang cepat dan kemampuan generalisasi yang baik. Evaluasi lebih lanjut menunjukkan bahwa model ini mampu meminimalkan kesalahan klasifikasi dengan presisi dan recall yang seimbang. Tantangan utama termasuk variasi kondisi eksternal, namun teknik augmentasi data berhasil mengatasi masalah ini dan meningkatkan ketahanan model. Penelitian ini memberikan kontribusi signifikan dalam pengembangan teknologi klasifikasi kapal berbasis machine learning untuk aplikasi pengawasan maritim. Rekomendasi untuk penelitian lanjutan termasuk pengumpulan dataset lebih besar dan eksplorasi metode pengolahan citra lainnya untuk meningkatkan akurasi model pada kondisi pengambilan gambar yang lebih sulit. Secara keseluruhan, penelitian ini menunjukkan potensi besar penggunaan CNN untuk efisiensi pengawasan maritim.
Co-Authors ABDUH, MOCHAMMAD Agus Aan Jiwa Permana Albertha Lolo Tandung Ananda, Restu Andi Ikmal Rachman Andi Yulia Muniar, Andi Yulia Andryanto, Andryanto ANGRIAWAN, RANDY Armalivia, Siska Ashari, Wahdania Nurarfiani Asrul Awaliah, Neneng Bachir, Suriansyah Dengkeng, Andi Emil Fatra GITA PRATIWI Halfiani, Halfiani Hasrina, Sri I Gusti Ngurah Wikranta Arsa, I Gusti Ngurah ILHAM Inriani Inriani, Inriani Larisa, Mastura Latif, Nuraida Latif, Nuraida - Luqman Fanani Mz Maslihatin, Tatik Mohammad Fajar, Mohammad Muhajirin, M Muhajirin, Muhajirin Muhammad Arafah Muhammad Sabri Mulyono , Mulyono Muniar, A Yulia Natsir, Khaidir Rahman NURZAENAB, NURZAENAB Parawewe, Andi Maulidinnawati Abdul Kadir Pasnur Punjanan, Abraham Andromeda Rahmawati, Rahmawati Rezania Agramanisti Azdy, Rezania Agramanisti Sabir, Fitriana M. Saputra, Febri Hidayat Sumardin, A Suriansyah B Syaharullah Disa, Syaharullah Syaiful Rahman Takumansang, Leonardo O. J Taufik Thiara Tri Funny Manguma