Article Per Year (5 Year)
p-Index From 2021 - 2026
9.275
P-Index
This Author published in this journals
All Journal Techno.Com: Jurnal Teknologi Informasi Jurnal Buana Informatika Jurnal Informatika Jurnal Teknologi Informasi dan Ilmu Komputer JUITA : Jurnal Informatika Jurnas Nasional Teknologi dan Sistem Informasi POSITIF Edu Komputika Journal Sistemasi: Jurnal Sistem Informasi Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Computatio : Journal of Computer Science and Information Systems RABIT: Jurnal Teknologi dan Sistem Informasi Univrab Jurnal Khatulistiwa Informatika JIKO (Jurnal Informatika dan Komputer) JURNAL MEDIA INFORMATIKA BUDIDARMA Jurnal Pilar Nusa Mandiri JTERA (Jurnal Teknologi Rekayasa) Jurnal Sains dan Informatika INOVTEK Polbeng - Seri Informatika Matrix : Jurnal Manajemen Teknologi dan Informatika SINTECH (Science and Information Technology) Journal Jurnal Informatika Universitas Pamulang Jurnal Teknoinfo Jurnal Sisfokom (Sistem Informasi dan Komputer) KACANEGARA Jurnal Pengabdian pada Masyarakat MATRIK : Jurnal Manajemen, Teknik Informatika, dan Rekayasa Komputer KOMPUTIKA - Jurnal Sistem Komputer KOMPUTA : Jurnal Ilmiah Komputer dan Informatika Jurnal Riset Informatika JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Jurnal Teknologi Terapan Jurnal Teknologi Terpadu EDUMATIC: Jurnal Pendidikan Informatika EVOLUSI : Jurnal Sains dan Manajemen Building of Informatics, Technology and Science JASIEK (Jurnal Aplikasi Sains, Informasi, Elektronika dan Komputer) JISKa (Jurnal Informatika Sunan Kalijaga) Jurnal Teknologi Informasi dan Multimedia Jurnal JTIK (Jurnal Teknologi Informasi dan Komunikasi) JUSTINDO (Jurnal Sistem dan Teknologi Informasi Indonesia) JISA (Jurnal Informatika dan Sains) International Journal of Engineering, Technology and Natural Sciences (IJETS) JOURNAL OF INFORMATION SYSTEM RESEARCH (JOSH) Jurnal Sistem Komputer dan Informatika (JSON) Idealis : Indonesia Journal Information System Jurnal Teknik Informatika (JUTIF) Jurnal Digit : Digital of Information Technology Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer) Science in Information Technology Letters Journal of Soft Computing Exploration Jurnal Indonesia : Manajemen Informatika dan Komunikasi Bulletin of Computer Science Research KLIK: Kajian Ilmiah Informatika dan Komputer International Journal Software Engineering and Computer Science (IJSECS) Jurnal Sains dan Teknologi International Journal Science and Technology (IJST) Malcom: Indonesian Journal of Machine Learning and Computer Science Journal of Scientific Research, Education, and Technology Journal of Data Science Theory and Application NERO (Networking Engineering Research Operation) SmartComp Jurnal Indonesia : Manajemen Informatika dan Komunikasi Emitor: Jurnal Teknik Elektro IJISCS (International Journal of Information System and Computer Science)
Donny Avianto
Universitas Teknologi Yogyakarta
Aerospace Engineering Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Library & Information Science Materials Science & Nanotechnology Mathematics Mechanical Engineering Social Sciences

Published : 81 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 81 Documents
Search

 1   2   3   4   5 
Prediksi Curah Hujan Wilayah Provinsi Yogyakarta dengan Algoritma Neural Network rubangi rubangi; Arief Hermawan; Donny Avianto
JASIEK (Jurnal Aplikasi Sains, Informasi, Elektronika dan Komputer) Vol 3, No 1 (2021): JUNI 2021
Publisher : Universitas Merdeka Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26905/jasiek.v3i1.6204

Abstract

Emerging inaccurate information about the rainfall system can affect aspects of life. Inaccurate precipitation forecasting can be problematic, so it is necessary to predict precipitation with a high level of accuracy. Therefore, this study proposes a method with a neural network algorithm to predict rainfall to benefit the community. The data used in this study is daily precipitation from 2016 to 2021 from BMKG. Based on the test results, the data shows that the best neural network (NN) model is obtained from input layer 31, hidden layer 4, training cycle 1500, learning rate 0.01, and momentum 0.9, resulting in an error of 0.828. Based on the results with the smallest error, using the neural network method can be used to predict future precipitation with good accuracy.
Analisis Pengaruh PCA Pada Klasifikasi Kualitas Air Menggunakan Algoritma K-Nearest Neighbor dan Logistic Regression Baiq Nurul Azmi; Arief Hermawan; Donny Avianto
JUSTINDO (Jurnal Sistem dan Teknologi Informasi Indonesia) Vol 7, No 2 (2022): JUSTINDO
Publisher : Universitas Muhammadiyah Jember

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32528/justindo.v7i2.8190

Abstract

Air bersih merupakan komponen penting untuk mendukung keberlangsungan hidup manusia. Perkembangan industri dan semakin bervariasinya aktivitas manusia berdampak pada penurunan kualitas air di area tersebut. Penurunan tingkat kualitas air dapat menyebabkan air menjadi tidak layak untuk dikonsumsi bahkan berbahaya untuk dikonsumsi. Kemampuan mengklasifikasi kualitas air secara akurat sangat diperlukan untuk menghindari penurunan tingkat kualitas air. Penelitian sebelumnya menunjukkan bahwa jumlah fitur yang digunakan untuk klasifikasi kualitas air sangat banyak. Jumlah fitur yang banyak ini memang dapat membantu metode pengklasifikasi untuk melihat domain permasalahan secara menyeluruh. Namun, belum ada penelitian yang meninjau secara detail apakah jumlah fitur yang banyak benar-benar diperlukan untuk mendapatkan hasil terbaik. Penelitian ini mengkaji penggunaan metode principal component analysis (PCA) untuk menemukan jumlah fitur yang paling optimal dalam konteks klasifikasi kualitas air. Penelitian ini menggunakan data kualitas air di lingkungan perkotaan yang diperoleh dari situs kaggle. Total data yang digunakan adalah 8000 baris data dengan 21 fitur untuk setiap baris data yang ada. Fitur hasil principal component analysis  kemudian dijadikan input untuk dua metode klasfikasi yaitu k-nearest neighbor (kNN) dan logistic regression. Penggunaan dua metode klasifikasi yang berbeda ini bertujuan menemukan tingkat akurasi terbaik untuk data yang digunakan. Hasil eksperimen menunjukkan metode k-nearest neighbor mampu memberikan performa yang lebih baik dibandingkan logistic regression dengan pencapaian nilai akurasi 90.8%, presisi 90.0%, dan recall 91.0%. Hasil ini didapatkan dengan melibatkan seluruh fitur yang ada dan nilai k=9, sehingga dapat disimpulkan bahwa jumlah fitur yang banyak pada konteks klasifikasi kulitas air memang diperlukan untuk mendapatkan nilai akurasi yang tinggi. Kata kunci: kualitas, air, PCA, kNN, logistic, regression
KOMPARASI ALGORITMA KLASIFIKASI DATAMINING UNTUK PREDIKSI MINAT PENCARI KERJA Nur Widiastuti; Arief Hermawan; Donny Avianto
Jurnal Teknoinfo Vol 17, No 1 (2023): Vol 17, No 1 (2023): JANUARI
Publisher : Universitas Teknokrat Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Dampak pandemi covid 19 menjadikan angka pengangguran di Provinsi Jawa Tengah semakin meningkat. Dinas Tenaga Kerja Provinsi Jawa Tengah menciptakan inovasi yakni sebuah aplikasi untuk mempertemukan pencari kerja dan pemberi kerja, yakni aplikasi e-Makaryo atau bursakerja.jatengprov.go.id, namun pada aplikasi tersebut belum dapat menganalisa berapa banyak jumlah pencari kerja yang berminat kerja ke luar negeri dan pencari kerja yang tidak berminat bekerja ke luar negeri, sedangkan hal ini sangat dibutuhkan oleh pemerintah untuk menyiapkan lowongan kerja sesuai kebutuhan. Sehubungan dengan hal tersebut penulis akan melakukan analisa data pencari kerja yang berminat bekerja keluar negeri menggunakan aplikasi rapid miner dengan metode klasifikasi algoritma Naive Bayes dan Decision Tree. Hasil accuracy performance pada klasifikasi data pencari kerja menggunakan algoritma naïve bayes  adalah sebesar 99,64% dengan hasil yang berminat bekerja keluar negeri sebanyak 2513 orang dan yang tidak berminat bekerja ke luar negeri sebanyak 5483 orang, unt­­­­uk classification error sebesar 0,36 %. Sedangkan accuracy performance menggunakan algoritma decision tree adalah 68.59 % dengan jumlah pencari kerja yang berminat bekerja ke luar negeri sebanyak 2521 dan yang tidak berminat bekerja keluar negeri sebanyak 5504. Sedangkan hasil classification errornya sebesar 31,41%.
IMPLEMENTASI CORRELATION MATRIX PADA KLASIFIKASI DATASET WINE Erfin Nur Rohma Khakim; Arief Hermawan; Donny Avianto
JURNAL INFORMATIKA DAN KOMPUTER Vol 7, No 1 (2023): Februari 2023
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat - Universitas Teknologi Digital Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (772.346 KB) | DOI: 10.26798/jiko.v7i1.771

Abstract

Wine merupakah minuman mengandung alkohol yang juga terdiri dari banyak sekali kandungan yang bermacam-macam yang dapat mempengaruhi kualitas wine. Begitu banyaknya jenis wine ini membuat masyarakat kesulitan untuk memilah jenis-jenis dan kualitas wine. Penelitian ini menggunakan metode klasifikasi untuk menentukan kualitas wine agar mengurangi peran pakar wine atau mempermudah pakar dalam melabeli jenis-jenis dan kualitas wine. Algoritma klasifikasi data mining yang digunakan dalam penelitian ini adalah k-NN. Untuk meningkatkan nilai akurasi dari klasifikasi algoritma k-NN digunakan metode normalisasi dan seleksi fitur. Normalisasi yang digunakan adalah normalisasi Z-sccore dan Min-max, sedangkan seleksi fitur yang digunakan untuk lebih meningkatkan akurasi adalah correlation matrix. Hasil dari penelitian ini membutktikan bahwa penggunaan seleksi fitur correlation matrix mampu meningkatkan nilai akurasi pada normalisasi Z-score dari 73,75% menjadi 75,62% dan pada normalisasi Min-max mampu meningkatkan akurasi dari 68,12% menjadi 71,25%. Sehingga bisa disimpulkan bahwa seleksi fitur correlation matrix dapat digunakan untuk meningkatkan nilai akurasi agar lebih tinggi dan penelitian menjadi lebih akurat.
Analisis Pengaruh Komposisi Data Training dan Data Testing pada Penggunaan PCA dan Algoritma Decision Tree untuk Klasifikasi Penderita Penyakit Liver Baiq Nurul Azmi; Arief Hermawan; Donny Avianto
JTIM : Jurnal Teknologi Informasi dan Multimedia Vol 4 No 4 (2023): February
Publisher : Puslitbang Sekawan Institute Nusa Tenggara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35746/jtim.v4i4.298

Abstract

Liver disease is one of the diseases that is difficult to detect and becomes the largest contributor to deaths because it is considered a silent killer without symptoms. Liver disease can be detected based on abnormalities in the number of contents in the human body. The Indian Liver Patient Dataset (ILPD) dataset has many variables related to content in the body of liver patient data which are used as parameters in the classification of liver disease patients. Previous studies have shown that only two variables influence the ILPD dataset. The purpose of this study is to examine the use of the Principal Component Analysis (PCA) method to determine the optimal number of features in the context of classification of liver disease and examine the percentage distribution of data training and data testing which produces the best accuracy. The ILPD dataset was obtained from the UCI Machine Learning website with a total of 583 rows of data and 11 features. The percentage of training data and testing data used is 50%:50%, 60%:40%, 70%:30%, 73%:27%, 75%:25%, 80%:20%, 83%:17%, 85%:15% and 90%:10%. The use of different training and testing data percentages serves to find the best accuracy. The PCA result feature is used as input for the Decision Tree C4.5 classification algorithm. The experimental results show that using the training and testing data distribution percentage of 90%:10% and after the application of PCA produces the highest accuracy, namely 78.40% which is obtained for the number of PCA components n = 8.
Pengaruh Principal Component Analysis Pada Naïve Bayes dan K-Nearest Neighbor Untuk Prediksi Dini Diabetes Melitus Menggunakan Rapidminer Siti Rokhanah; Arief Hermawan; Donny Avianto
Evolusi : Jurnal Sains dan Manajemen Vol 11, No 1 (2023): Jurnal Evolusi 2023
Publisher : Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/evolusi.v11i1.14728

Abstract

Abstrak Penderita diabetesmelitus mengalami gangguan pada sistem metabolisme yang disebabkan oleh pankreas yang tidak memproduksi insulin atau penggunakan insulin dalam metabolisme belum efektif semakin banyak. Kepedulian akan hidup sehat menurun drastis, sehingga lonjakan kematian penyakit tersebut tinggi. Banyak orang belum memahami gejala dini yang muncul sehingga sulit untuk sembuh. Hal ini dikarenakan belum adanya prediksi dini penderita penyakit   tersebut. Dalam kajian ini menjelaskan pengaruh analisis komponen utama (PCA) untuk menemukan fitur optimal dalam klasifikasi prediksi dini diabetes melitus pada naïve bayers dan k-nearest neighbor ditambah aplikasi rapidminer yang bersifat terbuka bisa digunakan sebagai alat uji keakuratan data. Bahan penelitian yang digunakan bersumber dari Dataset Prediksi Risiko Diabetes Tahap Awal Learning Repository dari website Kaggle yaitu diabet_data_upload.csv. Jumlah record yang digunakan adalah 520 baris data dan 17 nama tabel untuk setiap baris data yang ada. Tujuan penggunaan kedua metode pengelompokan adalah untuk menunjukkan akurasi paling akurat dari data yang diolah. Hasil penelitian memberikan kajian bahwa formula k-nearest-neighbor dengan principal component analysis dapat bekerja lebih baik dibandingkan dengan k-nearest-neighbor saja. Performansi k- nearest neighbor dengan principal component analysis (PCA) lebih baik dengan nilai akurasi sebesar 93.27%, sedangkan akurasi tanpa analisis komponen utama dalam hal ini hanya menggunakan algoritma k-nearest-neighbor hanya sebesar 90.70. Hasil ini diperoleh dengan mempertimbangkan record yang ada dan nilai k = 5, kemudian diperoleh hasil bahwa algoritma k-nearest neighbor menggunakan metode principal component analysis (PCA) untuk mengklasifikasikan diagnosis diabetes didapatkan tinggi. Hasil nilai yang tepat. Keywords: Kelompok; DiabetesMelitus; Naïve Bayes; k-Nearest Neighbor; PCA. AbstractPatients with diabetes mellitus experience disturbances in the metabolic system caused by the pancreas not producing insulin or using insulin in metabolism that is not effective more and more. Concern for healthy living has decreased drastically, so the spike in deaths from this disease is high. Many people do not understand the early symptoms that appear, making it difficult to recover. This is because there is no early prediction of sufferers of the disease. This study explains the effect of principal component analysis (PCA) to find optimal features in the classification of early prediction of diabetes mellitus in naïve Bayers and k-nearest neighbors plus the open rapidminer application that can be used as a test tool for data accuracy. The research material used comes from the Learning Repository Early Stage Diabetes Risk Prediction Dataset from the Kaggle website, namely diabet_data_upload.csv. The number of records used is 520 rows of data and 17 table names for each existing row of data. The purpose of using the two grouping methods is to show the most accurate accuracy of the processed data. The results of the study provide a study that the k-nearest-neighbor formula with principal component analysis can work better than just k-nearest-neighbor. The performance of k-nearest neighbor with principal component analysis (PCA) is better with an accuracy value of 93.27%, while the accuracy without principal component analysis in this case only uses the k-nearest-neighbor algorithm is only 90.70. These results are obtained by considering the existing records and the value of k = 5, then the result is that the k-nearest neighbor algorithm uses the principal component analysis (PCA) method to classify diabetes diagnoses as high. Exact value result..Keywords: Group; Diabetes Mellitus; Naïve Bayes; k-Nearest Neighbor; PCA.
Prediksi Indeks Pembangunan Manusia di Kabupaten Wonosobo Menggunakan Algoritma Backpropagation Nasmah Nur Amiroh; Donny Avianto
Techno.Com Vol 22, No 2 (2023): Mei 2023
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33633/tc.v22i2.7980

Abstract

Nilai Indeks Pembangunan Manusia (IPM) diperoleh dari beberapa aspek kehidupan yang realitanya tidak sepenuhnya terlaksana. Ketidakmerataan infrastruktur pembangunan merupakan salah satu permasalahan akibat tidak terlaksananya program peningkatan pembangunan manusia, khususnya di Kabupaten Wonosobo.  Permasalahan tersebut akan tentu akan memberikan dampak kualitas hidup masyarakat. Pada penelitian ini, pembangunan sistem dengan algortima backpropagation dilakukan untuk memprediksi nilai IPM di Kabupaten Wonosobo guna mempermudah preiksi kualitas manusia di Kabupaten Wonosobo. Percobaan yang dilaakukan yaitu dengan melakukan pelatihan, validasi, dan pengujian data IPM diperoleh dari BPS Kabupaten Wonosobo dengan rasio 80:20. Berdasarkan hasil penelitian, arsitektur 5-12-1 menggunakan LR 0,0001 dan epoch sebanyak 10000 menghasilkan nilai MSE sebesar 2.812623341 fungsi aktivasi sigmoid, arsitektur 5-3-1 menggunakan LR 0,0001 dan epoch sebanyak 10000 menghasilkan nilai MSE sebesar 0.2121786277 pada fungsi aktivasi ReLU, arsitektur 5-6-1 menggunakan LR 0,01 dan epochs 10000 menghasilkan nilai MSE sebesar 2.050127723 fungsi aktivasi TanH, dan arsitektur 5-2-1 menggunakan LR 0,01 dan epoch sebanyak 1000 menghasilkan nilai MSE sebesar 3.040008631. Hasil penelitian menunjukkan bahwa algoritma backpropagation menggunakan fungsi aktivasi TanH menghasilkan akurasi terbaik untuk prediksi nilai IPM di Kabupaten Wonosobo. Hasil penelitian yang dihasilkan diharapkan dapat berguna untuk mengembangkan sistem prediksi yang lebih mutakhir kedepannya.
Implementasi Teknologi Augmented Reality pada Penjualan Mebel sebagai Solusi Meningkatkan Pengalaman Belanja Konsumen Aribowo Aribowo; Donny Avianto
Jurnal Inovtek Polbeng Seri Informatika Vol 8, No 1 (2023)
Publisher : P3M Politeknik Negeri Bengkalis

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35314/isi.v8i1.3311

Abstract

Pengalaman belanja menjadi hal yang penting dalam memenangkan persaingan di era digital, di zaman yang serba canggih ini konsumen dapat melakukan pembelian produk secara online atau konsumen dapat membeli berbagai produk di mana saja, namun sering kali terjadi produk yang dibeli tersebut tidak sesuai dengan yang mereka inginkan seperti contohnya produk mebel yang tidak sesuai pada ruangan yang mereka inginkan, masalah tersebut tentu membuat konsumen merasa kurang puas ketika membeli suatu produk. Untuk memenuhi kebutuhan konsumen para pelaku usaha harus melakukan inovasi dalam meningkatkan pengalaman belanja konsumen. Dalam penelitian ini dikembangkan teknologi Augmented Reality yang dapat menjadi solusi untuk meningkatkan pengalaman belanja konsumen dengan aplikasi untuk memvisualisasikan mebel menjadi objek 3D, untuk membuat visualisasi lebih sempurna peneliti menggunakan suatu metode yaitu markerless, metode yang dapat langsung memvisualisasikan objek 3D ke dunia nyata, sehingga konsumen dapat langsung memvisualisasikan objek 3D mebel yang diinginkan tanpa menggunakan marker. Pada penelitian ini dilakukan pengujian Blackbox dengan hasil semua fitur di dalam aplikasi dapat berjalan dengan baik secara keseluruhan. Aplikasi ini mempermudah konsumen dapat menyesuaikan objek 3D furnitur tersebut pada ruangan mereka sebelum membeli, sehingga konsumen dapat mengambil keputusan yang lebih baik dan meningkatkan pengalaman belanja yang lebih interaktif.
Global Horizontal Irradiance Prediction using the Algorithm of Moving Average and Exponential Smoothing Alfin Syarifuddin Syahab; Arief Hermawan; Donny Avianto
JISA(Jurnal Informatika dan Sains) Vol 6, No 1 (2023): JISA(Jurnal Informatika dan Sains)
Publisher : Universitas Trilogi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31326/jisa.v6i1.1649

Abstract

To reduce the discrepancy between the results of the expected data and the actual data, prediction is a procedure that is calculated systematically based on owned historical and present information. For the creation of solar energy projects and for decision-making in other connected domains, solar radiation intensity prediction is essential. This study aims to create a predictive model on monthly global horizontal irradiance data. The method used is the Simple Moving Average algorithm, Exponentially Weighted Moving Average and Single Exponential Smoothing. The stages carried out in this study include data collection, data preprocessing, testing of predictive models, interpretation of data visualization, and performance evaluation. The results of calculating the error value and correlation produce an evaluation of the performance of the prediction model. The SES method, which obtained an MAE value of 7.13, a MAPE of 0.02%, an MSE of 88.07, an RMSE of 9.38, and an R2 of 0.94, was determined to be the best prediction model by the calculation of the prediction model performance evaluation. A MAE value of 9.45, a MAPE of 0.02%, an MSE of 150.16, an RMSE of 12.25, and an R2 of 0.91 were obtained by the EWMA method, which is also the method that produced the second-best result. A MAE value of 14.38, a MAPE of 0.04%, an MSE of 367.59, an RMSE of 19.17, and an R2 of 0.77 were obtained by the SMA method, which is the third-best result.
Application Mobile-Based Augmented Reality for Endemic Animals of Central Kalimantan Herdy Andriksen; Donny Avianto
Jurnal Riset Informatika Vol 5 No 3 (2023): Priode of June 2023
Publisher : Kresnamedia Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34288/jri.v5i3.528

Abstract

The existence of endemic animals typical of Central Kalimantan, such as orangutans and hornbills, is included in the protected species situation because the population numbers have increased slightly along with the clearing of land for the plantation sector, making orangutan and hornbill areas that should be beautiful and natural disappear. Because of this, a medium for conveying information and a unique introduction to the public is needed to know how important it is to know and know the various endangered species in Central Kalimantan to preserve animals. Therefore, this research aims to create an application for Central Kalimantan endemic animals using Mobile-based Augmented Reality to introduce Central Kalimantan's rare animals, starting from the area of residence, characteristics, leading food, and information about animal habitats. The application development process uses the Markerless Augmented Reality (AR) method, which displays 3D objects without using unique markers such as photos or images. The application development stage includes the planning, design, data collection, 3D object creation, application development and application testing using Blackbox testing with the Text Case method, which produces application testing descriptively explaining the application work process. The application for displaying 3D objects was tested in 5 trials, with an average of 5 seconds, and the marker appeared to display 3D objects. This application can have an impact on progress in the field of informatics as a medium for delivering information and learning media using Augmented Reality Markerless.
Co-Authors Adhitama, Satriya Adicahya, Bina Sukma Adityo Permana Wibowo Alfin Syarifuddin Syahab Alwani, Adie G. Amalia Rizki Wulandari Apriansyah, Ferryma Arba Ardiansyah, Diky Aribowo Aribowo Arief Hermawan Arieska Restu Harpian Dwika Arif Hermawan, Arif Ashari, Nadia Aziz Perdana Baiq Nurul Azmi Bowo Hirwono Budiyanto, Irfan Dewi, Amelia Citra Dian Wijayanti Dimas Dwi Kurniawan Dwi Ratnawati, Dwi Edi Priyanto Enggar Novianto Enggar Novianto Erfin Nur Rohma Khakim Fadhila, Arifa Farras Fadilah, Faiz Fahri Putra Herlambang Fakharudin, Panji Rangga Adzan Fajar Faqih, Allan Bil Febiansyah Annaufal Ahnaf Fauzi Ferdinandus Edwin Penalun Gumilang, Muhammad Satrio Gunawan, Asrul Hanif, Rifqi Fadhlurrahman Hardiyantari, Oktavia Herdy Andriksen Ilmy Eka Handayani Imantoko Imantoko Indra Maulana Iqbal, Muhammad Izza Jagad Raya Ramadhan Kusban, Muhammad Kusumastuti, Asriana Dyah Maulana, Adha Muh Arifandi Muhammad Irsyad Indra Fata Muhammad Rizki Muhammad Rizki Muhammad Rizki Nasmah Nur Amiroh Nazar Iqbal Bimantoro Novaldy, Olwin Kirab Nur Widiastuti Nurazila, Siti Octavianus, Yonathan Perdana, Aziz Purba, Yurjaa Ghoniyyan Purnomo Pratama, Rizki Putra, Kristianto Pratama Dessan Reski Noviana Rian Oktafiani Rian Oktafiani Rianto Rianto Rizarta, Rusma Eko Fiddy Rizky Samudra Falasyfa Roy Fasti Rubangi Rubangi Rudi, Rudiono Rusma Eko Fiddy Rizarta Saputra, Candra Heru Setiawan, Muhhamad Ajun Siti Rokhanah Soraya Fatmawati Sri Wulandari SRI WULANDARI Sutarman Sutarman Syafrudin, Teguh Syahab, Alfin Syarifuddin Teguh Syafrudin Tri Untoro, Iwan Hartadi Tri Widodo Vivianti Wahid, Ach. Nur Aqil Widyastuti, Evi