Claim Missing Document
Check
Articles

Found 40 Documents
Search

PEMBERDAYAAN MASYARAKAT DESA BALOMBONG MELAWAN STUNTING MELALUI PENGOLAHAN MP-ASI BERBASIS PANGAN LOKAL DENGAN INOVASI ANDROID Arifin, Nurhikma; Firgiawan, Wawan; Fauziah, Fauziah
Martabe : Jurnal Pengabdian Kepada Masyarakat Vol 7, No 11 (2024): MARTABE : JURNAL PENGABDIAN MASYARAKAT
Publisher : Universitas Muhammadiyah Tapanuli Selatan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31604/jpm.v7i11.4871-4883

Abstract

Stunting merupakan salah satu masalah kesehatan yang mendesak di Indonesia, termasuk di Desa Balombong, Sulawesi Barat, dengan angka prevalensi mencapai 40,6% pada tahun 2022, dua kali lipat dari standar WHO. Penyebab utama stunting di desa ini adalah kurangnya gizi seimbang selama masa pertumbuhan anak serta keterbatasan akses ibu balita terhadap informasi gizi dan cara mengolah makanan pendamping ASI (MP-ASI). Untuk itu kegiatan pengabdian ini bertujuan untuk meningkatkan keterampilan ibu balita dalam mengolah MP-ASI berbasis pangan lokal dan memperkenalkan aplikasi SIBAYI sebagai sumber informasi gizi. Pelatihan ini meliputi pengenalan stunting, dampaknya, serta solusi berupa penggunaan MP-ASI yang tepat dan bernutrisi. Demonstrasi pembuatan MP-ASI berbahan lokal, seperti ikan laut, serta pelatihan penggunaan aplikasi SIBAYI dilakukan untuk membantu ibu balita mengakses resep sehat dan informasi gizi anak. Evaluasi awal, proses, dan akhir dilakukan untuk mengukur peningkatan pemahaman dan keterampilan peserta. Hasilnya menunjukkan adanya peningkatan signifikan dalam pengetahuan mengenai stunting, pemanfaatan bahan pangan lokal, serta penggunaan teknologi dalam pengelolaan gizi anak. Meskipun beberapa peserta masih menghadapi tantangan dalam penggunaan aplikasi, pelatihan ini berhasil meningkatkan kepercayaan diri dan kemampuan ibu balita dalam menyediakan MP-ASI yang bergizi. Program ini diharapkan dapat berkontribusi dalam penurunan angka stunting di Desa Balombong dengan dukungan berkelanjutan dari semua pihak.
SISTEM INFORMASI DESA SUMBERJO (SIDESO SMART) DALAM MEWUJUDKAN DIGITAL VILLAGE YANG CERDAS DAN TERHUBUNG Arifin, Nurhikma; Astinawaty, Astinawaty
Martabe : Jurnal Pengabdian Kepada Masyarakat Vol 7, No 10 (2024): MARTABE : JURNAL PENGABDIAN MASYARAKAT
Publisher : Universitas Muhammadiyah Tapanuli Selatan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31604/jpm.v7i10.3685-3697

Abstract

Desa Sumberjo, yang terletak di Wonomulyo, Kabupaten Polewali Mandar, Sulawesi Barat, berfungsi sebagai pusat ekonomi kecamatan namun masih tertinggal dalam adopsi teknologi informasi. Ketiadaan website desa membatasi akses informasi dan efisiensi administrasi. Pengabdian ini bertujuan untuk mengatasi keterbatasan ini dengan mengimplementasikan Sistem Informasi Desa Sumberjo Smart (SiDeso Smart), sebuah platform berbasis web. SiDeso Smart dirancang untuk menciptakan Desa Digital yang cerdas dan terhubung, memperbaiki akses informasi, transparansi, dan layanan publik. Proses pelaksanaannya meliputi observasi, sosialisasi, persiapan alat, perancangan, pengembangan sistem, pelatihan, dan evaluasi. Dengan mengadopsi pendekatan berbasis web, SiDeso Smart diharapkan dapat meningkatkan efisiensi administrasi dan kualitas hidup masyarakat Desa Sumberjo, serta menjadi model desa digital yang berdaya saing. Hasil pelatihan menunjukkan peningkatan signifikan dalam pemahaman dan penggunaan sistem informasi oleh perangkat desa dan masyarakat, dengan pengetahuan tentang desa digital meningkat dari 45% menjadi 90% dan kesiapan menggunakan SiDeso Smart meningkat dari 65% menjadi 90%. Implementasi ini diharapkan membawa transformasi positif bagi Desa Sumberjo dan menjadi contoh bagi desa-desa lain di Indonesia.
Deteksi Gerakan Bahasa Isyarat Menggunakan Euclidean Distance Insani, Chairi Nur; Arifin, Nurhikma; Rasyid, Muh. Rafli
Informatik : Jurnal Ilmu Komputer Vol 19 No 1 (2023): April 2023
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52958/iftk.v19i1.5658

Abstract

Orang yang memiliki keterbatasan pendengaran/wicara akan sulit berkomunikasi secara lisan dengan orang normal. Cara berkomunikasinya dapat menggunakan tulisan yang lambat dan tidak efisien atau dengan bahasa isyarat. Bahasa isyarat menjadi satu-satunya metode yang efisien digunakan bagi orang dengan keterbatasan pendengaran/wicara. Sedangkan kebanyakan masyarakat normal tidak dapat menggunakan bahasa isyarat. Sehingga sistem untuk mendeteksi bahasa isyarat menjadi sebuah kebutuhan untuk membantu masyarakat dengan keterbatatasan komunikasi secara lisan. Penelitian ini bertujuan untuk mendeteksi bahasa isyarat kedalam teks sesuai dengan makna yang sebenarnya. Pengambilan data dilakukan menggunakan Leap Motion dengan 15 data gerakan isyarat tangan yang memiliki gerakan dasar dan kemiripan dalam gerakannya. Data yang digunakan dalam penelitian ini berupa isyarat abjad A, B, W, M, N, J, Z dan isyarat kata dia, pakai, saya, kakak, adik bingung, kecewa, hai. Metode yang digunakan pada penelitian ini adalah euclidean distance untuk mencari jarak minimum dari nilai support vector yang terdeteksi sama. Inputan pada proses uji adalah huruf W yang dilakukan secara realtime memiliki kemiripan gerakan isyarat dengan huruf B dan kata kecewa nilai Euclidean distance yaitu 0.5475649269013902 maka inputan tersebut dapat terdeteksi sesuai dengan makna yang sebenarnya. Hasil akurasi rata-rata yang didaparkan dari keseluruhan tahap pengujian 15 data gerakan sebesar 88,7%.
Implementation of Random Forest for Sentiment Analysis of YouTube Comments Related To The TNI Law Revision virna, virna afrilianty; Nur Insani, Chairi; Arifin, Nurhikma; Furqan Rasyid, Muhammad
Inspiration: Jurnal Teknologi Informasi dan Komunikasi Vol. 15 No. 2 (2025): Inspiration: Jurnal Teknologi Informasi dan Komunikasi
Publisher : Pusat Penelitian dan Pengabdian Pada Masyarakat Sekolah Tinggi Manajemen Informatika dan Komputer AKBA Makassar

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

Abstract

Social media platforms such as YouTube have become important spaces for the public to express opinions on various policy issues, including the Draft Bill on the Indonesian National Armed Forces (RUU TNI). However, research on sentiment analysis of YouTube comments remains limited, particularly in the application of multi-class classification using the Random Forest algorithm. This study aims to implement Random Forest for classifying sentiments in YouTube comments related to the RUU TNI into three categories: positive, negative, and neutral. The dataset consists of 7118 comments, divided into 5694 training data and 1423 testing data. Sentiment labeling was conducted using a lexicon-based approach, while text representation was carried out using TF-IDF. To address data imbalance, class weighting was applied, and model parameter optimization was performed using the GridSearchCV technique. The optimal parameter combination obtained was n_estimators=300, max_depth=None, max_features='log2', and min_samples_split=20. The evaluation results show that the model with class weighting achieved an accuracy of 80.27%, while the model without weighting achieved 79.42%. These findings indicate that applying class weighting and parameter optimization effectively improves sentiment classification performance of public opinions on the RUU TNI policy on YouTube.
ANALISIS PENGARUH RANDOM SEARCH PADA LOGISTIC REGRESSION DALAM KLASIFIKASI SENTIMEN PENGGUNA APLIKASI PDAM INFO Ramadani, Suci Awalia; Heliawaty Hamrul; Nurhikma Arifin
SKANIKA: Sistem Komputer dan Teknik Informatika Vol 9 No 1 (2026): Jurnal SKANIKA Januari 2026
Publisher : Universitas Budi Luhur

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36080/skanika.v9i1.3646

Abstract

Digital transformation increases the demand for fast and responsive technology-based public services through mobile applications, including the PDAM Info application. User reviews provide important insights for improving service quality, but their large volume makes manual analysis inefficient, requiring text-based sentiment analysis using machine learning. Default machine learning parameters are often suboptimal; therefore, Random Search is applied to improve classification performance. This study analyzes user sentiment and examines the effect of Random Search on sentiment classification of the PDAM Info application. A total of 2,400 Google Play Store reviews were collected, resulting in 1,677 data after preprocessing, labeled using a lexicon-based approach, and represented using TF-IDF. Logistic Regression and Support Vector Machine were used for classification with Random Search for hyperparameter tuning. The results indicate that negative sentiment dominates user reviews, mainly related to service coverage and payment methods. Random Search improves classification performance, achieving 88% accuracy and 83% F1-score, particularly in predicting positive and neutral classes on imbalanced data. The contribution of this study provides insights into user perceptions for PDAM Info application developers and demonstrates that Random Search.
Implementasi MobileNetV2 pada Klasifikasi Penyakit Daun Bibit Kakao Berbasis Pengolahan Citra Digital Sintia, Sintia; Arifin, Nurhikma; Insani, Chairi Nur
Insect (Informatics and Security): Jurnal Teknik Informatika Vol. 12 No. 01 (2026): Maret 2026
Publisher : Universitas Muhammadiyah Sorong

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33506/insect.v12i01.5396

Abstract

Kakao (Theobroma cacao L.) merupakan komoditas perkebunan strategis di Indonesia. Namun produktivitasnya masih menghadapi tantangan serius akibat serangan penyakit daun, khususnya pada fase pembibitan. Penyakit Vascular Streak Dieback (VSD) dan Leaf Blight diketahui dapat menurunkan produktivitas tanaman secara signifikan, sementara proses identifikasi penyakit secara manual masih bersifat subjektif dan berpotensi menimbulkan kesalahan klasifikasi. Penelitian ini bertujuan untuk mengklasifikasikan citra daun bibit kakao kedalam tiga kelas, yaitu Sehat, VSD, dan Leag Blight, menggunakan model MobileNetV2 berbasis transfer learning. Dataset yang digunakan merupakan data primer sebanyak 549 citra daun bibit kakao yang diperoleh dari Desa Riso, Kecamatan Tapango, Kabupaten Polewali Mandar, Sulawesi Barat. Tahapan pre-processing meliputi resize, normalisasi, dan augmentasi data, kemudian dataset dibagi dengan rasio 80% data training dan 20% data testing. Model dilatih selama 30 epoch dan evaluasi menggunakan classification report dan confusion matrix. Hasil pelatihan menunjukkan bahwa model MobileNetV2 mencapai akurasi tertinggi sebesar 98,02% dengan nilai loss yang rendah. Evaluasi menunjukkan bahwa kelas VSD berhasil di klasifikasikan secara sempurna, sementara kelas Leaf Blight dan Sehat juga menunjukkan performa yang sangat tinggi dengan tingkat kesalahan klasifikasi yang sangat kecil. Hasil ini membuktikan bahwa MobileNetV2 efektif digunakan untuk klasifikasi citra daun bibit kakao dan berpotensi dikembangkan sebagai sistem pendukung deteksi dini untuk penyakit tanaman kakao berbasis citra digital.
Optimalisasi Potensi Kelompok Wanita Tani Indah Lestari Sumberjo melalui Edukasi Smart Farming Berbasis AI Arifin, Nurhikma; Milasari, Milasari; Astinawaty, Astinawaty
E-Dimas: Jurnal Pengabdian kepada Masyarakat Vol 17, No 1 (2026): E-DIMAS
Publisher : Universitas PGRI Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26877/e-dimas.v17i1.24953

Abstract

Kelompok Wanita Tani (KWT) Indah Lestari menghadapi berbagai kendala dalam mengelola kegiatan pertanian, antara lain rendahnya literasi teknologi, keterbatasan sarana digital, dan minimnya pendampingan teknis dalam penerapan sistem pertanian modern. Kondisi ini menghambat peningkatan produktivitas dan efisiensi pertanian di tingkat rumah tangga, terutama dalam menghadapi tantangan perubahan iklim dan kebutuhan akan sistem pertanian yang lebih adaptif. Sebagai solusi, dilaksanakan kegiatan pengabdian masyarakat yang berfokus pada edukasi Smart Farming berbasis Artificial Intelligence (AI). Program ini bertujuan meningkatkan literasi teknologi dan keterampilan digital anggota KWT dalam memanfaatkan aplikasi AI untuk deteksi dini hama dan penyakit tanaman, monitoring pertumbuhan, serta rekomendasi pemupukan sesuai kebutuhan tanaman lokal seperti kangkung, sawi, padi, bayam, jagung, dan cabai. Kegiatan dilaksanakan pada bulan September 2025 di Desa Sumberjo, Kecamatan Polman, Kabupaten Polewali Mandar, dengan melibatkan 20 anggota KWT Indah Lestari dan penyuluh pertanian kecamatan sebagai pendamping. Metode meliputi presentasi interaktif, pelatihan praktik penggunaan aplikasi AI sederhana, serta evaluasi partisipatif untuk menilai peningkatan pemahaman peserta.Hasil menunjukkan peningkatan signifikan: lebih dari 90% peserta memahami konsep Smart Farming, 85% mampu menjelaskan fungsi aplikasi AI, dan 80% yakin dapat menggunakannya secara mandiri. Selain itu, 95% peserta menyadari manfaat teknologi pertanian, dan 75% bersedia mengadopsi inovasi digital secara bertahap. Untuk keberlanjutan dan peningkatan dampak kegiatan, disarankan dilakukan pendampingan rutin guna memperkuat kemampuan peserta dalam menggunakan aplikasi AI. Materi pelatihan dapat diperluas pada pengolahan data tanaman dan optimasi pemupukan berbasis AI, serta penerapan teknologi secara bertahap pada lahan kecil agar manfaatnya berkelanjutan dan nyata bagi petani.
Hybrid Machine Learning Models Based on MobileNetV2 Feature Extraction for Robusta Coffee Leaf Disease Classification Rahmatia; Rasyid, Muh. Rafli; Arifin, Nurhikma
Journal of Embedded Systems, Security and Intelligent Systems Vol 7 No 1 (2026): March 2026
Publisher : Program Studi Teknik Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59562/jessi.v7i1.11896

Abstract

Purpose – This study aims to evaluate the effectiveness of a hybrid machine learning approach for classifying robusta coffee (Coffea canephora) leaves into healthy and diseased categories, addressing challenges in manual field inspection and limited comparative analyses across classifiers. Design/methods/approach – A hybrid framework was implemented by combining MobileNetV2 as a feature extractor with four machine learning classifiers: Random Forest, K-Nearest Neighbor, Linear Support Vector Machine, and Gaussian Naive Bayes. The dataset comprised 1,560 images (791 healthy and 769 diseased), split into 70% training, 10% validation, and 20% testing using a hash-based grouped strategy to prevent data leakage from duplicate images. Model performance was evaluated using accuracy, F1-score, ROC-AUC, and McNemar’s statistical test. Findings – Gaussian Naive Bayes achieved the highest accuracy (93.89%) and F1-score (93.85%), while Random Forest obtained the highest ROC-AUC (96.94%). However, McNemar’s test showed no statistically significant differences among the models (p > 0.05), indicating comparable classification performance. The results demonstrate that lightweight hybrid approaches can achieve strong performance even with relatively small datasets. Research implications/limitations – The study is limited to binary classification and a relatively small dataset, which may restrict generalizability to more complex, multi-class disease scenarios. Further research with larger and more diverse datasets is recommended. Originality/value – This study provides a systematic comparison of multiple machine learning classifiers using a unified MobileNetV2 feature representation, offering practical insights into efficient and reliable approaches for early-stage coffee leaf disease screening in resource-constrained environments.
Perbandingan SVM dan CNN MobileNetV2 untuk Klasifikasi Residu Insektisida pada Citra Buah Kakao Rahmawati, Rahmawati; Arifin, Nurhikma; Firgiawan, Wawan
Jambura Journal of Informatics VOL 8, N0 1: APRIL 2026
Publisher : Universitas Negeri Gorontalo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37905/jji.v8i1.37972

Abstract

The decline in cocoa production in West Sulawesi due to pest attacks and the use of insecticides that leave residues on the fruit surface has reduced visual quality and highlights the need for efficient automatic classification based on digital image processing. This study aims to classify cocoa fruit images into three classes (Normal, Insecticide-Treated, and Residue) and to compare the performance of Support Vector Machine (SVM) and Convolutional Neural Network (CNN) with the MobileNetV2 architecture. The dataset consists of 672 images divided into training and testing sets with an 80:20 ratio and evaluated under two training data conditions: imbalanced and balanced through rotation-based augmentation at an image size of 224×224 pixels. For SVM, color and texture features are extracted using Hue Saturation Value (HSV) and Local Binary Pattern (LBP), while the CNN model adopts MobileNetV2 with transfer learning and an adjusted fully connected layer. The results show that SVM with combined HSV and LBP features achieves an accuracy of 86.67%, whereas CNN attains 82.22% on data without augmentation and improves to 87.41% on augmented data. The McNemar test on the same test set yields p-values of 0.6171 and 1.0000 for the imbalanced and balanced training data conditions, indicating that the performance difference between the two methods is not statistically significant and that both models provide comparable classification capability.Penurunan produksi kakao di Sulawesi Barat akibat serangan hama dan penggunaan insektisida yang meninggalkan residu pada permukaan buah menurunkan kualitas visual dan menunjukkan perlunya metode klasifikasi otomatis berbasis pengolahan citra digital yang efisien. Penelitian ini bertujuan mengklasifikasikan citra buah kakao ke dalam tiga kelas (Normal, Berinsektisida, dan Residu) serta membandingkan kinerja Support Vector Machine (SVM) dan Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2. Dataset terdiri atas 672 citra yang dibagi menjadi data latih dan data uji dengan rasio 80:20 dan dievaluasi pada dua kondisi data latih, yaitu tidak seimbang dan seimbang melalui augmentasi rotasi dengan ukuran citra 224×224 piksel. Pada SVM, fitur warna dan tekstur diekstraksi menggunakan Hue Saturation Value (HSV) dan Local Binary Pattern (LBP), sedangkan CNN menggunakan MobileNetV2 dengan pendekatan transfer learning dan penyesuaian fully connected layer. Hasil pengujian menunjukkan bahwa SVM dengan kombinasi fitur HSV dan LBP mencapai akurasi 86,67%, sedangkan CNN memperoleh akurasi 82,22% pada data tanpa augmentasi dan meningkat menjadi 87,41% pada data setelah augmentasi. Uji McNemar pada data uji yang sama menghasilkan nilai p-value 0,6171 dan 1,0000 untuk kondisi data latih tidak seimbang dan seimbang, yang menunjukkan bahwa perbedaan performa kedua metode tidak signifikan secara statistik sehingga keduanya memiliki kemampuan klasifikasi yang relatif sebanding.
KLASIFIKASI PENYAKIT DAUN KAKAO BERDASARKAN EKSTRAKSI FITUR WARNA TEKSTUR DENGAN ALGORITMA SUPPORT VECTOR MACHINE Irmayanti; Nurhikma Arifin; Chairi Nur Insani
Jurnal Informatika Teknologi dan Sains (Jinteks) Vol 8 No 2 (2026): EDISI 28
Publisher : Program Studi Informatika Universitas Teknologi Sumbawa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51401/jinteks.v8i2.7291

Abstract

Penyakit daun kakao merupakan salah satu faktor penurunan kualitas serta produktifitas tanaman apabila tidak terindetifikasi sejak dini. Oleh karena itu, diperlukan metode untuk membantu identifikasi penyakit secara otomatis. Penelitian ini bertujuan mengklasifikasikan daun kakao ke dalam tiga kategori, yaitu daun sehat, becak daun dan VSD, menggunakan pendekatan pengolahan citra digital. Dataset terdiri dari 300 citra daun, dibagi 80% sebagai data latih dan 20% data ujii. Tahapan penelitian meliputi Pre-Procssing, segmentasi menggunakan ruang warna HSV untuk memisahkan objek dari latar belakang, serta ekstraksi fitur warna HSV dan L*a*b serta tekstur GLCM dan LBP. Klasifikasi dilakukan menggunaka SVM kernel RBF melalui variasi parameter C(1, 5, 10) dan gamma (0.1, 0.01, 0.001, 0.0001, 0.00001). Hasil menunjukkan C=5 dan gamma=0,1 mengahasilkan akurasi tertinggi sebesar 100%. Akurasi tersebut diperoleh pada fitur tunggal LBP maupun kombinasi L*a*b-LBP, GLCM-HSV-LBP, GLCM-L*a*b-LBP, HSV-L*a*b-LBP, serta GLCM-HSV-L*a*b-LBP. Hasil ini menunjukan LBP efektif merepresentasikan tekstur daun serta menegaskan pentingnya pemilihan kombinasi fitur dan parameter dalam klasifikasi citra daun kakao.