Article Per Year (5 Year)
p-Index From 2021 - 2026
1.244
P-Index
This Author published in this journals
All Journal Jupiter TEKNOLOGI INFORMASI INTECOMS: Journal of Information Technology and Computer Science Infotek : Jurnal Informatika dan Teknologi Jurnal Media Informatika Informatics and Computer Engineering Journal Communautaire: Journal of Community Service Jurnal Informatika Polinema (JIP)
Vitri Tundjungsari
Universitas Esa Unggul
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Library & Information Science Public Health Social Sciences Other

Published : 8 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 8 Documents
Search

 1 
Klasifikasi Penyakit Ayam Berdasarkan Citra Kotoran Menggunakan CNN dengan Xception Shela Atya Mitasya; Ary Prabowo; Vitri Tundjungsari
Jurnal Informatika Polinema Vol. 12 No. 3 (2026): Vol. 12 No. 3 (2026)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v12i3.9247

Abstract

Peternakan ayam di Indonesia menghadirkan potensi ekonomi yang substansial karena tingginya permintaan daging dan telur. Namun, peternakan ini juga menghadapi risiko signifikan dari penyakit yang dapat menginfeksi ayam secara tiba-tiba dan seringkali sulit dideteksi sejak dini. Penelitian ini bertujuan untuk membantu peternak mengidentifikasi penyakit ayam lebih cepat dan akurat dengan memanfaatkan teknologi pemrosesan citra digital. Sistem klasifikasi dibangun menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur Xception, yang dikenal karena efisiensinya dalam mengekstraksi fitur visual. Model tersebut mengklasifikasikan citra menjadi empat kategori: Coccidiosis, Newcastle Disease, Salmonella, and healthy conditions. Proses pelatihan menggunakan dataset dari Kaggle dan sejumlah citra lapangan yang terbatas, dengan pembagian data 80:10:10 untuk pelatihan, validasi, dan pengujian. Model tersebut mencapai akurasi 94%, menunjukkan kinerja terbaik dalam mendeteksi Koksidiosis, sementara Penyakit Newcastle menimbulkan lebih banyak tantangan karena keterbatasan data. Pengujian lebih lanjut dengan 36 foto feses lapangan mengonfirmasi keandalan sistem, terutama dalam mengidentifikasi sampel yang sehat. Sistem ini terintegrasi ke dalam aplikasi seluler atau web yang dapat membantu peternak dalam mendeteksi penyakit ayam secara otomatis dari gambar tinja, yang pada akhirnya mengurangi kerugian dan mendukung praktik peternakan unggas yang lebih sehat.
Arduino Basic Training: Making a 12C LCD Running Text for Vocational High School Students Vitri Tundjungsari; Ai Selpia Andita; Alfina Poetri Abdillah; Ivan Febrian Pratama
Communautaire: Journal of Community Service Vol. 4 No. 1 (2025)
Publisher : Al-Qalam Institute

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61987/communautaire.v4i1.1080

Abstract

The development of technology in the era of Industry 4.0 demands increased competencies in the fields of the Internet of Things (IoT) and microcontrollers, especially for students in Vocational High Schools (SMK). Limited hardware and laboratory facilities are major obstacles in practical learning processes. Therefore, utilizing simulation platforms such as Wokwi becomes an effective solution to support microcontroller-based learning. This training aims to provide basic knowledge of Arduino usage through a simulation project of creating a running text on an LCD I2C using Wokwi for SMK students. The method applied combines theory and practice with a participatory approach, involving 25 participants from the Computer and Network Engineering (TKJ) and Visual Communication Design (DKV) departments. The evaluation was conducted using pre-tests and post-tests consisting of 10 multiple-choice questions to measure participants' understanding before and after the training. The results show a significant improvement in post-test scores, particularly in understanding basic concepts of IoT, microcontrollers, and Arduino programming practices. These findings prove that Wokwi is an effective simulation tool for enhancing basic microcontroller programming skills among beginners. Thus, this training model can serve as an alternative solution to support practical learning in schools with limited physical equipment.
Analisis Perbandingan Sensitivitas dan Kinerja K-Means dan DBSCAN Terhadap Variasi Noise Rafael Austin; Ricky Dwi Putra; Ardi Ardi; Fuzail Fazle Rabbi; Lucky Pujiono WS; Vitri Tundjungsari
Teknologi Informasi : Teori, Konsep, dan Implementasi : Jurnal Ilmiah Vol 17 No 1 (2026): JURNAL TEKNOLOGI INFORMASI: Teori, Konsep dan Implementasi
Publisher : STMIK PPKIA Pradnya Paramita

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36382/qq0w1525

Abstract

Inaccurate or noisy data presents a significant challenge in machine learning, particularly in unsupervised clustering tasks. This study evaluates the robustness and performance of two popular clustering algorithms, K-Means and DBSCAN, against various levels of Gaussian noise (5%, 10%, 20%, and 30%) injected into a customer dataset. Evaluation was conducted using Silhouette Score and Davies-Bouldin Index (DBI). Initial results indicated that DBSCAN performed slightly better with a Silhouette Score of 0.4817 compared to K-Means at 0.4101. However, after noise injection, K-Means demonstrated superior stability by maintaining more consistent cluster memberships, whereas DBSCAN was more sensitive to distance variations, leading to significant fluctuations in cluster assignments. The study concludes that K-Means is more reliable for datasets where cluster integrity must be preserved despite minor data irregularities.
Perbandingan Metode K-Means dan Hierarchical Clustering pada Rekomendasi Musik Berbasis Audio Spotify Features Sistem Samuel Mahesa Sinulingga; Farrel Reyhan Putra; Andhika Dwi Rachmawanto; Michael Jeconiah Yonathan; Valentino Wijaya; Vitri Tundjungsari
Informatics and Computer Engineering Journal Vol 6 No 1 (2026): Periode Februari 2026
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat (LPPM) Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/icej.v6i1.11895

Abstract

Penelitian ini membandingkan metode K-Means dan Hierarchical Clustering dalam sistem rekomendasi musik berbasis audio features Spotify. Dataset yang digunakan berasal dari Spotify Tracks Dataset yang terdiri dari sekitar 114.000 lagu, kemudian melalui tahap pra-pemrosesan diperoleh sekitar 81.000 lagu valid. Untuk efisiensi komputasi, digunakan 5.000 lagu sebagai data eksperimen. Clustering dilakukan menggunakan 6 cluster dengan sembilan atribut audio. Evaluasi menggunakan Silhouette Score dan Davies–Bouldin Index menunjukkan bahwa K-Means memperoleh nilai Silhouette Score 0,1900 dan Davies–Bouldin Index 1,4445, sedangkan Hierarchical Clustering memperoleh nilai Silhouette Score 0,1782 dan Davies–Bouldin Index 1,4522. Hasil ini menunjukkan bahwa K-Means menghasilkan cluster yang lebih kompak. Sistem rekomendasi yang dibangun mampu memberikan rekomendasi lagu yang relevan berdasarkan kemiripan karakteristik audio.
SISTEM PENDUKUNG KEPUTUSAN PENGIRIMAN BUS BERBASIS AIOT MENGGUNAKAN INTEGRASI YOLOV8 DAN GOOGLE DISTANCE MATRIX API Arinal Dzikrul Haqqy Amir; Raihan Evanza; Vitri Tundjungsari; Eric Julianto
INTECOMS: Journal of Information Technology and Computer Science Vol. 9 No. 1 (2026): INTECOMS: Journal of Information Technology and Computer Science
Publisher : Institut Penelitian Matematika, Komputer, Keperawatan, Pendidikan dan Ekonomi (IPM2KPE)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31539/ywcqtg69

Abstract

Kalkulasi penumpang dan estimasi kepadatan kerumunan yang akurat memainkan peran penting dalam sistem transportasi publik cerdas untuk meningkatkan keselamatan, kualitas layanan, dan efisiensi operasional. Pendekatan berbasis visi yang memanfaatkan model deep learning, khususnya You Only Look Once (YOLO), telah diadopsi secara luas untuk deteksi dan pelacakan penumpang secara real-time karena kecepatan deteksi dan akurasinya yang tinggi. Namun, tantangan seperti oklusi, variasi skala, dan sudut pandang kamera yang terbatas tetap menjadi kendala signifikan, terutama di halte bus yang padat dan lingkungan transportasi umum. Untuk mengatasi keterbatasan ini, studi terbaru telah mengintegrasikan arsitektur Internet of Things (IoT) dengan analitik video untuk memungkinkan pemantauan arus penumpang secara berkelanjutan. Dalam penelitian ini, deteksi kerumunan berbasis YOLO dikombinasikan dengan Google Distance Matrix API untuk mengestimasi waktu tempuh dan jarak antar halte bus, sehingga memungkinkan rekomendasi pengiriman armada otomatis berdasarkan kondisi kepadatan secara real-time. Kerangka kerja berbasis AIoT yang diusulkan mendukung pengambilan keputusan berbasis data untuk operasional bus cerdas, meningkatkan responsivitas, mengurangi penumpukan penumpang, serta mengoptimalkan penjadwalan transportasi publik. Kata Kunci: AIoT-Enabled Public Transport Surveillance, YOLOv8, Sistem Transportasi Cerdas, Estimasi Kepadatan Kerumunan Real-Time, Google Distance Matrix API.
Analisis Komparatif K-Means dan Hierarchical Clustering Menggunakan Validasi Internal Clustering Shafwan Awaludin; Andri Agustian; Epsilona Katiga Capricorna; Muhammad Raihan Ilham; Nur Ananda Rumi; Vitri Tundjungsari
JUPITER (Jurnal Penelitian Ilmu dan Teknologi Komputer) Vol 18 No 1 (2026): Jurnal Penelitian Ilmu dan Teknologi Komputer (JUPITER)
Publisher : Teknik Komputer Politeknik Negeri Sriwijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.5281/zenodo.18384228

Abstract

Clustering ialah salah satu pendekatan unsupervised learning yang bertujuan mengelompokkan informasi bersumber pada tingkatan kemiripan karakteristiknya tanpa memakai label kelas. Tata cara K- Means serta Hierarchical Clustering jadi algoritma yang kerap digunakan sebab konsepnya simpel dan gampang diimplementasikan. Riset ini bertujuan menyamakan kinerja tata cara K- Means serta Hierarchical Clustering memakai validasi internal cluster buat memperhitungkan mutu hasil pengelompokan. Dataset yang digunakan diperoleh dari salah satu web penyedia informasi terbuka berbasis website yang sediakan informasi numerik serta sudah banyak dimanfaatkan pada riset informasi mining. Proses riset dimulai dengan akuisisi informasi, preprocessing, pelaksanaan algoritma K- Means serta Hierarchical Clustering, dan penilaian hasil clustering memakai validasi internal berbentuk Silhouette Coefficient, Davies- Bouldin Index, serta Calinski- Harabasz Index. Hasil pengujian menampilkan kalau tiap- tiap tata cara mempunyai ciri yang berbeda pada pembuatan cluster. K- Means cenderung menciptakan cluster yang lebih kompak, sebaliknya Hierarchical Clustering membagikan visualisasi ikatan antar informasi yang lebih jelas lewat dendrogram. Nilai validasi internal menampilkan tata cara dengan mutu clustering terbaik tergantung pada struktur informasi yang digunakan. Riset ini diharapkan bisa jadi rujukan dalam pemilihan tata cara clustering yang cocok bersumber pada ciri informasi serta kebutuhan analisis.
Sistem Rekomendasi Beasiswa Prestasi Akademik Berdasarkan Nilai Rata-Rata Dan Indeks Prestasi Kumulatif Menggunakan Logika Fuzz Yoana Nabilah Putri; Adelia Rafa Farzana; Muhammad Fahad; Hania Ayu Karin; Vitri Tundjungsari
Infotek: Jurnal Informatika dan Teknologi Vol. 9 No. 1 (2026): Infotek : Jurnal Informatika dan Teknologi
Publisher : Fakultas Teknik Universitas Hamzanwadi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29408/jit.v9i1.33733

Abstract

Scholarships play a crucial role in enhancing student motivation and academic achievement. However, the selection process often faces challenges in objectively determining eligibility. This study aims to develop an Artificial Intelligence-based scholarship recommendation system using a fuzzy logic approach to address uncertainty and variation in academic grades. The main contribution of this research is improving the objectivity and adaptability of the scholarship selection system through a fuzzy logic approach capable of assessing eligibility in a gradual and proportional manner. Data were collected from various publicly published scholarship agencies, including GPA, grade point average, and other academic requirements. The method used involves fuzzification to convert numerical data into fuzzy sets, applying fuzzy rules in the inference process, and defuzzification to generate consistently interpretable recommendation scores. The system was built using Python on the Google Colab platform and evaluated through white-box testing to ensure all internal logic flows work as designed. The results show that the fuzzy approach can provide more adaptive and objective recommendations compared to fixed threshold-based selection methods. The practical benefit of this system is to provide scholarship institutions with a transparent, efficient decision support tool that reduces subjectivity in the selection process.
Prediksi Harga Saham PT Bank Central Asia Tbk Menggunakan Long Short-Term Memory (LSTM) dengan Analisis Pengaruh Epoch Christopher Mathew Putra; Darren Jusman; Alfi Syahrian; Vitri Tundjungsari
Jurnal Media Informatika Vol. 7 No. 4 (2026): Edisi Juli - Agustus
Publisher : Lembaga Dongan Dosen

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

Abstract

Perkiraan harga saham adalah contoh kondisi pada analisis rentetan waktu keuangan karena dipengaruhi oleh perubahan pasar, model bukan linier, serta ketidakpastian yang besar. Penelitian ini memiliki tujuan untuk menilai kemampuan model Long Short-Term Memory (LSTM) dalam memperkirakan harga akhir tiap hari saham PT Bank Central Asia Tbk (BBCA), salah satu bidang perbankan dengan nilai pasar tertinggi di Indonesia. Data yang dipakai berupa data lampau harga saham yang diolah melalui tahap normalisasi. Pergeseran​‍​‌‍​‍‌ harga saham yang sering kali berfluktuasi serta dipengaruhi oleh pola temporal menjadikan permasalahan untuk memprediksi harga saham sebagai tantangan sekaligus suatu keharusan dalam pengambilan keputusan investasi. Metode penelitian yang digunakan adalah kuantitatif eksperimental dengan data historis harga saham yang telah melalui proses normalisasi Min–Max dan format deret waktu dibuat sebelum data dibagi menjadi data pelatihan dan pengujian. Evaluasi kinerja model dilakukan menggunakan Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), and Root Mean Squared Error (RMSE). Hasil eksperimen menunjukkan bahwa variasi epoch mempengaruhi akurasi prediksi, dimana konfigurasi terbaik diperoleh pada epoch 75 dengan nilai RMSE sebesar 249.196945, MAE sebesar 183.249475, dan MAPE sebesar 2.099024%. Berdasarkan hasil tersebut, dapat disimpulkan bahwa pemilihan jumlah epoch yang optimal berperan penting dalam meningkatkan kemampuan generalisasi model LSTM serta meminimalkan kesalahan prediksi, sehingga model lebih stabil dan tidak mudah mengalami overfitting.
Co-Authors Adelia Rafa Farzana Ai Selpia Andita Alfi Syahrian Alfina Poetri Abdillah Andhika Dwi Rachmawanto Andri Agustian Ardi Ardi Arinal Dzikrul Haqqy Amir Ary Prabowo Christopher Mathew Putra Darren Jusman Epsilona Katiga Capricorna Eric Julianto Farrel Reyhan Putra Fuzail Fazle Rabbi Hania Ayu Karin Ivan Febrian Pratama Lucky Pujiono WS Michael Jeconiah Yonathan Muhammad Fahad Muhammad Raihan Ilham Nur Ananda Rumi Rafael Austin Raihan Evanza Ricky Dwi Putra Samuel Mahesa Sinulingga Shafwan Awaludin Shela Atya Mitasya Valentino Wijaya Yoana Nabilah Putri