Claim Missing Document
Check
Articles

Found 20 Documents
Search

Penerapan Algoritma Random Forest dalam Prediksi Emosi Musik Berdasarkan Karakteristik Fitur Audio Spotify Marsya, Nabila Defany; Munadhil, Muhammad Mufrih; Dzakyananta, M Alvin; Amaliah, Khusnatul; Rofianto, Dani
Jurnal Sains Informatika Terapan Vol. 4 No. 2 (2025): Jurnal Sains Informatika Terapan (Juni, 2025)
Publisher : Riset Sinergi Indonesia (RISINDO)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62357/jsit.v4i2.648

Abstract

Emotion classification in music is a crucial aspect in developing context-aware recommendation systems that respond to the listener’s mood. The Random Forest algorithm is used to map song emotions based on Spotify audio features, namely valence, energy, loudness, and danceability, which reflect the psychological and acoustic aspects of music. The dataset was collected through the Spotify Web API and public repositories, consisting of songs released between 2009 and 2019. Data processing involved normalization and labeling emotions into five categories: Angry, Calm, Happy, Neutral, and Sad. The model was trained using 70% of the data and tested with the remaining 30%. Evaluation results showed an accuracy of 98.75%, with perfect F1-scores for the Happy and Sad categories. Valence and energy were found to be the most influential features, while Calm was often confused with Neutral due to similar acoustic patterns. These findings demonstrate that the Random Forest approach is effective in accurately and consistently classifying music emotions based on audio features.
Model Ensembel untuk Deteksi Depresi di Twitter Berbahasa Indonesia Fitri, Melisa; Nurkhotimah, Jihan Susan; Ihsan, Faiz Nurfaadhil; Amaliah, Khusnatul; Rofianto, Dani
Jurnal Sifo Mikroskil Vol. 26 No. 2 (2025): JSM VOLUME 26 NOMOR 2 TAHUN 2025
Publisher : Fakultas Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55601/jsm.v26i2.1812

Abstract

Pentingnya Deteksi dini gangguan kesehatan mental khususnya depresi di era digital saat ini di mana individu lebih cenderung mengekspresikan kondisi emosionalnya melalui media sosial. Penelitian ini bertujuan untuk mengembangkan model ensembel Machine Learning dalam mendeteksi gejala depresi pada postingan media sosial berbahasa Indonesia, khususnya dari platform Twitter. Dataset yang digunakan adalah Depression and Anxiety in Twitter (ID) yang terdiri dari 6.980 teks berlabel. Proses preprocessing mencakup pembersihan data, vektorisasi dengan TF-IDF, dan pemisahan data menggunakan metode overfitting. Empat algoritma yaitu Support Vector Machine, Naïve Bayes, Random Forest, dan AdaBoost dikombinasikan menggunakan Voting Classifier dengan pendekatan soft voting. Evaluasi model dilakukan menggunakan metrik akurasi, precision, recall, dan F1-score, serta visualisasi heatmap korelasi dan learning curve. Hasil menunjukkan bahwa model Voting Classifier menghasilkan kinerja terbaik dengan F1-score makro sebesar 0,996, menunjukkan bahwa pendekatan ensembel efektif dalam meningkatkan akurasi dan stabilitas klasifikasi. Penelitian ini berkontribusi dalam pengembangan sistem deteksi dini gangguan mental berbasis teks bahasa Indonesia yang dapat digunakan oleh lembaga kesehatan, institusi pendidikan, dan organisasi sosial.
Metode Ekstraksi Fitur dan Klasifikasi Visual Untuk Identifikasi Kualitas Pangan Lokal Berbasis Citra Digital Rofianto, Dani; Amaliah, Khusnatul; Khoerunissa, Tiara Kurnia; Fitri, Melisa
Jurnal Ilmu Komputer dan Agri-Informatika Vol. 12 No. 2 (2025)
Publisher : Sekolah Sains Data, Matematika, dan Informatika. Institut Pertanian Bogor

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29244/jika.12.2.178-188

Abstract

Mutu pangan lokal memiliki peran penting dalam menjaga ketahanan pangan dan meningkatkan daya saing produk di pasar. Namun, penentuan mutu masih mengandalkan inspeksi visual manual yang bersifat subjektif dan tidak konsisten, sehingga berpotensi menimbulkan kerugian pascapanen serta menurunkan kepercayaan konsumen. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi mutu pangan berbasis citra digital dengan memanfaatkan arsitektur deep learning EfficientNetV2B0 melalui pendekatan transfer learning. Dataset yang digunakan mencakup delapan kelas dari empat komoditas utama, yaitu apel, pisang, tomat, dan pare dalam kondisi segar dan tidak segar. Seluruh citra diproses melalui tahap prapengolahan berupa pengubahan ukuran dan normalisasi, serta dilakukan augmentasi data untuk meningkatkan variasi dan mencegah overfitting. Model dilatih dengan konfigurasi ringan dan dievaluasi menggunakan akurasi, presisi, recall, F1-score, serta confusion matrix. Hasil penelitian menunjukkan bahwa model mampu mencapai akurasi keseluruhan sebesar 99.8 persen dengan nilai presisi, recall, dan F1-score mendekati sempurna pada hampir semua kelas. Temuan ini membuktikan bahwa penerapan transfer learning dan augmentasi data efektif dalam membedakan pangan segar dan tidak segar berdasarkan citra digital. Secara praktis, sistem ini berpotensi mendukung petani dan pelaku usaha kecil menengah dalam melakukan inspeksi mutu yang lebih objektif, efisien, dan konsisten.
Deteksi Dini Penyakit Tanaman Jagung Berbasis Transfer Learning dengan Arsitektur DenseNet121 Rofianto, Dani; Maulini, Rima; Sahlinal, Dwirgo; Meilantika, Dian; Pujiana, Tri
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 2 (2025): Desember 2025
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v7i2.9094

Abstract

Jagung (Zea mays L.) merupakan komoditas pangan strategis di Indonesia yang berperan penting dalam ketahanan pangan, industri pakan ternak, hingga energi terbarukan. Produktivitas jagung kerap menurun akibat penyakit daun seperti Blight, Common Rust, dan Gray Leaf Spot, yang dapat mengurangi hasil panen hingga 30–50% jika tidak dideteksi sejak dini. Metode deteksi konvensional melalui pengamatan visual masih memiliki keterbatasan, antara lain subjektivitas penilaian, kurangnya tenaga ahli, serta keterlambatan dalam pengambilan keputusan. Oleh karena itu, diperlukan pendekatan berbasis kecerdasan buatan yang mampu melakukan deteksi secara cepat, akurat, dan efisien di lapangan. Penelitian ini mengusulkan penggunaan transfer learning dengan arsitektur DenseNet121 untuk klasifikasi penyakit daun jagung. Dataset yang digunakan terdiri dari 2.818 citra yang terbagi ke dalam empat kelas utama (Blight, Common Rust, Gray Leaf Spot, Healthy), diperoleh dari kombinasi dokumentasi lapangan dan dataset terbuka daring. Data kemudian dibagi menggunakan stratified split menjadi 68% latih, 17% validasi, dan 15% uji. Hasil pengujian menunjukkan bahwa model mencapai akurasi 93,48% dengan F1-score rata-rata 0,93. Kelas Healthy dan Common Rust teridentifikasi hampir sempurna, sementara kesalahan klasifikasi masih ditemukan pada Gray Leaf Spot yang sering terprediksi sebagai Blight. Kurva akurasi dan loss memperlihatkan dinamika pelatihan yang stabil tanpa indikasi overfitting, berkat penerapan augmentasi data, dropout, dan early stopping. Temuan ini menegaskan bahwa DenseNet121 berpotensi besar untuk diterapkan dalam sistem deteksi dini penyakit jagung berbasis AI, sekaligus mendukung pengembangan pertanian presisi dan peningkatan produktivitas nasional.
Sistem Irigasi dan Pemupukan Cerdas Berbasis IoT dengan Integrasi Cloud Database Eko Win Kenali; Dani Rofianto; Khusnatul Amaliah; Jaka Fitra; Halim Fathoni; Tiara Kurnia Khoerunnisa; Hevia Purnama Sari
Jurnal Nasional Teknik Elektro dan Teknologi Informasi Vol 15 No 1: Februari 2026
Publisher : This journal is published by the Department of Electrical and Information Engineering, Faculty of Engineering, Universitas Gadjah Mada.

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22146/jnteti.v15i1.23124

Abstract

Internet of Things (IoT)-based smart agriculture provides an innovative solution to enhance the efficiency and sustainability of agricultural production amid challenges such as water scarcity, inefficient fertilization, and climate variability. This study developed an IoT-based smart irrigation and fertilization management system integrated with the Firebase Realtime Database for real-time monitoring and control. The system combined soil moisture, air humidity, and temperature sensors with an ESP32 microcontroller, enabling automatic and manual decision-making based on environmental conditions. Users could interact with the system via a responsive web dashboard that provided both data visualization and manual control. System testing conducted in a greenhouse environment demonstrated stable and accurate data acquisition, with average readings of 27.91°C for temperature, 74.75% RH for air humidity, and 71.31% for soil moisture, within ±2.3% of analogue measurements. The relay actuation response time was less than 1 s, while Firebase synchronization achieved over 98% reliability during continuous operation. Additionally, the system achieved 20% water savings compared to manual irrigation methods and successfully controlled fertilizer distribution and exhaust ventilation to stabilize humidity. These results confirm that the proposed system supports real-time, precise, and energy-efficient control, suitable for small to medium-scale agricultural applications, especially in areas with unstable internet connectivity. This research establishes a strong foundation for future integration with AI-based systems, such as fuzzy logic and machine learning, to enable fully autonomous, adaptive precision agriculture.
Perancangan UI/UX Aplikasi Mobile Pembelajaran Teks Naratif Berbasis Budaya Daerah Menggunakan Design Thinking Khusnatul Amaliah; Muhammad Rakha Ramadhan; Dani Rofianto; Hastuti Retno Kuspiyah
Jurnal Minfo Polgan Vol. 15 No. 1 (2026): Artikel Penelitian
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/jmp.v15i1.15913

Abstract

The function of mobile technology in education provides significant potential for students to learn independently; however, it is often restricted by rigid interface designs and a lack of local cultural content. The purpose of this study is to design a UI/UX prototype for an English narrative text learning application that integrates South Sumatran folktales, addressing the need for interactive and contextual teaching media. This study employs a Research and Development (R&D) method using the Design Thinking approach, which consists of five interactive phases: Empathize, Define, Ideate, Prototype, and Test. Through this process, key features such as Cultural Path, Interactive Story, and Word Box were developed. The testing results showed a task success rate of 98.5% and a user satisfaction score of 4.78 out of 5. a relatively high mis click rate (40.8%) was identified on the Learning Page feature, indicating the need for improvements in the navigation layout. The findings show that the application works effectively and is well received by users, although improvements in the navigation layout are still needed. This study demonstrates that Design Thinking helps improve usability and contextual learning in a culturally based narrative learning application.
Penguatan Ekonomi KWT Srikandi Melalui Optimalisasi Digital Marketing Dan Diversifikasi Produk Olahan Cabai di Pringsewu Khusnatul Amaliah; Dani Rofianto; Tiara Kurnia Khoerunnisa; Melisa Fitri; Kafka Armelsya; Ni Wayan Sevilla Sekarsari
Jurdimas (Jurnal Pengabdian Kepada Masyarakat) Royal Vol. 9 No. 1 (2026): Januari 2026
Publisher : STMIK Royal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33330/jurdimas.v9i1.4228

Abstract

Abstract: This community service activity aims to strengthen the economy of the Srikandi Women Farmers Group (KWT) in Pekon Srikaton, Adiluwih District, Pringsewu Regency, through the implementation of digital marketing and diversification of processed chili products. The main problems of KWT include limited skills in chili processing and low utilization of digital technology for marketing. The method used is Participatory Action Research (PAR), with stages of socialization, chili processing training, digital marketing training, mentoring, and evaluation. The training activities increased the skills of KWT members in processing chili peppers into various products such as chili flakes, chili powder, and chili oil, as well as improving their ability to utilize social media for promotion. The results of the evaluation showed a significant increase in technical skills, entrepreneurial interest, and motivation of members to develop a business based on chili derivative products. This activity has proven to be effective in encouraging the economic independence of women through the use of technology and product innovation. Keywords: chili; digital marketing; product diversification Abstrak: Kegiatan pengabdian kepada masyarakat ini bertujuan untuk memperkuat ekonomi Kelompok Wanita Tani (KWT) Srikandi di Pekon Srikaton, Kecamatan Adiluwih, Kabupaten Pringsewu, melalui penerapan digital marketing dan diversifikasi produk olahan cabai. Permasalahan utama mitra meliputi keterbatasan keterampilan dalam pengolahan cabai serta rendahnya pemanfaatan teknologi digital untuk pemasaran. Metode yang digunakan adalah Participatory Action Research (PAR), dengan tahapan sosialisasi, pelatihan pengolahan turunan cabai, pelatihan digital marketing, pendampingan, serta evaluasi. Kegiatan pelatihan menghasilkan peningkatan keterampilan anggota KWT dalam mengolah cabai menjadi berbagai produk seperti bon cabai, cabai bubuk, dan chili oil, serta meningkatkan kemampuan dalam memanfaatkan media sosial untuk promosi. Hasil evaluasi menunjukkan adanya peningkatan signifikan dalam kemampuan teknis sebesar 60%, minat berwirausaha, dan motivasi anggota untuk mengembangkan usaha berbasis produk turunan cabai sebesar 20%. Kegiatan ini terbukti efektif dalam mendorong kemandirian ekonomi perempuan melalui pemanfaatan teknologi dan inovasi produk. Kata kunci: cabai; digital marketing; diversifikasi produk
KONTRIBUSI GBDT FEATURE SELECTION TERHADAP PENINGKATAN AKURASI DEEP LEARNING UNTUK PREDIKSI DISSOLVED OXYGEN PADA KOLAM AKUAKULTUR SKALA MIKRO Halim Fathoni; Eko Win Kenali; Jaka Fitra; Dani Rofianto; Khusnatul Amaliah
JUTIM (Jurnal Teknik Informatika Musirawas) Vol. 11 No. 1 (2026): JUTIM (Jurnal Teknik Informatika Musirawas) Maret
Publisher : LPPM UNIVERSITAS BINA INSAN

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32767/jutim.v11i1.3069

Abstract

Dissolved oxygen (DO) merupakan parameter kualitas air yang kritis dalam sistem akuakultur karena berpengaruh langsung terhadap kelangsungan hidup organisme budidaya. Penelitian ini mengusulkan model prediksi kadar oksigen terlarut pada kolam budidaya skala mikro berukuran 2,4 × 2,4 meter dengan kedalaman air 55 cm menggunakan kombinasi Gradient Boosting Decision Tree (GBDT) dan Long Short-Term Memory (LSTM). GBDT digunakan untuk seleksi fitur dari dua belas variabel input yang mencakup data sensor kualitas air dan data meteorologi dari stasiun cuaca otomatis, termasuk radiasi surya, curah hujan, tekanan udara, kelembaban, dan kecepatan angin. Variabel baru berupa Heat Flux dan Wind Mix diturunkan dari karakteristik fisik kolam untuk merepresentasikan intensitas energi per satuan volume air. Parameter LSTM dioptimalkan menggunakan cross-validation grid search dengan K=5 fold dan 96 kombinasi parameter. Data dikumpulkan dari sistem IoT dan stasiun cuaca otomatis selama Oktober–Desember 2024. Hasil evaluasi model menunjukkan RMSE=0,4963 mg/L, MAE=0,368 mg/L, dan MAPE=0,129, lebih baik dibandingkan LSTM Baseline (RMSE=0,4254, MAE=0,300, MAPE=0,105).
Perbandingan Metode Klasifikasi SOM Dan LVQ Pada Data Bunga Iris Dengan Parameter Dimodifikasi: Comparison of SOM and LVQ Classification Methods on Iris Data With Modified Parameters Oki Arifin; Dani Rofianto
Decode: Jurnal Pendidikan Teknologi Informasi Vol. 3 No. 1: MARET 2023
Publisher : Program Studi Pendidikan Teknologi Infromasi UMK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51454/decode.v3i1.135

Abstract

Klasifikasi mempunyai dua tugas utama yaitu membuat model sebagai prototype dan menggunakan model untuk mengklasifikasi atau memprediksi pada objek data lain. Metode klasifikasi yang banyak digunakan diantaranya adalah Self Organizing Maps (SOM) dan Learning Vector Quantization (LVQ). Penelitian ini bertujuan untuk membandingkan performa algoritma SOM dan LVQ dalam klasifikasi data bunga iris. Skema yang digunakan dalam penelitian ini adalah memodifikasi parameter dalam beberapa percobaan. Berdasarkan hasil percobaan yang telah dilakukan, nilai α dan β sangat mempengaruhi hasil klasifikasi. Algoritma SOM memiliki akurasi terbaik ketika α=0.01 dan β=0.01 dengan akurasi 97.77%, sedangkan algoritma LVQ akurasi maksimal diperoleh ketika nilai α=0.1 dan β=0.05 dengan akurasi 88.88%. Selanjutnya dalam penelitian ini diketahui bahwa banyaknya iterasi yang digunakan berpengaruh terhadap hasil klasifikasi pada kedua algoritma. Akan tetapi waktu proses (running time) pada SOM tidak begitu berpengaruh ketika dilakukan perubahan jumlah iterasi. Berbeda dengan LVQ dimana banyaknya iterasi yang digunakan sangat mempengaruhi waktu eksekusi program. Semakin banyak iterasi, semakin lama juga waktu eksekusi program yang dijalankan.
Aplikasi Alarm Cerdas Berbasis MobileNetV2 TensorFlow Lite Verifikasi Kesadaran Pengguna Muhammad Zakfar Sodik; Renhat Denil Ramadhan; Andika Sandi Pranata; Zidan Alghifari; Dani Rofianto; Khusnatul Amaliah
Jurnal Nasional Teknologi dan Sistem Informasi Vol 12 No 2 (2026): Agustus 2026
Publisher : Departemen Sistem Informasi, Fakultas Teknologi Informasi, Universitas Andalas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/TEKNOSI.v12i2.2026.411-421

Abstract

Rendahnya kemampuan alarm konvensional dalam memastikan pengguna benar-benar terbangun masih menjadi penyebab keterlambatan bangun pada sebagian pelajar, mahasiswa maupun pekerja. Sebagian besar aplikasi alarm konvensional hanya mengandalkan keluaran berupa suara atau getaran tanpa mekanisme untuk memastikan bahwa pengguna benar-benar telah terbangun. Penelitian ini bertujuan merancang aplikasi WakeUp AI, yaitu aplikasi alarm cerdas berbasis Android yang memanfaatkan kecerdasan buatan untuk memverifikasi kondisi pengguna sebelum alarm dapat dihentikan. Sistem menerapkan metode Transfer Learning dengan arsitektur MobileNetV2 untuk mengklasifikasikan kondisi mata terbuka dan mata tertutup. Sebelum proses klasifikasi dilakukan, citra dipraproses menggunakan teknik Eye Region Cropping sehingga model hanya memproses area mata. Selanjutnya model dijalankan secara lokal menggunakan TensorFlow Lite agar dapat bekerja tanpa koneksi internet. Untuk meningkatkan kestabilan hasil deteksi diterapkan algoritma Rolling Average dan Leaky Bucket Accumulator, kemudian proses verifikasi dilanjutkan dengan mengimplementasikan tantangan Random Question Challenge sederhana sebagai verifikasi kognitif pengguna. Berdasarkan implementasi dan pengujian yang telah dilakukan,  sistem mampu menghasilkan aplikasi alarm yang ringan, cepat, serta lebih efektif dibandingkan alarm konvensional dalam memastikan pengguna benar-benar berada pada kondisi sadar sebelum alarm dinonaktifkan.