Article Per Year (5 Year)
p-Index From 2020 - 2025
0.444
P-Index
This Author published in this journals
All Journal JURNAL INSTEK (Informatika Sains dan Teknologi) Agents: Journal of Artificial Intelligence and Data Science
Darmatasia
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Engineering

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Implementasi Metode Perbandingan Eksponensial dalam Sistem Pendukung Keputusan Seleksi Mahasiswa Penerima Beasiswa Muammilul Khair; A. Muhammad Syafar; Darmatasia
AGENTS: Journal of Artificial Intelligence and Data Science Vol 2 No 2 (2022): Maret - Agustus
Publisher : Prodi Teknik Informatika Universitas Islam Negeri Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1988.125 KB) | DOI: 10.24252/jagti.v2i2.42

Abstract

Scholarship is one of the programs initiated by the institution that is awarded to a student based on academic achievement or other criteria that may include financial need. Scholarships are awarded selectively in accordance with the scholarships held. The most problem in scholarship program is the selection process to decide scholarship awardees. The conventional selection model in scholarship selection is commonly not transparent and misdirected. This research was conducted in UIN Alauddin Makassar which aims to develop a scholarship selection Decision Support System to facilitate the decision makers in selecting scholarship recipients. The method used in the decision-making process is the Exponential Comparison method. This method is a method with exponential calculation, the difference in value between criteria can be distinguished depending on the ability of the person who judges. The system that has been built is then tested by BlackBox testing. The results of the study show that all features of the system can function properly. This research is expected to facilitate decision makers in selecting scholarship recipients transparently and effectively.
MODEL EFISIEN BERBASIS MOBILE VISION TRANSFORMER (MOBILEVIT) UNTUK KLASIFIKASI JENIS TANAH DARI CITRA Darmatasia; H, M. Hasrul
Jurnal INSTEK (Informatika Sains dan Teknologi) Vol 10 No 2 (2025): OCTOBER
Publisher : Department of Informatics Engineering, Faculty of Science and Technology, Universitas Islam Negeri Alauddin, Makassar, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24252/instek.v10i2.61891

Abstract

Identifikasi jenis tanah berperan krusial dalam sektor pertanian. Namun, metode klasifikasi konvensional seperti uji laboratorium dan observasi langsung masih memiliki keterbatasan dalam hal efisiensi waktu, biaya, dan skala. Penelitian ini mengusulkan model efisien untuk klasifikasi citra tanah dengan arsitektur Mobile Vision Transformer. Pendekatan transfer learning digunakan dalam membangun model untuk mengatasi keterbatasan jumlah data latih yang selanjutnya disesuaikan dengan data jenis tanah melalui fine-tuning. Dataset yang digunakan dalam penelitian ini diperoleh dari platform Kaggle, yang terdiri dari enam kelas yaitu Arid Soil, Black Soil, Laterite Soil, Mountain Soil, Red Soil, dan Yellow Soil. Dataset dibagi menjadi 80% untuk pelatihan dan 20% untuk pengujian, dengan evaluasi kinerja berdasarkan akurasi, presisi, recall, F1-score, dan waktu inferensi. Eksperimen dilakukan dengan membandingkan performa MobileViT terhadap model konvensional seperti CNN ringan (MobileNet) dan Vision Transformer standar. Hasil penelitian menunjukkan bahwa model yang diusulkan mampu mencapai keseimbangan antara akurasi dan efisiensi komputasi, dengan tingkat akurasi sebesar 97%. MobileViT menunjukkan efisiensi waktu inferensi yang lebih baik dibandingkan Vision Transformer standar, dengan kecepatan sekitar 5 kali lebih cepat. Kecepatan inferensi MobileViT mendukung penerapannya pada aplikasi real-time berbasis perangkat dengan daya komputasi terbatas tanpa menurunkan akurasi dengan signifikan. Meskipun demikian, penelitian ini memiliki keterbatasan pada ukuran dataset yang terbatas.
Co-Authors A. Muhammad Syafar H, M. HASRUL Muammilul Khair