Yosefa Camilia Moniung
Universitas Multi Data Palembang

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

Found 2 Documents
Search

Pengenalan Web Ai Chatgpt (Generative Pre-Trained Transformer) Oleh Openai Di Smp Indriasana Palembang Alwin Marcellino; Dicky Ryanto Fernandes; Fionna Caroline; Nicolas Jacky Pratama Hasan; Yosefa Camilia Moniung; Muhammad Rizky Pribadi
Jurnal Pengabdian Masyarakat IPTEK Vol. 3 No. 2 (2023): Edisi Juli 2023
Publisher : STMIK Triguna Dharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.53513/abdi.v3i2.8351

Abstract

ChatGPT oleh OpenAI merupakan contoh teknologi Kecerdasan Buatan (Artificial Intelligence) yang dapat berinteraksi dengan pengguna melalui chat. ChatGPT seringkali terdengar di kalangan masyarakat saat ini, maka dari itu dilakukan pengabdian mengenai ChatGPT kepada siswa-siswi SMP Indriasana Palembang. Kegiatan pengabdian ini bertujuan untuk mengenalkan siswa-siswi pada ChatGPT sebagai asisten virtual yang dapat memudahkan kehidupan sehari-hari dalam memperoleh informasi, menjelaskan cara penggunaan ChatGPT, kekurangan dan kelebihannya, serta berbagai pengawasan yang harus dilakukan guna mencegah penyalahgunaan teknologi tersebut. Kegiatan pengabdian ini dilakukan dengan metode penyampaian materi yang interaktif dan pelatihan menggunakan platform ChatGPT kepada siswa-siswi yang didampingi langsung oleh Tim Pengabdian. Penggunaan ChatGPT dalam kehidupan sehari-hari memiliki potensi besar untuk meningkatkan pelayanan dan memberikan manfaat bagi masyarakat dari berbagai kalangan usia.Kata kunci: Artificial Intelligence, Asisten Virtual, ChatGPT, OpenAI, Teknologi.
Analisis Komparatif Model Transfer Learning Inception-v3 dan Inception-v4 untuk Klasifikasi Citra Daun Tanaman Herbal Yosefa Camilia Moniung; Muhammad Ezar Al Rivan
Arcitech: Journal of Computer Science and Artificial Intelligence Vol. 6 No. 1 (2026): June 2026
Publisher : Institut Agama Islam Negeri (IAIN) Curup

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29240/arcitech.v6i1.16936

Abstract

Herbal plants represent one of Indonesia's rich biodiversity resources that have long been utilized in traditional medicine. However, manual identification remains challenging due to morphological similarities among plant species. Various studies have applied Convolutional Neural Network (CNN) for herbal plant classification, yet comparative analysis between Inception-v3 and Inception-v4 in this domain remains limited. This comparison is necessary as increased architectural complexity in Inception-v4 does not always guarantee better performance on small-scale datasets. This study aims to compare the performance of Inception-v3 and Inception-v4 transfer learning in classifying 10 herbal plant species using 1,000 leaf images. The novelty lies in a direct comparative analysis considering data augmentation and hyperparameter tuning. Pre-processing includes image resizing and augmentation, while hyperparameter tuning applies learning rate variations (0.001; 0.0001; 0.00001) and batch sizes (16, 32, 64). Evaluation was conducted using accuracy, precision, recall, and F1-score. Inception-v3 achieved the best performance with 98.50% accuracy, 98.55% precision, 98.50% recall, and 98.50% F1-score, providing an empirical benchmark for Inception architecture selection in leaf-based herbal plant classification.