Article Per Year (5 Year)
p-Index From 2020 - 2025
0.408
P-Index
This Author published in this journals
All Journal KOMPUTIKA - Jurnal Sistem Komputer JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika)
Makmur, Haerunnisya
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering

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

Found 2 Documents
Search

 1 
KLASIFIKASI RASA JERUK SIAM BERDASARKAN WARNA DAN TEKSTUR BERBASIS PENGOLAHAN CITRA DIGITAL Lapendy, Jessica Crisfin; Resky, Andi Aulia Cahyana; Makmur, Haerunnisya; Kaswar, Andi Baso; Andayani, Dyah Darma; Adiba, Fhatiah
JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Vol 9, No 2 (2024)
Publisher : STKIP PGRI Tulungagung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29100/jipi.v9i2.5384

Abstract

Jeruk merupakan salah satu buah yang sangat populer di kalangan masyarakat Indonesia karena memiliki rasa yang segar, enak, dan memiliki banyak manfaat bagi kesehatan. Kandungan vitamin C yang melimpah membuat buah ini banyak dijadikan sebagai suplemen kesehatan sehingga jeruk memiliki nilai komersial dan pangsa pasar yang besar. Untuk mendapatkan manfaat yang maksimal dari buah ini, diperlukan kualitas jeruk yang baik, dilihat dari segi rasa dan tingkat kematangan buah jeruk. Salah satu jenis jeruk yang populer adalah jeruk siam. Akan tetapi, dari segi rasa buah jeruk asam dan manis masih sulit untuk dibedakan jika hanya dilihat oleh mata. Oleh karena itu, pada penelitian ini diusulkan sistem klasifikasi rasa buah jeruk siam berdasarkan warna dan tekstur kulit menggunakan jaringan syaraf tiruan berbasis pengolahan citra digital. Pada penelitian ini, rasa jeruk dibagi ke dalam 2 kelas, yaitu manis dan asam. Metode yang diusulkan terdiri atas 7 tahapan utama yaitu tahap akuisisi citra, preprocessing, segmentasi menggunakan Otsu Thresholding, penghilangan noise citra biner menggunakan K-Means, operasi morfologi, ekstraksi fitur warna serta tekstur, dan klasifikasi menggunakan jaringan syaraf tiruan. Beberapa skenario pengujian dilakukan dan diperoleh skenario penggabungan fitur warna LAB dengan fitur tekstur contrast, correlation, energy dan homogeneity yang menghasilkan akurasi tertinggi. Adapun nilai akurasi, precision, dan recall yang diperoleh, yaitu 98,75%, 100%, dan 97,56%. Hal ini menunjukkan bahwa metode yang diusulkan memiliki kinerja yang baik dalam mengklasifikasian rasa buah jeruk ke dalam kelas manis atau asam.
Analisis Sentimen Penghapusan Skripsi sebagai Tugas Akhir Mahasiswa Menggunakan Metode Multi-Layer Perceptron Makmur, Haerunnisya; Wulandari, Wulandari; Surianto, Dewi Fatmarani; Fajar B, Muhammad
Komputika : Jurnal Sistem Komputer Vol 13 No 2 (2024): Komputika: Jurnal Sistem Komputer
Publisher : Computer Engineering Departement, Universitas Komputer Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34010/komputika.v13i2.12402

Abstract

Indonesia has levels of education where one of them is undergraduate education. There are requirements that must be done to get a bachelor's degree, one of which is to complete a final project in the form of a thesis. Nadiem Makarim, Minister of Education, Technology and Higher Education in his speech announced a new policy in the field of education regarding the non-obligation for students to prepare a thesis as a requirement for graduation. Based on this, there are pros and cons from the community, the sentiment analysis process related to this is needed. This research aims to map public sentiment contained in TikTok and YouTube social media related to the elimination of thesis using the MLP method. The stages carried out consist of observation, data collection, labeling, data normalization, preprocessing, data partitioning, TF-IDF weighting, classification, and evaluation. The accuracy obtained at the preprocessing scenario stage is 86% with case folding and stemming scenarios. Furthermore, this scenario is used in testing based on data partitioning where the highest accuracy results are obtained with a portion of 90% training data and 10% test data. The accuracy obtained is 94%.
Co-Authors Adiba, Fhatiah Andi Baso Kaswar Andi Baso Kaswar Dewi Fatmarani Surianto Fajar B, Muhammad Lapendy, Jessica Crisfin Resky, Andi Aulia Cahyana Wulandari Wulandari