Article Per Year (5 Year)
p-Index From 2021 - 2026
0.61
P-Index
This Author published in this journals
All Journal Prosiding Seminar Nasional Teknoka Jurnal Teknik Informatika
Muhammad Gabriel Somoal
Unknown Affiliation
Computer Science & IT Engineering

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Perancangan Sistem Informasi Manajemen Keuangan Berbasis Web Untuk Kafe Kopi Sakura Dengan Metode Prototipe Muhammad Gabriel Somoal; Nur Chalik Azhar, S.Kom., M.Kom
Prosiding Seminar Nasional Teknoka Vol 8 (2023): Proceeding of TEKNOKA National Seminar - 8
Publisher : Fakultas Teknik, Universitas Muhammadiyah Prof. Dr. Hamka, Jakarta

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

Abstract

The primary goal of this study is to develop a web-based financial management information system specifically for Sakura Coffee Cafe by using prototype methodologies. Due to manual financial management, the cafe is currently having issues. This results in stress and lower employee motivation in addition to decreasing work efficiency and effectiveness. The creation of an online, user-friendly financial management information system is the aim of this research, which will raise financial management's overall efficacy. This research produces an effective financial management system for Sakura Coffee Cafe by using the prototype method in system design. Proven through User Acceptance Test with black box testing, and a confusion matrix value of 87,8%, which confirmed the suitability of the system as the right solution for users.
Analisis Komparatif Model MobilenetV1 Dan EfficientnetB0 Dalam Klasifikasi Citra Empat Musim Menggunakan Transfer Learning Burhanuddin, Muhammad Iqbal; Adam Syaifullah; Setiawan Adeka Putra Jaya; Muhammad Gabriel Somoal
JEKIN - Jurnal Teknik Informatika Vol. 5 No. 2 (2025)
Publisher : Yayasan Rahmatan Fidunya Wal Akhirah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58794/jekin.v5i2.1378

Abstract

Musim memengaruhi berbagai aspek lingkungan dan aktivitas manusia seperti pertanian, pariwisata, serta transportasi. Identifikasi otomatis terhadap musim berdasarkan citra visual menjadi solusi potensial untuk mendukung sistem monitoring berbasis teknologi. Namun, klasifikasi citra ke dalam empat kategori musim, yaitu autumn, spring, summer, dan winter, masih jarang diimplementasikan dalam sistem pengenalan berbasis deep learning. Penelitian ini bertujuan untuk membandingkan dua arsitektur ringan Convolutional Neural Network (CNN), yaitu MobileNetV1 dan EfficientNetB0, untuk menentukan model terbaik dalam klasifikasi citra musim. Keduanya diimplementasikan menggunakan pendekatan transfer learning dan dioptimasi dengan Adam (Adaptive Moment Estimation) Optimizer. Dataset terdiri atas 2000 citra yang dibagi menjadi 75% data train, 15% data validation, dan 10% data testing. Hasil evaluasi menunjukkan bahwa MobileNetV1 memberikan performa terbaik dengan accuracy 95,5%, precision 95,5%, recall 95,5%, dan F1-Score 95,5%, sedangkan EfficientNetB0 hanya mencapai accuracy sebesar 91,5%. Perbandingan ini mengindikasikan bahwa MobileNetV1 lebih unggul dalam efisiensi dan akurasi pada tugas klasifikasi visual musim. Penelitian ini memberikan kontribusi terhadap pengembangan sistem klasifikasi musim berbasis citra yang dapat diimplementasikan dalam aplikasi website atau sistem monitoring lingkungan berbasis citra otomatis.
Deteksi Tumor Otak pada Citra Magnetic Resonance Imaging (MRI) Menggunakan Arsitektur MobileNet dengan Optimizer Adam Basri, Muhammad Zawawi; Muhammad Gabriel Somoal; Rafiq Setyo Aji
JEKIN - Jurnal Teknik Informatika Vol. 5 No. 2 (2025)
Publisher : Yayasan Rahmatan Fidunya Wal Akhirah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58794/jekin.v5i2.1394

Abstract

Deteksi dini tumor otak melalui citra Magnetic Resonance Imaging (MRI) merupakan tantangan penting dalam diagnostik medis. Penelitian ini mengembangkan model klasifikasi tumor otak berbasis deep learning dengan membandingkan arsitektur MobileNetV1 dan MobileNetV2. Dataset yang digunakan terdiri dari 2.000 citra MRI yang seimbang (500 gambar per kelas: glioma, meningioma, non-tumor, dan pituitary), dibagi menjadi 1.700 gambar (85%) untuk pelatihan, 200 gambar (10%) untuk validasi, dan 100 gambar (5%) untuk pengujian. Kedua model dievaluasi menggunakan optimizer Adam dan SGD dengan pendekatan transfer learning. Hasil penelitian menunjukkan bahwa MobileNetV1 dengan Adam optimizer mencapai kinerja optimal dengan akurasi 96,5%, presisi 96,5%, recall 96,5%, dan F1-score 96,5%. Sementara itu, MobileNetV2 menunjukkan akurasi 86% dengan kesulitan khusus pada klasifikasi meningioma (F1-score 74%). Analisis confusion matrix mengungkapkan konsistensi prediksi yang baik untuk semua kelas pada MobileNetV1. Temuan ini menegaskan bahwa untuk dataset berukuran terbatas, MobileNetV1 lebih unggul dalam stabilitas dan akurasi dibandingkan MobileNetV2. Penelitian ini memberikan kontribusi penting dalam pengembangan sistem computer-aided diagnosis (CAD) untuk tumor otak, dengan rekomendasi implementasi MobileNetV1 di fasilitas kesehatan dan kebutuhan optimasi lebih lanjut untuk MobileNetV2. Temuan ini menegaskan bahwa untuk dataset berukuran terbatas, MobileNetV1 lebih unggul dalam stabilitas dan akurasi dibandingkan MobileNetV2. Penelitian ini memberikan kontribusi penting dalam pengembangan sistem computer-aided diagnosis (CAD) untuk tumor otak, dengan rekomendasi implementasi MobileNetV1 di fasilitas kesehatan dan kebutuhan optimasi lebih lanjut untuk MobileNetV2.
Co-Authors Adam Syaifullah Basri, Muhammad Zawawi Burhanuddin, Muhammad Iqbal Nur Chalik Azhar, S.Kom., M.Kom Rafiq Setyo Aji Setiawan Adeka Putra Jaya