Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Jurnal Nasional Komputasi dan Teknologi Informasi Jurnal Minfo Polgan (JMP)
Andi Purnomo
Universitas Ary Ginanjar
Aerospace Engineering Automotive Engineering Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Engineering Library & Information Science Mathematics Neuroscience Social Sciences Transportation

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

Found 2 Documents
Search

 1 
Efisiensi dan Akurasi dalam Deteksi Ekspresi Wajah: Studi Kasus Tiga Generasi Yolo Aliyah Kurniasih; Cantika Previana; Risman Nugraha; Andi Purnomo
Jurnal Nasional Komputasi dan Teknologi Informasi (JNKTI) Vol 8, No 4 (2025): Agustus 2025
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v8i4.9674

Abstract

Abstrak − Ekspresi wajah merupakan indicator penting dalam interaksi manusia yang dapat dianalisis secara otomatis menggunakan teknologi deteksi objek. Penelitian ini bertujuan membandingkan performa YOLOv5, YOLO11, dan YOLO12 dalam mendeteksi tujuh kelas ekspresi wajah pada 2.935 dataset public. Model dilatih dengan konfigurasi yang seragam, kemudian di evaluasi berdasarkan nilai mean Average Precision (mAP) dan latensi inferensi. YOLOv5 mencatat nilai mAP tertinggi pada saat proses training dan validation, sedangkan YOLO11 memiliki lantensi terendah. Pada evaluasi model, YOLO12 unggul dalam nilai mAP, dan YOLO11 tetap tercepat dalam latensi. Model di deployment dengan 6 data citra yang memiliki 7 kelas. Hasil menunjukkan bahwa meskipun model YOLO12 unggul dalam akurasi evaluasi model, YOLO11 lebih optimal dari segi kecepatan inferensi.Kata Kunci: face expressions; accuracy-latency; yolo12; Abstract − Facial expression is an important indicator of human interaction that can be analyzed automatically using object detection technology. This study aims to compare the performance of YOLOv5, YOLO11, and YOLO12 in detecting seven classes of facial expressions on 2,935 public datasets. The models were trained with a uniform configuration, and then evaluated based on the mean Average Precision (mAP) value and inference latency. YOLOv5 recorded the highest mAP value during training and validation, while YOLO11 had the lowest latency. On model evaluation, YOLO12 excelled in mAP value, and YOLO11 remained the fastest in latency. The model was deployed with 6 image data that had 7 classes. Results show that while the YOLO12 model excels in model evaluation accuracy, YOLO11 is more optimal in terms of inference speed.Keywords: face expressions; accuracy-latency; yolo12
Peran Artificial Intelligence dalam Deteksi Dini Ancaman Keamanan Jaringan Andi Purnomo; Aliyah Kurniasih; Ahlijati Nuarminah; Sri Hartati
Jurnal Minfo Polgan Vol. 13 No. 2 (2024): Artikel Penelitian
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/jmp.v13i2.14356

Abstract

Keamanan jaringan komputer menghadapi tantangan yang semakin kompleks seiring dengan meningkatnya volume dan variasi ancaman, seperti serangan Distributed Denial of Service (DDoS), malware, dan eksploitasi kerentanan. Pendekatan tradisional dalam deteksi dan mitigasi ancaman sering kali tidak cukup responsif terhadap pola serangan yang dinamis dan canggih. Teknologi kecerdasan buatan (Artificial Intelligence/AI), khususnya Machine Learning (ML), menawarkan pendekatan baru yang lebih adaptif dan proaktif.Penelitian ini bertujuan untuk menganalisis peran AI dalam meningkatkan keamanan jaringan melalui penerapan berbagai algoritma ML, seperti Naïve Bayes Classifier, Support Vector Machine (SVM), Decision Tree, dan Random Forest. Pendekatan ini memungkinkan analisis data dalam jumlah besar secara real-time, identifikasi pola anomali, dan deteksi dini terhadap serangan yang belum teridentifikasi sebelumnya. Hasil tinjauan literatur menunjukkan bahwa algoritma Machne Learning mampu meningkatkan akurasi deteksi ancaman hingga 95% dalam berbagai studi kasus. Meskipun demikian, beberapa tantangan masih dihadapi, seperti tingkat false positives yang tinggi, keterbatasan data pelatihan, dan kebutuhan infrastruktur yang signifikan. Untuk mengatasi tantangan ini, diperlukan pengembangan algoritma yang lebih efisien serta integrasi AI dengan teknologi lain, seperti blockchain dan Software-Defined Networking (SDN).Penelitian ini menyimpulkan bahwa AI memiliki potensi besar untuk menjadi komponen kunci dalam strategi keamanan jaringan modern, dengan memberikan solusi yang lebih cepat, akurat, dan skalabel dalam mendeteksi dan merespons ancaman keamanan siber.
Co-Authors Ahlijati Nuarminah Aliyah Kurniasih Cantika Previana Risman Nugraha Sri Hartati