Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Journal of Business and Audit Information System (JBASE)
Ariawan, Eko
Universitas Prasetiya Mulya
Computer Science & IT

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

Found 2 Documents
Search

 1 
SIMANTAP: DEGREE AUDIT MODULE AND OUTCOME-BASED EDUCATION (OBE) MODULE IMPLEMENTATION Ariawan, Eko
JBASE - Journal of Business and Audit Information Systems Vol 7, No 2 (2024): JBASE - Journal of Business and Audit Information Systems
Publisher : Universitas Bunda Mulia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30813/jbase.v7i2.6252

Abstract

Sistem Manajemen Tata Kelola Pendidikan Tinggi (SIMANTAP) is an internal quality assurance system developed at Universitas Prasetiya Mulya. In its development, SIMANTAP still requires the development of the degree audit module and the outcome-based education (OBE) curriculum module. The degree audit module is needed due to the requirement for validating student graduation for the Applied STEM faculty. Meanwhile, the OBE curriculum is essential for accreditation purposes for all Applied STEM programs before graduation. This research encompasses stages starting from discussions with the admin & program head, planning, system specification determination, system design, system development using the Django framework as the backend and the ReactJS framework as the frontend, and functional system testing. Through this research, it is expected that the system will facilitate the administrative tasks related to curriculum and graduation processes conducted in the Applied STEM faculty at Universitas Prasetiya Mulya.
Perbandingan Performa Arsitektur Convolutional Neural Network Menggunakan Transfer Learning untuk Model Deteksi Kesehatan Daun Ariawan, Eko
JBASE - Journal of Business and Audit Information Systems Vol 8, No 1 (2025): JBASE - Journal of Business and Audit Information Systems
Publisher : Universitas Bunda Mulia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30813/jbase.v8i1.8116

Abstract

Serangan hama dan penyakit merupakan salah satu faktor yang berkontribusi pada kegagalan panen.  Pada umumnya, para petani akan menggunakan pestisida dan beberapa kompetitor alami untuk membasmi hama dan penyakit pada tanaman. Analisis terhadap daun sedini mungkin dapat mencegah potensi gagal panen. Identifikasi daun yang terdeteksi sebagai daun yang sehat atau terkena penyakit dapat dilakukan dengan kecerdasan buatan (Artificial Intelligence) dengan menggunakan teknik deep learning. Convolutional Neural Network (CNN) merupakan arsitektur deep learning yang efektif digunakan dalam berbagai aplikasi pengolahan citra. Penelitian ini bertujuan untuk mengevaluasi performa arsitektur deep learning pada beberapa algoritma CNN. Citra akan melalui proses data augmentation berupa rescale, shear, zoom, dan resizing. Dataset diklasifikasikan kedalam tiga kategori yaitu training, testing, dan validation dimana didalam nya memiliki dua kategori yaitu daun sehat dan daun terkena penyakit. Total sampel gambar daun terkena penyakit ada sebanyak 43.019 dan 10.284 sampel gambar daun sehat. Model CNN yang akan di uji adalah ResNet50, DenseNet121, MobileNet, VGG19, dan Xception dimana model CNN tersebut akan menggunakan library Keras dari modul TensorFlow V2.16.1. Dari hasil pengujian sampel yang dilakukan didapatkan hasil model terbaik adalah Xception, DenseNet121 dan ResNet50.
Co-Authors