Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Jurnal Pengabdian kepada Masyarakat Nusantara JuTISI (Jurnal Teknik Informatika dan Sistem Informasi)
Riyandi, Riki
Unknown Affiliation
Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Social Sciences

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

Found 2 Documents
Search

 1 
Pelatihan Desain Grafis untuk Meningkatkan Produktivitas dan Kreativitas dalam Organisasi Mahasiswa Muh Nur Aslam; Zamzami, Ahmad; Riyandi, Riki; Sumarsono, Sumarsono
Jurnal Pengabdian kepada Masyarakat Nusantara Vol. 5 No. 4 (2024): Jurnal Pengabdian kepada Masyarakat Nusantara (JPkMN) Edisi September - Desembe
Publisher : Lembaga Dongan Dosen

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55338/jpkmn.v5i4.4605

Abstract

Kemampuan untuk menyampaikan informasi dengan cara yang efektif dan menarik menjadi kebutuhan mendasar bagi setiap organisasi. Salah satu yang paling efektif melalui desain grafis yang kreatif dan professional. Desain grafis tidak hanya berfungsi sebagai alat komunikasi visual, tetapi juga penting dalam membangun citra atau branding organisasi di mata public. Desain grafis adalah ilmu praktik yang dapat dipelajari, namun di organisasi CSSMoRA masih kurang SDM yang memiliki keterampilan tersebut. Hal ini menjadi tujuan untuk mencari kader baru dan mengembangkan SDM di organisasi dalam meningkatkan keterampilan desain grafis. Metode yang digunakan menggunakan pendekatan komprehensif yang menggabungkan pemahaman teori yang mendalam dan keterampilan praktis yang relevan. Hasil pelatihan menunjukan bahwa pelatihan desain grafis memberikan dampak positif terhadap peningkatan pengetahuan dan keterampilan teman-teman organisasi CSSMoRA dalam memanfaatkan tools desain, kemudian hasil pelatihan tidak hanya berhenti di hari itu saja tetapi memberikan pendampingan jarak jauh dan evaluasi melalui grup whatsapp untuk memberikan konsultasi kepada peserta. Kesimpulan dari penelitian ini menekankan pentingnya program pelatihan yang disesuaikan dengan kebutuhan lokal disertai dengan pendampingan intensif untuk mencapai hasil yang optimal
Analisis Efektivitas Fusi Fitur Multimodal dalam Klasifikasi Citra Daun Herbal Riyandi, Riki; Sumarsono, Sumarsono
Jurnal Teknik Informatika dan Sistem Informasi Vol 11 No 3 (2025): JuTISI
Publisher : Maranatha University Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.28932/jutisi.v11i3.12262

Abstract

This study aims to evaluate the performance of leaf image classification models based on feature fusion strategies that integrate shape, texture, and semantic representations. Three feature extraction methods were employed: Histogram of Oriented Gradients (HOG) for shape, Gabor Filter for texture, and Convolutional Neural Network (CNN) using MobileNetV2 for semantic features. Each feature type was tested using three classification algorithms: Support Vector Machine (SVM), K-Nearest Neighbors (KNN), and Random Forest (RF). Experimental results show that CNN features consistently outperformed the others, achieving the highest accuracy and F1-score, with a peak accuracy of 91.0% using CNN+SVM. In contrast, HOG and Gabor features resulted in significantly lower performance. Feature fusion—such as HOG+CNN and HOG+Gabor+CNN—did not improve performance and instead caused a notable decline, primarily due to the high dimensionality of HOG features, leading to the curse of dimensionality. Confusion matrix and ROC curve analyses confirmed that the CNN-based model achieved high inter-class separability, while models with fused features produced near-random predictions in several classes. These findings suggest that feature fusion does not inherently lead to better classification performance, particularly when dimensional imbalance is not addressed. The study recommends the use of single semantic features extracted from CNN for efficient and accurate leaf image classification, while also encouraging future research into adaptive fusion strategies such as feature weighting or multimodal integration.
Co-Authors Ahmad Zamzami Muh Nur Aslam Sumarsono Sumarsono