Article Per Year (5 Year)
p-Index From 2021 - 2026
0.61
P-Index
This Author published in this journals
All Journal Seminar Nasional Aplikasi Teknologi Informasi (SNATI) Jurnal Ilmiah Teknologi dan Rekayasa UG Journal Sebatik Journal of System and Computer Engineering
Cahyanti, Margi
Universitas Gunadarma
Automotive Engineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Health Professions Industrial & Manufacturing Engineering Materials Science & Nanotechnology

Published : 12 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 8 Documents
Search
Journal : Sebatik

 1 
PENDETEKSI KESAMAAN KATA UNTUK JUDUL PENULISAN BERBAHASA INDONESIA MENGGUNAKAN ALGORITMA STEMMING NAZIEF-ADRIANI Mochamad Wisuda Sardjono; Margi Cahyanti; Maulana Mujahidin; Rini Arianty
Sebatik Vol 22 No 2 (2018): DESEMBER 2018
Publisher : STMIK Widya Cipta Dharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (951.927 KB)

Abstract

Penelitian ini mengimplementasikan algoritma stemming Nazief-Adrian untuk mencari kesamaan judul penulisan berbahasa Indonesia. Dengan mencari kesamaan judul penulisan tersebut dapat membantu mahasiswa maupun dosen dalam menentukan judul penulisan yang ingin dibuat atau dapat menjadi referensi dalam pembuatan penulisan, sehingga dapat menghindari tindakan plagiarisme judul penulisan. Penelitian ini juga membangun aplikasi yang dapat menambahkan data judul penulisan ke dalam database dan mencari kesamaan judul penulisan dari judul penulisan yang terdapat dalam database. Tahapan yang dilakukan untuk proses mencari kesamaan adalah memecah kata pada judul penulisan untuk didapatkan kata dasar dengan menggunakan algoritma stemming Nazief-Adriani, kemudian dihitung term frequency (tf) untuk mendapatkan persentase kesamaan kata. Hasil dari pencarian kesamaan judul penulisan ini berupa kata dasar yang diambil dari setiap kata dari judul penulisan yang ingin dicari kesamaan dan persentase kesamaan dengan judul penulisan yang ada di database. Pengujian dilakukan pada 5 judul penulisan yang diinputkan oleh pengguna kemudian dicari kesamaannya dengan 1561 judul penulisan pada database.
PENGELOMPOKKAN CITRA KENDARAAN (MOTOR DAN MOBIL) BERDASARKAN BENTUK MENGGUNAKAN ALGORITMA K-MEANS Margi Cahyanti; M Ridwan Dwi Septian; Ericks Rachmat Swedia; Ravi A Salim
Sebatik Vol 22 No 2 (2018): DESEMBER 2018
Publisher : STMIK Widya Cipta Dharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1148.692 KB)

Abstract

Penelitian ini mengimplementasikan algoritma K-Means untuk mengelompokkan data citra digital kendaraan mobil dan motor. Proses pengelompokkan terdiri dari tahapan citra input yang ditransformasi ke grayscale, hasil dari citra grayscale tersebut diambil nilai garis tepi menggunakan operator Prewitt. Hasil nilai citra Prewitt disimpan ke dalam basis data. Tahapan selanjutnya untuk mengelompokkan data citra tersebut menggunakan algoritma K-Means. Citra yang dikelompokkan adalah kendaraan motor dan mobil dan pengelompokkan dibagi menjadi dua jenis citra. Tahapan awal adalah menentukan centroid yang diambil dari dua data nilai citra yang terdapat dalam basis data secara acak. Tahapan akhir adalah menghitung jarak antar nilai menggunakan jarak Euclidean untuk mencari perpindahan kelompok. Jika tidak ada perpindahan data maka kelompok dianggap stabil dan proses pengelompokkan selesai. Uji-coba aplikasi ini menggunakan 12 data citra (enam data citra mobil dan enam data citra motor) dengan latar belakang berwarna putih. Citra ini diambil berukuran 150 x 100 piksel. Dengan adanya aplikasi ini dapat mempermudah pengguna dalam mengelompokkan data citra kendaraan.
APLIKASI PEREKRUTAN KARYAWAN MENGGUNAKAN METODE TOPSIS BERBASISKAN WEB PADA PT. SMESCO INDONESIA Muhammad Andri Imawan; Margi Cahyanti; Moch Wisuda Sardjono; Ericks Rachmat Swedia
Sebatik Vol 23 No 2 (2019): Desember 2019
Publisher : STMIK Widya Cipta Dharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (381.958 KB)

Abstract

SMESCO Indonesia merupakan sebuah perusahaan yang bergerak dalam bidang usaha retail. Perusahaan ini membutuhkan sistem pengambilan keputusan dalam penerimaan calon karyawan kontrak setiap tahun di bidang IT Support karena selama ini mengalai kesulitan dalam memproses perhitungan penerimaan calon karyawan. Sebelumnya proses penilaian calon karyawan pada SMESCO Indonesia dilakukan dengan cara semi komputerisasi dengan kriteria nilai tertinggi yang terpilih, belum menggunakan metode perangkingan bobot pada setiap kriteria penilaian, dan proses perhitungan masih dilakukan menggunakan microsoft excel, sehingga proses administrasi berkas tidak terpusat, dikerjakan oleh pengguna yang berbeda di komputernya masing-masing yang dapat mengakibatkan data hilang dan menjadi sulit ditemukan karena tersebar di beberapa komputer. Penelitian ini bertujuan untuk mengimplementasikan program aplikasi Decision Support Systems (DSS) berbasis web yang dapat membantu Human Resources Departement (HRD) SMESCO Indonesia dalam proses penilaian terhadap calon karyawan dengan cepat dan akurat. Terdapat beberapa metode yang dapat digunakan untuk pengambilan keputusan dalam penentuan perekrutan karyawan, salah satunya adalah menggunakan metode TOPSIS (Techinique for Order Preference by Similarity to Ideal Solution). Metode ini digunakan dalam perhitungan perekrutan karyawan karena metode ini memiliki hasil penilaian yang objektif, konsepnya yang mudah dipahami dan memiliki waktu komputasi yang efisien. Aplikasi Decision Support Systems (DSS) dengan metode TOPSIS yang diimplementasikan ini berisi data karyawan, kriteria data penilaian, kriteria data alternatif dan kriteria pembobotan data.
KLASIFIKASI PENYAKIT TANAMAN APEL DARI CITRA DAUN DENGAN CONVOLUTIONAL NEURAL NETWORK Andi Asrafil Ardan Paliwang; M Ridwan Dwi Septian; Margi Cahyanti; Ericks Rachmat Swedia
Sebatik Vol 24 No 2 (2020): Desember 2020
Publisher : STMIK Widya Cipta Dharma

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

Abstract

Tanaman Apel merupakan buah tahunan yang berasal dari daerah Asia Barat dengan iklim sub tropis. Di Indonesia tanaman Apel ditanam sejak tahun 1934 hingga saat ini. Tanaman Apel dapat tumbuh dan berbuah baik di daerah dataran tinggi. Para petani biasanya melakukan pencegahan penyakit atau hama dengan melakukan penyemprotan setiap 1 – 2 minggu sekali dengan dosis ringan. Pencegahan ini agar penyakit/hama dapat segera ditanggulangi dan baik jika dilakukan pada pagi atau sore hari. Terkadang petani juga membutuhkan seorang pakar dalam menentukan jenis hama/penyakit pada tanaman Apel agar dapet memberikan solusi terbaik. Oleh karena itu diperlukan adanya pendekatan digital agar dapat mengenali beragam jenis hama/penyakit tanaman Apel dengan cepat dan mudah. Teknologi Deep learning, merupakan salah satu bidang ilmu baru dalam Machine Learning dan berkembang dengan depat. Deep learning memiliki kemampuan yang baik dalam Computer Vision, salah satunya yaitu image classification atau klasifikasi objek pada citra. Metode yang dapat digunakan dalam melakukan klasifikasi citra ini yaitu Convolutional Neural Network (CNN). Berdasarkan hasil uji coba, aplikasi berhasil diimplementasikan dengan baik menggunakan framework dart berbasis android dengan hasil final test accuracy yang diperoleh yaitu didapat keakuratan akurasi sebesar 97,1%.
PEMANFAATAN INTERNET OF THINGS DALAM RANCANG BANGUN SISTEM INFORMASI PENGAWASAN BUS PADA TERMINAL BUS BERBASIS ARDUINO UNO DAN NODE MCU Farhan Adiandoro; Ericks Rachmat Swedia; Maulana Mujahidin; Margi Cahyanti
Sebatik Vol 24 No 2 (2020): Desember 2020
Publisher : STMIK Widya Cipta Dharma

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

Abstract

Keberadaan bus di dalam terminal bus sendiri terkadang membuat penumpang kesulitan mencari informasi yang pasti. Seperti contohnya pada saat penumpang masih di perjalanan menuju terminal bus, penumpang tidak mengetahui apakah bus yang ingin dinaiki sudah datang atau belum. Atau pada saat penumpang menunggu di terminal bus terkadang penumpang tidak tau apakah bus yang penumpang ingin naiki sudah datang atau belum. Dengan semakin berkembangnya teknologi dan meningkatnya penumpang bus, maka diperlukan suatu sistem informasi untuk menunjukkan keberadaan bus yang ada di suatu terminal bus. Alat ini menggunakan mikrokontrolermikrokontroler Arduino Uno sebagai komponen pengendali dan NodeMCU dan memakai beberapa komponen yang digunakan adalah RFID dan motor servo. Penelitian ini melakukan penampilan informasi ketersediaan bus dan data bus seperti rute tujuan, waktu dan keterangan pada website secara realtime, dan mengukur respons waktu untuk mengubah database pada website menggunakan ISP CBN Google Station dan provider 3 4G. Hasil rata-rata respons waktu yang diperoleh pada penelitian ini 2,0167 detik untuk CBN Google Station dan 2,083 detik untuk provider 3 4G. Penelitian ini telah berhasil memantau halte melalui sistem monitoring bus pada website secara real-time.
PERANCANGAN APLIKASI MOBILE UNTUK KLASIFIKASI SAYURAN MENGGUNAKAN DEEP LEARNING CONVOLUTIONAL NEURAL NETWORK Muhamad Jaelani Akbar; Mochamad Wisuda Sardjono; Margi Cahyanti; Ericks Rachmat Swedia
Sebatik Vol 24 No 2 (2020): Desember 2020
Publisher : STMIK Widya Cipta Dharma

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

Abstract

Sayuran merupakan sebutan bagi bahan pangan asal tumbuhan yang biasanya mengandung kadar air tinggi dan dikonsumsi dalam keadaan segar atau setelah diolah secara minimal. Keanekaragaman sayur yang terdapat di dunia menyebabkan keragaman pula dalam pengklasifikasian sayur. Oleh karena itu diperlukan adanya pendekatan digital agar dapat mengenali jenis sayuran dengan cepat dan mudah. Dalam penelitian ini jumlah jenis sayuran yang digunakan sebanyak 7 jenis diantara: brokoli, jagung, kacang panjang, pare, terung ungu, tomat dan kubis. Dataset yang digunakan berjumlah 941 gambar sayur dari 7 jenis sayur, ditambah 131 gambar sayur dari jenis yang tidak terdapat pada dataset, selain itu digunakan 291 gambar selain sayuran. Untuk melakukan klasifikasi jenis sayuran digunakan algoritme Convolutional Neural Network (CNN), yang merupakan salah satu bidang ilmu baru dalam Machine Learning dan berkembang dengan pesat. CNN merupakan salah satu algoritme yang terdapat pada metode Deep Learning dengan memiliki kemampuan yang baik dalam Computer Vision, salah satunya yaitu image classification atau klasifikasi objek citra. Uji coba dilakukan pada lima perangkat selular berbasiskan sistem operasi Android. Python digunakan sebagai bahasa pemrograman dalam merancang aplikasi mobile ini dengan menggunakan modul Tensor flow untuk melakukan training dan testing data. Metode yang dapat digunakan dalam melakukan klasifikasi citra ini yaitu Convolutional Neural Network (CNN). Hasil final test accuracy yang diperoleh yaitu didapat keakuratan mengenali jenis sayuran sebesar 98.1% dengan salah satu hasil pengujian yaitu klasifikasi sayur jagung dengan akurasi sebesar 99.98049%.
Comparison of YOLOv7 and YOLOv8 Architectures for Detecting Shirt Collars Danyalson, Calvin; Cahyanti, Margi; Swedia, Ericks Rachmat; Sarjono, Mochammad Wisuda
Sebatik Vol. 28 No. 2 (2024): December 2024
Publisher : STMIK Widya Cipta Dharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46984/sebatik.v28i2.2492

Abstract

The shirt collar is one of the primary aspects monitored during online examinations in the postgraduate program at Gunadarma University. Examinees are required to wear formal, collared attire. Based on these regulations, a study was conducted to develop a collar detection method to facilitate the online exam monitoring process. This research involves a comparative analysis of two detection architectures: You Only Look Once (YOLO) version 7 (YOLOv7) and version 8 (YOLOv8), to determine the most effective architecture for detecting shirt collars using the dataset provided in the study. Detection models developed from both architectures were implemented in a web-based application and tested to evaluate their accuracy and efficiency. The testing results showed that YOLOv7 achieved an average accuracy of 95%, outperforming YOLOv8, which had an average accuracy of 75%. However, despite YOLOv8's lower accuracy, it excelled in detection speed, with an average processing time of 2.27 seconds, significantly faster than YOLOv7's average processing time of 22.42 seconds. Considering both accuracy and speed, YOLOv7 demonstrated the best overall performance in this study. Nonetheless, it is possible that YOLOv8 could surpass YOLOv7 in the future if significant improvements are made to its detection accuracy.
A Real-Time Helmet Detection System Based on YOLOv8 to Support Traffic Law Enforcement Puspita, Tiara; Swedia, Ericks Rachmat; Cahyanti, Margi; Septian, M Ridwan Dwi
Sebatik Vol. 29 No. 1 (2025): June 2025
Publisher : STMIK Widya Cipta Dharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46984/sebatik.v29i1.2585

Abstract

Helmet use is a critical safety measure for motorcycle riders, yet non-compliance remains high in Indonesia. This study introduces a real-time helmet detection system using the YOLOv8 architecture, deployed on Android devices with the Kotlin programming language. A dataset of 1,197 digital images was collected and annotated using Roboflow Annotate, containing two classes: helmet users (True) and non-users (False). To improve model generalization, data augmentation techniques such as rotation and shear were applied. The model was trained using the pretrained yolov8n.pt weights and evaluated based on mAP and Intersection over Union (IoU). During training, the model achieved a mAP50 of 98% and a mAP50–95 of 59.6%. In testing, the mAP50 reached 98.3% and mAP50–95 reached 61%, with an average IoU of 0.73. The trained model was then converted into TensorFlow Lite format and integrated into an Android application. Real-time testing showed a detection accuracy of 93.3%. These results demonstrate that YOLOv8 is effective for mobile-based real-time helmet detection and has strong potential to support traffic law enforcement systems, especially in urban environments where manual monitoring is inefficient. The system contributes to enhancing public safety through smart technology integration.
Co-Authors Afif, Anggara Fajri Andi Asrafil Ardan Paliwang Danyalson, Calvin Ericks Rachmat Swedia Farhan Adiandoro M Ridwan Dwi Septian Moch Wisuda Sardjono Mochamad Wisuda Sardjono Muhamad Jaelani Akbar Muhammad Andri Imawan Mujahidin, Maulana Puspita, Tiara Ramadhan, Valdy Ravi A Salim Rini Arianty Sardjono, Mochamad Wisuda Sarjono, Mochammad Wisuda Septian, M Ridwan Dwi Swedia, Ericks Rahmat