Garuda - Garba Rujukan Digital

Augmentasi Gambar untuk Identifikasi Labu dengan Menggunakan Teachable Machine Prayogi, Kurnia; Putra, Zico Pratama
JURNAL INFORMATIKA DAN KOMPUTER Vol 9, No 1 (2025): Februari 2025
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat - Universitas Teknologi Digital Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26798/jiko.v9i1.1375

Penggunaan Google Teachable Machine pada dasarnya melibatkan algoritma Convolutional Neural Network (CNN), yang memungkinkan model untuk belajar mengenali objek, mengekstrak fitur, dan melakukan klasifikasi dengan akurasi tinggi. Implementasi ini diharapkan dapat meningkatkan efisiensi dan akurasi proses identifikasi labu dalam sektor pertanian, mengurangi kesalahan manusia, dan meningkatkan produktivitas. Selain itu, penelitian ini memberikan wawasan praktis tentang bagaimana teknologi pembelajaran mesin yang dapat diterapkan dalam kehidupan sehari – hari, memperluas aksesibilitas teknologi ini kepada lebih banyak individu. Berdasarkan analisis dan pengujian dengan menggunakan berbagai parameter seperti epoch, model pelatihan menunjukkan akurasi mendekati 100%, sementara akurasi pengujian hanya berkisar antara 60% - 80%. Konfigurasi batch size 64, learning rate 0.001, dan epoch 100 menghasilkan hasil terbaik dengan akurasi pengujian stabil di sekitar 80%. Diharapkan di masa mendatang, penelitian ini dapat diperluas lebih lanjut dengan melakukan penyesuaian parameter secara lebih teliti untuk mencapai kinerja yang optimal dalam menangani data yang baru atau belum pernah dilihat sebelumnya.

Evaluasi Kinerja Algoritma Klasifikasi Deep Learning dalam Prediksi Diabetes Pinem, Tuahta Hasiholan; Putra, Zico Pratama
Jurnal Ilmiah FIFO Vol 17, No 1 (2025)
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/fifo.2025.v17i1.003

Penelitian yang bertujuan untuk mengembangkan dan mengevaluasi algoritma model prediksi diabetes telah dilakukan dengan menggunakan algoritma model K-Nearest Neighbor Classifier, Naive Bayes, Regresi Logistik, SVM, dan Neural Network. Dataset yang digunakan didapatkan dari Kaggle yang terdiri dari 768 data pasien yang dibagi menjadi data training 60%, data validation 20%, dan data test 20%. Hasil penelitian menunjukkan bahwa akurasi tertinggi diperoleh oleh model Regresi Logistik dan Neural Network, masing-masing sebesar 73% dan 72%. Model Regresi Logistik unggul dalam presisi untuk kelas non-diabetes dan recall untuk kelas diabetes, sedangkan model Neural Network menunjukkan keseimbangan performa yang baik antara presisi dan recall untuk kedua kelas. Model Naive Bayes juga menunjukkan performa yang kompetitif dengan akurasi 72% dan recall tinggi untuk kelas diabetes, model ini dapat menjadi pilihan yang baik dalam situasi yang memprioritaskan deteksi positifKinerja yang lebih rendah ditunjukkan oleh model KNN dan SVM jika dibandingkan dengan model lainnya. Masalah utama yang diangkat dalam penelitian ini adalah pentingnya meningkatkan akurasi prediksi diabetes untuk mendukung deteksi dini dan pengobatan. Secara keseluruhan, model Regresi Logistik dan Neural Network diidentifikasi sebagai model yang paling potensial untuk prediksi diabetes, dengan Regresi Logistik menunjukkan efektivitas yang tinggi dalam mengidentifikasi kasus non-diabetes, sementara Neural Network memberikan keseimbangan performa yang baik di kedua kelas.

Evaluating the Performance of Classification Algorithms on the UNSW-NB15 Dataset for Network Intrusion Detection Putra, Zico Pratama
Jurnal Ilmiah FIFO Vol 16, No 1 (2024)
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/fifo.2024.v16i1.009

Network intrusion detection is a critical aspect of cybersecurity, aiming to distinguish between normal and malicious network activities. This study evaluates the performance of various machine learning algorithms on the UNSW-NB15 dataset for binary classification of network traffic into normal and attack categories. We employed several preprocessing steps, including handling missing values, encoding categorical features, and addressing class imbalance using a mix of Synthetic Minority Over-sampling Technique (SMOTE) and undersampling. The models evaluated include k-Nearest Neighbors (k-NN), Naive Bayes, Logistic Regression, Support Vector Machines (SVM), and Neural Networks. Our experimental results show that complex models like Neural Networks and SVMs significantly outperform simpler models. The Neural Network model achieved the highest accuracy of 92%, with a precision of 91%, recall of 93%, and an F1-score of 92%. SVM also performed robustly with an accuracy of 90%. Simpler models, while less effective, still achieved respectable performance, with Logistic Regression and k-NN reaching accuracies of 88% and 85%, respectively. The study highlights the importance of comprehensive preprocessing and the implementation of advanced machine learning techniques for effective network intrusion detection. The results suggest that while complex models offer superior detection capabilities, simpler models can still be valuable in resource-constrained environments. Future research should focus on applying these models to real-world data, exploring more advanced neural network architectures, and implementing cost-sensitive learning techniques to further enhance detection performance and efficiency.

Deploying Edge AI for Road Surface Damage Detection Using TensorFlow Lite and Teachable Machine Damayanti, Iren; Putra, Zico Pratama
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 5 No. 4 (2025): MALCOM October 2025
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v5i4.2067

Road damage compromises transportation safety and drives high infrastructure maintenance costs. To address the limitations of traditional methods, which are expensive and non-scalable, this study proposes an Edge AI alternative utilizing widely available smartphones and machine learning capabilities. We present a real-time road damage detection system powered by TensorFlow Lite and Teachable Machine. The system architecture employs lightweight CNN models (such as MobileNet and EfficientNet Lite) optimized for edge deployment. This implementation enables the immediate detection of anomalies (cracks and potholes) directly on the mobile device without cloud dependency, ensuring low latency. Testing demonstrated robust model performance. For pothole detection, the system achieved an accuracy of 95%; for cracks, the accuracy was 92%. During real-time trials in daytime urban settings, the system achieved an average detection latency of 200 milliseconds with an accuracy of 94%. This user-friendly system also supports data collection via crowdsourcing, facilitating comprehensive infrastructure monitoring and proactive maintenance. This innovation offers a scalable, cost-effective, and user-friendly solution with significant potential to advance transportation safety and maintenance efficiency.

Perbandingan Performa Algoritma Machine Learning untuk Prediksi Risiko Kesehatan dari Polusi Udara Purnomo, Niko; Putra, Zico Pratama
Jurnal Ilmiah FIFO Vol 17, No 2 (2025)
Publisher : Universitas Mercu Buana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/fifo.2025.v17i2.002

Penelitian ini menggunakan berbagai algoritma pembelajaran mesin untuk menganalisis dan memprediksi hubungan antara polusi udara dan dampak kesehatan masyarakat. Dataset yang digunakan terdiri dari 968 instances dengan 15 fitur yang mencakup indikator kualitas udara (PM2.5, PM10, NO2, SO2, O3) dan data kesehatan (kunjungan rumah sakit, mortalitas, jenis penyakit) yang dikumpulkan dari lima kota besar di Indonesia selama periode Januari-Desember 2023. Lima algoritma pembelajaran mesin dievaluasi secara komprehensif: k-Nearest Neighbors (k-NN), Naive Bayes, Logistic Regression, Support Vector Machines (SVM), dan Neural Network. Kontribusi utama penelitian ini adalah menyediakan analisis komparatif komprehensif dari kelima algoritma tersebut menggunakan evaluasi multi-metrik dan optimasi hyperparameter khusus untuk domain prediksi kesehatan berbasis polusi udara. Hasil evaluasi menunjukkan bahwa algoritma SVM memiliki performa terbaik dengan akurasi 92%, presisi 98%, recall 96%, dan F1-Score 97%. Analisis korelasi mengungkapkan bahwa PM2.5 merupakan prediktor terkuat untuk penyakit respirasi dengan koefisien korelasi 0.78 terhadap kunjungan rumah sakit. Penelitian juga menemukan efek sinergis antara PM2.5 dan NO2 yang meningkatkan risiko kardiovaskular hingga 45%. Di sisi lain, algoritma Neural Network menunjukkan performa terendah dengan akurasi 50% meskipun telah dilakukan hyperparameter tuning ekstensif, mengindikasikan ketidakcocokan arsitektur untuk karakteristik dataset ini. Algoritma Naive Bayes dan Logistic Regression menunjukkan performa moderat dengan akurasi masing-masing 83% dan 88%. Temuan penelitian ini dapat dijadikan acuan untuk pengembangan sistem monitoring kesehatan real-time dan mendukung pengambilan kebijakan kesehatan masyarakat terkait pengendalian polusi udara di wilayah urban.

Title

Found 5 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 5 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 5 Documents
Search