Article Per Year (5 Year)
p-Index From 2020 - 2025
0.562
P-Index
This Author published in this journals
All Journal Jurnal Teknik Informatika UNIKA Santo Thomas Journal of Soft Computing Exploration Jurnal Teknik Informatika Unika Santo Thomas (JTIUST)
Aprilianda, Mohamad Meazza
Unknown Affiliation
Computer Science & IT Decision Sciences, Operations Research & Management

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Improved human image density detection with comparison of YOLOv8 depth level architecture and drop-out implementation Yulita, Winda; Ramadhani, Uri Arta; Mufidah, Zunanik; Atmajaya, Gde KM; Bagaskara, Radhinka; Kesuma, Rahman Indra; Aprilianda, Mohamad Meazza
Journal of Soft Computing Exploration Vol. 6 No. 1 (2025): March 2025
Publisher : SHM Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52465/joscex.v6i1.556

Abstract

Energy inefficiency due to Air Conditioners (AC) running in empty rooms contribute to unnecessary energy consumption and increased CO₂ emissions. This study explores how different depth levels of the YOLOv8 architecture and dropout regularization can enhance human density detection for smarter AC control systems. By evaluating model accuracy through Mean Average Precision (mAP50-95), we provide quantitative insights into how these modifications improve detection performance. Our dataset consists of 1363 images taken in an office environment at ITERA under varying lighting conditions and different human presence densities. The results show that the YOLOv8m model performs best, achieving an mAP50-95 score of 0.814 in training and 0.813 in validation, outperforming other YOLOv8 variants. Furthermore, applying dropout regularization improves model generalization, increasing mAP50-95 from 0.552 to 0.6 and effectively reducing overfitting. This study highlights the balance between architectural depth and dropout regularization in YOLOv8, demonstrating its effectiveness in energy-efficient smart buildings. The findings support the potential of deep learning-based human density detection in improving energy conservation strategies, making it a valuable solution for intelligent automation systems.
Prediksi Penyakit Daun Pisang Menggunakan Metode LSTM (Long Short-Term Memory) Ba’its, Alfian Kafilah; Bagaskara, Radhinka; Setiawan, Andika; Yulita, Winda; Harmiansyah, Harmiansyah; Listiani, Amalia; Untoro, Meida Cahyo; Drantantiyas, Nike Dwi Grevika; Faisal, Amir; Anggraini, Leslie; Febrianto, Andre; Aprilianda, Mohamad Meazza; Fitrawan, Mhd. Kadar
Jurnal Teknik Informatika UNIKA Santo Thomas Vol 10 No. 1 : Tahun 2025
Publisher : LPPM UNIKA Santo Thomas

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

Abstract

Dalam sektor pertanian, tanaman yang memiliki peran signifikan dalam skala global adalah pisang, yaitu buah yang mudah didapatkan, dapat tumbuh dimana saja, memiliki gizi yang tinggi, serta memiliki nilai ekonomi & budaya yang tinggi. Pisang mempunyai kontribusi yang signifikan terhadap pendapatan nasional Indonesia, terutama di Provinsi Lampung sebagai penghasil pisang nasional terbesar. Tetapi, proses produksi pisang seringkali mengalami kendala, salah satunya karena faktor serangan penyakit Black Sigatoka. Penyakit tersebut memberikan kerugian pada tanaman pisang, seperti daun yang meranggas, panen tertunda, bakal buah rontok, dan kualitas buah yang rendah, dan dapat menyebar melalui aliran udara atau percikan air hujan. Tingkat keparahan penyakit Black Sigatoka perlu diprediksi agar penyakit tersebut dapat dikontrol dan dapat dicegah sedini mungkin. Model yang digunakan untuk memprediksi permasalahan ini dalam jangka panjang adalah model Long Short-Term Memory (LSTM), salah satu jenis dari arsitektur Recurrent Neural Network (RNN), yang mempunyai kinerja yang baik dan mempunyai model yang prediktif. Aplikasi LSTM diterapkan terhadap dataset pohon pisang yang terdampak penyakit Black Sigatoka. Hasil dari model LSTM dalam melakukan prediksi penyakit Black Sigatoka menghasilkan model dengan nilai error yang kecil, dengan nilai MAE dan MAPE masing-masing sebesar 0.084 dan 5.7%
Prediksi Penyakit Daun Pisang Menggunakan Metode LSTM (Long Short-Term Memory) Ba’its, Alfian Kafilah; Bagaskara, Radhinka; Setiawan, Andika; Yulita, Winda; Harmiansyah, Harmiansyah; Listiani, Amalia; Untoro, Meida Cahyo; Drantantiyas, Nike Dwi Grevika; Faisal, Amir; Anggraini, Leslie; Febrianto, Andre; Aprilianda, Mohamad Meazza; Fitrawan, Mhd. Kadar
Jurnal Teknik Informatika UNIKA Santo Thomas Vol 10 No. 1 : Tahun 2025
Publisher : LPPM UNIKA Santo Thomas

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

Abstract

Dalam sektor pertanian, tanaman yang memiliki peran signifikan dalam skala global adalah pisang, yaitu buah yang mudah didapatkan, dapat tumbuh dimana saja, memiliki gizi yang tinggi, serta memiliki nilai ekonomi & budaya yang tinggi. Pisang mempunyai kontribusi yang signifikan terhadap pendapatan nasional Indonesia, terutama di Provinsi Lampung sebagai penghasil pisang nasional terbesar. Tetapi, proses produksi pisang seringkali mengalami kendala, salah satunya karena faktor serangan penyakit Black Sigatoka. Penyakit tersebut memberikan kerugian pada tanaman pisang, seperti daun yang meranggas, panen tertunda, bakal buah rontok, dan kualitas buah yang rendah, dan dapat menyebar melalui aliran udara atau percikan air hujan. Tingkat keparahan penyakit Black Sigatoka perlu diprediksi agar penyakit tersebut dapat dikontrol dan dapat dicegah sedini mungkin. Model yang digunakan untuk memprediksi permasalahan ini dalam jangka panjang adalah model Long Short-Term Memory (LSTM), salah satu jenis dari arsitektur Recurrent Neural Network (RNN), yang mempunyai kinerja yang baik dan mempunyai model yang prediktif. Aplikasi LSTM diterapkan terhadap dataset pohon pisang yang terdampak penyakit Black Sigatoka. Hasil dari model LSTM dalam melakukan prediksi penyakit Black Sigatoka menghasilkan model dengan nilai error yang kecil, dengan nilai MAE dan MAPE masing-masing sebesar 0.084 dan 5.7%
Co-Authors Andika Setiawan, Andika Anggraini, Leslie Atmajaya, Gde KM Bagaskara, Radhinka Ba’its, Alfian Kafilah Drantantiyas, Nike Dwi Grevika Faisal, Amir Febrianto, Andre Fitrawan, Mhd. Kadar Harmiansyah Harmiansyah, Harmiansyah Listiani, Amalia Mufidah, Zunanik Rahman Indra Kesuma Ramadhani, Uri Arta Untoro, Meida Cahyo Yulita, Winda