Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Insect (Informatics and Security) : Jurnal Teknik Informatika Malcom: Indonesian Journal of Machine Learning and Computer Science
Ricesa, Wieke
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Engineering

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

Found 2 Documents
Search

 1 
Studi Perbandingan Algoritma YOLO dan FOMO untuk Object Detection pada Perangkat ESP32-CAM Firdaus, Firdaus; Wibowo, Mahardika; Tullah, Rahmat; Ricesa, Wieke
Insect (Informatics and Security): Jurnal Teknik Informatika Vol. 11 No. 1 (2025): Maret 2025
Publisher : Universitas Muhammadiyah Sorong

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33506/insect.v11i1.4289

Abstract

Penelitian ini membandingkan performa dua algoritma pendeteksian objek, YOLO (You Only Look Once) dan FOMO (Faster Objects, More Objects), pada ESP32-CAM dengan sumber daya yang lebih rendah. Meskipun YOLO sering digunakan dalam aplikasi pendeteksian objek, namun penggunaannya pada perangkat dengan performa komputer yang rendah, seperti ESP32-CAM, masih terbatas. Sementara FOMO, yang dirancang untuk perangkat dengan keterbatasan komputasi, dianggap mampu memberikan alternatif yang lebih efektif. Penelitian ini mengevaluasi kinerja kedua algoritma berdasarkan tiga parameter utama: akurasi deteksi, waktu inferensi, dan penggunaan memori RAM. Penemuan penelitian menunjukkan, FOMO memiliki keunggulan signifikan dibandingkan YOLOv5 Nano dalam hal waktu inferensi, yang lebih cepat hingga beberapa kali lipat. Meskipun FOMO menghasilkan F1 Score yang sangat tinggi (99,2%), perbandingan akurasi menggunakan metric mAP tidak dapat dilakukan dengan FOMO. YOLOv5 Nano, di sisi lain, memiliki akurasi yang lebih baik pada mAP tetapi membutuhkan waktu inferensi yang lebih lama dan penggunaan memori yang lebih besar. Tujuan dari penelitian ini adalah untuk memastikan bahwa FOMO kekurangan di area lain dan YOLOv5 Nano dapat dioptimalkan lebih lanjut, terutama dalam deteksi objek dan waktu inferensi yang lebih efisien di perangkat dengan sumber daya terbatas.
Deteksi Kepribadian dan Tumbuh Kembang Anak dengan Sidik Jari Menggunakan Algoritma K-Nearest Neighbor dan Decision Tree : Personality and Child Development Detection Using Fingerprints with K-Nearest Neighbor and Decision Tree Algorithm Gunawan, Andi; Fitriani, Chair Anggita; Hadinata, Wira; Ricesa, Wieke
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 5 No. 3 (2025): MALCOM July 2025
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v5i3.2094

Abstract

Kepribadian dan gaya belajar merupakan dua aspek penting dalam mendukung tumbuh kembang anak. Penelitian ini bertujuan untuk mengidentifikasi kepribadian dan tumbuh kembang anak berdasarkan pola sidik jari menggunakan algoritma klasifikasi K-Nearest Neighbor (K-NN) dan Decision Tree (DT). Penelitian dilakukan pada 10 partisipan di taman kanak-kanak Annisa Tangerang, dengan pengumpulan data sidik jari dari jari tengah, manis, dan kelingking menggunakan metode sidik tinta. Data kemudian dipindai dan dikategorikan ke dalam tiga pola utama: Arch, Loop, dan Whorl. Proses klasifikasi dilakukan menggunakan algoritma K-NN dan DT, serta diuji menggunakan pendekatan hold-out validation dan Leave-One-Out Cross-Validation (LOOCV). Hasil pengujian menunjukkan bahwa model klasifikasi mencapai nilai akurasi, precision, recall, dan F1 score sebesar 1.0, serta akurasi LOOCV sebesar 90%. Hasil prediksi menunjukkan bahwa 50% anak memiliki kepribadian dengan daya ingat tajam, 40% ambisius dan disiplin, serta 10% perfeksionis dan komunikatif. Gaya belajar yang teridentifikasi menggunakan K-NN adalah visual (60%) dan kinestetik (40%), sementara dengan DT terdiri dari visual (50%), kinestetik (40%), dan auditori (10%). Penelitian ini menunjukkan adanya korelasi antara pola sidik jari dengan kecenderungan kepribadian dan gaya belajar anak serta bisa menjadi alat bantu dalam deteksi dini dan intervensi edukatif berbasis karakter anak.
Co-Authors Andi Gunawan Firdaus Firdaus Fitriani, Chair Anggita Tullah, Rahmat Wibowo, Mahardika Wira Hadinata, Wira