Claim Missing Document
Check
Articles

Found 3 Documents
Search

Perbandingan Kinerja MobileNetV2 dan ResNet50V2 dalam Klasifikasi Tingkat Kematangan Tomat Ravansa Rahman Santosa; Anindia Sasikirana; Zidan Lutfi Ramadhan; Yusuf Putra Bintang Satria; Agung Nugroho
Indonesian Journal of Science, Technology and Humanities Vol. 3 No. 1 (2025): IJSTECH - June 2025
Publisher : PT. INOVASI TEKNOLOGI KOMPUTER

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.60076/ijstech.v3i1.1335

Abstract

Perkembangan teknologi deep learning telah mendorong pemanfaatan arsitektur Convolutional Neural Network (CNN) dalam berbagai tugas klasifikasi citra. Di antara arsitektur yang populer, MobileNet dan ResNet memiliki karakteristik yang berbeda dalam hal efisiensi dan akurasi. Penelitian ini bertujuan untuk membandingkan performa dua arsitektur CNN, yaitu MobileNetV2 dan ResNet50V2, dalam mengklasifikasikan tingkat kematangan tomat ke dalam tiga kategori: mentah, setengah matang, dan matang. Dataset citra tomat digunakan dalam pelatihan dan pengujian model, dengan evaluasi berdasarkan metrik akurasi, presisi, recall, F1-score, serta waktu pengujian. Hasil penelitian menunjukkan bahwa MobileNetV2 unggul dalam efisiensi komputasi dengan akurasi sebesar 98,33% dan waktu pengujian lebih cepat, sedangkan ResNet50V2 mencapai akurasi 93,33% dengan kompleksitas model yang lebih tinggi. Berdasarkan hasil tersebut, MobileNetV2 direkomendasikan untuk implementasi pada perangkat dengan sumber daya terbatas, sementara ResNet50V2 lebih cocok untuk aplikasi dengan kebutuhan akurasi tinggi dan ketersediaan sumber daya yang memadai
Pengembangan Chatbot Berbasis Web untuk Rekomendasi Algoritma Pengolahan Data dengan Penerapan TF-IDF dan Cosine Similarity Ajie Rafli Pamungkas; Ravansa Rahman Santosa; Mufida Nuriyana; Anindia Sasikirana
Prosiding Sains dan Teknologi Vol. 4 No. 1 (2025): Seminar Nasional Sains dan Teknologi (SAINTEK) ke 4 - Februari 2025
Publisher : DPPM Universitas Pelita Bangsa

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

Abstract

Penelitian ini bertujuan untuk mengembangkan chatbot berbasis web yang mampu memberikan rekomendasi algoritma pengolahan data secara relevan dan efisien berdasarkan kebutuhan pengguna. Chatbot ini dirancang menggunakan pendekatan Natural Language Processing (NLP) dengan metode TF-IDF (Term Frequency-Inverse Document Frequency) untuk mengekstraksi fitur penting dari teks input pengguna. Algoritma Cosine Similarity digunakan untuk mencocokkan input tersebut dengan basis pengetahuan yang berisi berbagai algoritma pengolahan data dan deskripsinya. Sistem dibangun menggunakan framework Flask dengan antarmuka yang ramah pengguna.Tahapan penelitian meliputi pengumpulan data, preprocessing teks, pengolahan data menggunakan TF-IDF, perhitungan kesamaan dengan Cosine Similarity, dan pengujian sistem. Hasil pengujian menunjukkan chatbot memiliki tingkat akurasi 92,1%, yang menunjukkan performa baik dalam memberikan rekomendasi yang relevan. Sistem ini mampu membantu mahasiswa, peneliti, dan praktisi dalam memilih algoritma yang sesuai untuk berbagai kasus analitik, seperti prediksi data, klasifikasi teks, atau segmentasi. Penelitian ini memberikan kontribusi dalam mempermudah pengambilan keputusan berbasis data, dengan potensi pengembangan lebih lanjut melalui integrasi teknik NLP canggih dan perluasan basis pengetahuan. Chatbot ini diharapkan menjadi solusi inovatif yang mendukung kebutuhan analisis data di berbagai bidang. 
Pengembangan Chatbot Berbasis Web untuk Rekomendasi Algoritma Pengolahan Data dengan Penerapan TF-IDF dan Cosine Similarity Ajie Rafli Pamungkas; Ravansa Rahman Santosa; Mufida Nuriyana; Anindia Sasikirana
Prosiding Sains dan Teknologi Vol. 4 No. 1 (2025): Seminar Nasional Sains dan Teknologi (SAINTEK) ke 4 - Februari 2025
Publisher : DPPM Universitas Pelita Bangsa

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

Abstract

Penelitian ini bertujuan untuk mengembangkan chatbot berbasis web yang mampu memberikan rekomendasi algoritma pengolahan data secara relevan dan efisien berdasarkan kebutuhan pengguna. Chatbot ini dirancang menggunakan pendekatan Natural Language Processing (NLP) dengan metode TF-IDF (Term Frequency-Inverse Document Frequency) untuk mengekstraksi fitur penting dari teks input pengguna. Algoritma Cosine Similarity digunakan untuk mencocokkan input tersebut dengan basis pengetahuan yang berisi berbagai algoritma pengolahan data dan deskripsinya. Sistem dibangun menggunakan framework Flask dengan antarmuka yang ramah pengguna.Tahapan penelitian meliputi pengumpulan data, preprocessing teks, pengolahan data menggunakan TF-IDF, perhitungan kesamaan dengan Cosine Similarity, dan pengujian sistem. Hasil pengujian menunjukkan chatbot memiliki tingkat akurasi 92,1%, yang menunjukkan performa baik dalam memberikan rekomendasi yang relevan. Sistem ini mampu membantu mahasiswa, peneliti, dan praktisi dalam memilih algoritma yang sesuai untuk berbagai kasus analitik, seperti prediksi data, klasifikasi teks, atau segmentasi. Penelitian ini memberikan kontribusi dalam mempermudah pengambilan keputusan berbasis data, dengan potensi pengembangan lebih lanjut melalui integrasi teknik NLP canggih dan perluasan basis pengetahuan. Chatbot ini diharapkan menjadi solusi inovatif yang mendukung kebutuhan analisis data di berbagai bidang.