Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Explore: Jurnal Sistem Informasi dan Telematika (Telekomunikasi, Multimedia dan Informatika)
hidayat, Ilsa
Universitas Putra Indonesia YPTK Padang
Other

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

Found 2 Documents
Search

 1 
Penggunaan Metode Systematic Literature Review Pengelompokan Daerah Rawan Bencana Alam: Tren, Kumpulan Data, dan Pendekatan Algoritma hidayat, Ilsa; Hendrik, Billy
Explore: Jurnal Sistem Informasi dan Telematika (Telekomunikasi, Multimedia dan Informatika) Vol 16, No 1 (2025): Juni
Publisher : Universitas Bandar Lampung (UBL)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36448/jsit.v16i1.4198

Abstract

Dalam melakukan pengelompokan daerah yang rawan bencana merupakan aspek penting dalam mitigasi dan perencanaan kebencanaan. Penelitian ini bertujuan untuk menganalisis tren penelitian, kumpulan data yang digunakan, serta pendekatan algoritma yang diterapkan untuk. Penelitian ini dilakukan dengan memahami berbagai artikel yang telah dipublikasikan dalam jurnal ilmiah sejak tahun 2019 sampai 2025. Dengan menerapkan pendekatan Systematic Literature Review (SLR) berbasis kerangka kerja  PICOC dan  menerapakan strategi pencarian data PRISMA, sebanyak 50 artikel terpilih untuk dianalisis supaya menjawab 7 pertanyaan penelitian terkait tren jumlah Penelitian, jenis bencana, wilayah penelitian, sumber data, software yang digunakan, algoritma yang digunakan serta algoritma paling efektif. Hasil penelitian ini menunjukkan tren penelitian terkait bencana alam dalam kurun waktu 2019 hingga 2023 mengalami peningkatan dengan total 15 penelitian. Namun, dalam periode 2023 hingga 2025, jumlah penelitian menunjukkan penurunan. Bencana yang paling banyak di teliti adalah banjir, dengan total 19 penelitian, sementara wilayah yang paling sering dijadikan objek penelitian adalah Jawa Barat, dengan 10 penelitian yang berfokus pada wilayah tersebut. Sumber data yang paling banyak digunakan dalam penelitian ini berasal dari Badan Nasional Penanggulangan Bencana (BNPB), dengan frekuensi penggunaan sebanyak 7 penelitian. Dari segi perangkat lunak, RapidMiner merupakan software yang paling banyak dimanfaatkan oleh peneliti, dengan total pengguna sebanyak 11 penelitian. Adapun algoritma yang paling sering diterapkan adalah algoritma K-Means Clustering, dengan persentase penggunaan sebesar 46%. Sementara itu, algoritma dengan tingkat akurasi tertinggi adalah kombinasi antara algoritma K-Means dan algoritma lainnya, yang mencapai tingkat akurasi sebesar 98,53%. Penelitian ini menyimpulkan berdasarkan temuan ini, beberapa rekomendasi diajukan untuk penelitian selanjutnya, termasuk peningkatan variasi metode analisis yang digunakan serta optimalisasi integrasi data  dalam pemodelan bencana alam.
Implementasi Convolutional Neural Network untuk Klasifikasi Penyakit Daun pada Tanaman Jagung hidayat, Ilsa; Arlis, Syafri
Explore: Jurnal Sistem Informasi dan Telematika (Telekomunikasi, Multimedia dan Informatika) Vol 16, No 2 (2025): Desember
Publisher : Universitas Bandar Lampung (UBL)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36448/jsit.v16i2.4448

Abstract

This study aims to evaluate the performance of Convolutional Neural Network (CNN) models in detecting pests on caisim (Chinese mustard) plants using different architectural approaches, namely CNN from scratch, VGG16, and Xception. The dataset used consists of 1,000 images classified into several disease categories and a healthy class. Five experiments were conducted to compare the effectiveness of the models based on evaluation metrics such as accuracy, precision, recall, and F1-score.The results show that CNN models trained from scratch produced varying levels of performance. The first and second experiments experienced underfitting, with accuracies of 30.25% and 62.29%, respectively. A significant improvement was observed in the third experiment, achieving an accuracy of 83.73% and an F1-score of 0.82, indicating that the model began to better recognize data patterns. The best performance was achieved in the fourth (VGG16) and fifth (Xception) experiments, with accuracies of 91.41% and 92.12%, respectively, and balanced precision, recall, and F1-score values above 0.90.Factors contributing to model success include an optimal proportion of training data, appropriate architectural selection, hyperparameter tuning, and the use of callbacks such as early stopping and model checkpoint. This study demonstrates that selecting the appropriate CNN architecture can significantly improve the accuracy of image classification systems for pest detection in plants
Co-Authors Arlis, Syafri Hendrik, Billy