Jeremia Pinnywan Immanuel
Unknown Affiliation

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

Found 2 Documents
Search

PREDIKSI HARGA PANGAN JAYAPURA MENGGUNAKAN ELM, LSTM, LIGHTGBM, DAN GB Jeremia Pinnywan Immanuel; Teny Handhayani
Jurnal Ilmu Komputer dan Sistem Informasi Vol. 13 No. 2 (2025): Jurnal Ilmu Komputer dan Sistem Informasi
Publisher : Fakultas Teknologi Informasi Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/jiksi.v13i2.35122

Abstract

Ketahanan pangan di wilayah Indonesia Timur menghadapi tantangan dari aspek geografis, fluktuasi harga, dan keterbatasan pasokan. Penelitian ini bertujuan untuk membandingkan empat algoritma pembelajaran mesin, yaitu Extreme Learning Machine (ELM), Long Short-Term Memory (LSTM), LightGBM, dan Gradient Boosting dalam memprediksi harga komoditas pangan strategis di Jayapura. Dataset yang digunakan berupa data deret waktu harga harian enam komoditas pangan yang dikumpulkan dari Januari 2018 hingga April 2025. Tahapan penelitian meliputi pra-pemrosesan data, analisis eksploratif (EDA), pelatihan model, dan evaluasi performa menggunakan metrik MAE, MAPE, RMSE, R², dan waktu pelatihan. Hasil percobaan menunjukkan bahwa ELM merupakan model dengan performa terbaik secara keseluruhan dengan nilai MAE 0.21, MAPE 0.76%, RMSE 0.36, R² 0.87, serta waktu pelatihan rata-rata 4.65 detik. Model LSTM menunjukkan akurasi yang baik namun memiliki waktu pelatihan yang jauh lebih tinggi. LightGBM dan Gradient Boosting memiliki performa keseluruhan yang kurang optimal. Dengan demikian, ELM direkomendasikan sebagai model utama untuk sistem prediksi harga komoditas pangan di Jayapura yang membutuhkan kombinasi antara akurasi dan efisiensi.
DETEKSI KELELAHAN MATA BERDASARKAN CITRA WAJAH MRL EYE DATASET DENGAN MENGGUNAKAN GLCM, PCA, DAN SVM Jeremia Pinnywan Immanuel; Eunice Eugenia Karta; Rio Bun Dika
Jurnal Ilmu Komputer dan Sistem Informasi Vol. 13 No. 2 (2025): Jurnal Ilmu Komputer dan Sistem Informasi
Publisher : Fakultas Teknologi Informasi Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/jiksi.v13i2.35145

Abstract

Penelitian ini membahas implementasi metode GLCM, PCA, dan SVM untuk membangun sistem deteksi kelelahan mata berbasis pengolahan citra digital. Meningkatnya penggunaan perangkat elektronik menjadikan kelelahan mata sebagai isu kesehatan yang semakin serius, terutama bagi individu yang bekerja dalam bidang yang memerlukan konsentrasi visual tinggi dalam jangka waktu lama. Untuk menjawab kebutuhan tersebut, penelitian ini menggunakan pendekatan pembelajaran mesin klasik yang dikenal efisien dan ringan dari segi kebutuhan sumber daya, dengan memanfaatkan MRL Eye Dataset berbasis citra inframerah sebagai data utama. Tahapan pemrosesan citra dimulai dengan ekstraksi fitur tekstur menggunakan metode GLCM, yang kemudian direduksi dimensinya menggunakan teknik PCA, dan akhirnya dilakukan klasifikasi oleh algoritma SVM. Sistem ini diuji dalam dua skenario, yaitu dengan dan tanpa keberadaan data outlier. Penyesuaian parameter optimal dilakukan melalui metode Grid Search dan validasi silang menggunakan KFold dengan K = 3. Hasil pengujian menunjukkan bahwa sistem mampu mendeteksi kondisi mata “Awake” dan “Sleepy” dengan akurasi tertinggi mencapai 92.38%, serta nilai precision, recall, dan F1-score yang masing-masing mampu memperoleh hasil di atas 92%. Selain itu, waktu eksekusi untuk ekstraksi fitur, pelatihan model, dan prediksi tergolong cepat, sehingga menunjukkan bahwa sistem ini berpotensi untuk diterapkan secara real-time, bahkan pada perangkat dengan spesifikasi perangkat keras yang terbatas.