Article Per Year (5 Year)
p-Index From 2021 - 2026
0.61
P-Index
This Author published in this journals
All Journal Jurnal Sistem Komputer dan Informatika (JSON) Journal of Innovation Information Technology and Application (JINITA) Jurnal Algoritma
Giat Karyono
Universitas Amikom Purwokerto
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Engineering

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

Found 3 Documents
Search

 1 
Visual Content Captioning and Audio Conversion using CNN-RNN with Attention Model Aldy Agil Hermanto; Giat Karyono; Imam Tahyudin; Boby Sandityas Prahasto
Journal of Innovation Information Technology and Application (JINITA) Vol 7 No 1 (2025): JINITA, June 2025
Publisher : Politeknik Negeri Cilacap

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35970/jinita.v7i1.2788

Abstract

The primary objective of this research is to develop an image captioning and audio conversion system based on Convolutional Neural Networks (CNN) and Recurrent Neural Networks (RNN) with the integration of an Attention Mechanism, aimed at improving accessibility for visually impaired individuals. The research design follows a systematic approach involving data collection, preprocessing, model development, training, evaluation, and implementation. The methodology utilizes CNN for visual feature extraction, RNN for language modeling, and an Attention Mechanism to enhance contextual relevance in caption generation. Google Text-to-Speech (gTTS) is also integrated to convert generated captions into audio format. The main outcomes demonstrate that the model is capable of generating coherent and contextually relevant captions, as validated through qualitative assessment and quantitative measurement using the BLEU score. Experimental results show decreasing training and validation loss over 8 epochs without signs of overfitting, indicating stable model performance. The attention visualization confirms the model’s ability to focus on relevant image regions during caption generation. In conclusion, the proposed CNN-RNN architecture with Attention effectively generates descriptive captions and converts them into speech, showing strong potential for real-world accessibility applications.
Pengembangan Sistem Informasi Logistik Berbasis Web Dengan Fitur BAST Menggunakan Metode Waterfall Hamid Abdul Rozak; Giat Karyono
Jurnal Algoritma Vol 23 No 1 (2026): Jurnal Algoritma
Publisher : Institut Teknologi Garut

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33364/algoritma/v.23-1.3468

Abstract

Sistem informasi logistik di Universitas Amikom Purwokerto belum menyediakan fitur Berita Acara Serah Terima (BAST) secara digital. Penelitian ini mengembangkan modul BAST yang terintegrasi ke dalam sistem logistik berbasis web menggunakan framework Laravel dan MySQL melalui metode Waterfall. Fitur BAST dirancang terintegrasi dengan data transaksi barang melalui mekanisme checklist transaksional sehingga pengguna dapat menyusun, menyimpan, dan mencetak dokumen tanpa input ulang data secara manual. Pengujian dilakukan melalui Black Box Testing dengan 7 skenario pengujian dan User Acceptance Testing (UAT) yang melibatkan 2 pengguna, mencakup aspek fungsionalitas, kemudahan penggunaan, dan efisiensi pencetakan dokumen. Seluruh skenario pengujian berhasil dijalankan sesuai kebutuhan dan sistem mendapat penilaian baik hingga sangat baik pada seluruh aspek UAT, menunjukkan bahwa integrasi fitur BAST mampu meningkatkan efisiensi administrasi logistik secara signifikan. Penelitian selanjutnya disarankan menggunakan metode pengukuran usability yang lebih terstandar seperti System Usability Scale (SUS).
Systematic Literature Review Penerapan Physics-Informed Machine Learning untuk Analisis Seismisitas dan Bahaya Gempa Bumi Abdul Hakim Prima Yuniarto; Fandy Setyo Utomo; Giat Karyono
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 4 (2026): Juni 2026
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v7i4.9830

Abstract

Pendekatan machine learning konvensional yang murni berbasis data dalam bidang seismologi sering kali menghasilkan model kotak hitam yang melanggar hukum fisika dasar serta memerlukan data pelabelan masif. Sebagai solusi, paradigma Physics-Informed Machine Learning (PIML) hadir mengintegrasikan pengetahuan domain fisis ke dalam arsitektur kecerdasan buatan. Penelitian ini bertujuan melakukan tinjauan literatur sistematis (Systematic Literature Review/SLR) untuk memetakan mekanisme integrasi, klaster parameter, dampak komputasi, serta kesenjangan riset dari penerapan PIML pada analisis kegempaan. Melalui evaluasi terstruktur terhadap 36 studi utama rentang 2021–2026, hasil analisis menunjukkan bahwa integrasi hukum fisika dominan dilakukan melalui modifikasi fungsi kerugian memanfaatkan residu persamaan diferensial parsial. Penerapan paradigma ini pada sejumlah studi terbukti mampu meningkatkan efisiensi komputasi serta mempercepat waktu simulasi numerik dibandingkan dengan metode konvensional, serta menyajikan pemodelan tanpa jaring yang stabil pada frekuensi tinggi. Namun, analisis kesenjangan mengungkap adanya ketergantungan pada skema terpandu deterministik. Riset ini merekomendasikan arah pengembangan masa depan pada integrasi metode unsupervised dan konstrain statistik seismologi guna menjamin kemasukakalan fisis model.
Co-Authors Abdul Hakim Prima Yuniarto Aldy Agil Hermanto Boby Sandityas Prahasto Fandy Setyo Utomo Hamid Abdul Rozak Imam Tahyudin