Article Per Year (5 Year)
p-Index From 2021 - 2026
1.768
P-Index
This Author published in this journals
All Journal IKRA-ITH Informatika : Jurnal Komputer dan Informatika EDUMATIC: Jurnal Pendidikan Informatika REMIK : Riset dan E-Jurnal Manajemen Informatika Komputer Jurnal Minfo Polgan (JMP) Jurnal Sains Informatika Terapan (JSIT) Journal of Embedded Systems, Security and Intelligent Systems semanTIK Edutik : Jurnal Pendidikan Teknologi Informasi dan Komunikasi
Audy Aldrin Kenap
Universitas Negeri Manado
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Engineering Languange, Linguistic, Communication & Media Library & Information Science Mathematics Social Sciences Other

Published : 12 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 12 Documents
Search

 1   2 
Sistem Pendeteksi Dini dan Rekomendasi Penanggulangan Penyakit Tanaman Cabai dengan Arsitektur EfficientNet Ronauli Siregar; Audy Aldrin Kenap; Medi Hermanto Tinambunan
Edutik : Jurnal Pendidikan Teknologi Informasi dan Komunikasi Vol. 6 No. 4 (2026): EduTIK : Agustus 2026
Publisher : Jurusan PTIK Universitas Negeri Manado

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.67142/edutik.v6i4.520

Abstract

ABSTRAK  Produktivitas cabai merah di Matani Satu terhambat oleh serangan patogen, diagnosis manual yang subjektif, serta infrastruktur internet perkebunan yang tidak stabil. Penelitian ini bertujuan membangun model Deep Learning berarsitektur EfficientNet-B0 untuk deteksi dini penyakit daun cabai merah dan merancang sistem rekomendasi penanggulangan cerdas berbasis Progressive Web App (PWA). Metodologi penelitian menggunakan 2.141 dataset hibrida dengan tahapan akuisisi data, pra-pemrosesan, pemodelan transfer learning, penalaan parameter menggunakan bobot kelas (Class Weights) untuk memitigasi ketidakseimbangan data, perancangan basis pengetahuan, hingga implementasi sistem. Hasil evaluasi menunjukkan model mencapai akurasi validasi sebesar 94,39% dengan tingkat loss 0,21. Pendekatan Cost-Sensitive Learning terbukti efektif mengenali kelas penyakit minoritas secara sempurna. Fitur Explainable AI berupa Grad-CAM juga berhasil diimplementasikan guna memberikan transparansi visual pada area infeksi daun. Kesimpulannya, integrasi inferensi AI di sisi klien (client-side) melalui PWA menjadi solusi yang efektif, memungkinkan para petani mandiri untuk mendiagnosis penyakit dan memperoleh rekomendasi tindakan agronomis secara real-time meskipun dalam kondisi tanpa koneksi internet (offline).   ABSTRACT  Red chili productivity in Matani Satu is hindered by pathogen attacks, subjective manual diagnosis, and unstable plantation internet infrastructure. This study aims to build a Deep Learning model with an EfficientNet-B0 architecture for early detection of red chili leaf diseases and design an intelligent treatment recommendation system based on a Progressive Web App (PWA). The research methodology utilizes 2,141 hybrid datasets involving data acquisition, preprocessing, transfer learning modeling, parameter tuning using Class Weights to mitigate data imbalance, knowledge base design, and system implementation. Evaluation results indicate the model achieved a validation accuracy of 94.39% with a loss rate of 0.21. The Cost-Sensitive Learning approach proved effective in perfectly recognizing minority disease classes. The Explainable AI feature, Grad-CAM, was also successfully implemented to provide visual transparency of leaf infection areas. In conclusion, the integration of client-side AI inference through PWA provides an effective solution, enabling independent farmers to diagnose diseases and obtain agronomic action recommendations in real-time even without an internet connection (offline). 
Pemanfaatan Algoritma Convolutional Neural Networks (CNN) untuk Analisis Opini Publik terhadap Pemilihan Umum melalui Media Sosial X Claudia Pither; Irene Realyta Haldy Trosi Tangkawarow; Audy Aldrin Kenap
Edutik : Jurnal Pendidikan Teknologi Informasi dan Komunikasi Vol. 6 No. 4 (2026): EduTIK : Agustus 2026
Publisher : Jurusan PTIK Universitas Negeri Manado

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.67142/edutik.v6i4.523

Abstract

ABSTRAK  Studi ini bertujuan untuk mengklasifikasikan sentimen publik terkait Pemilihan Suara Ulang (PSU) guna memetakan opini publik digital di media sosial X yang sangat penting bagi peneliti dan administrator pemilu dalam memahami respons masyarakat terhadap sengketa pemilu dengan kondisi data yang sangat tidak seimbang. Sebanyak 1.016 tweet dikumpulkan dan diproses melalui tahapan pra-pemrosesan teks meliputi pembersihan, normalisasi, dan stemming, yang kemudian dilabeli menggunakan leksikon kontekstual diperluas serta titik data manual. Untuk mengatasi ketidakseimbangan kelas ekstrem tanpa menyebabkan kebocoran data, algoritma Random Over-Sampling (ROS) diterapkan secara eksklusif pada set pelatihan sebelum melatih model Convolutional Neural Network (CNN) berbasis embedding Word2Vec (100 dimensi, ukuran jendela 5, 15 epoch, ukuran batch 32) untuk dibandingkan dengan baseline Naive Bayes + TF-IDF + ROS. Berdasarkan distribusi dataset yang terdiri dari 79,4% Netral, 18,3% Positif, dan 2,3% Negatif, hasil eksperimen menunjukkan bahwa model CNN + Word2Vec + ROS yang diusulkan berhasil mencapai akurasi validasi sebesar 92,20% dan skor F1 Makro sebesar 0,78, terbukti mengungguli model dasar Naive Bayes yang hanya mencapai akurasi 80,49% dan skor F1 Makro 0,73. Meskipun integrasi Word2Vec dan ROS berhasil mengurangi keterbatasan pengklasifikasi berbasis frekuensi dalam wacana politik yang timpang, skor F1 untuk kelas negatif minoritas yang bernilai 0,55 menyoroti bahwa mendeteksi opini kritis masih menjadi tantangan yang memerlukan penyempurnaan metodologis lebih lanjut. Secara keseluruhan, studi ini memberikan kontribusi penting pada analisis sentimen politik di Indonesia dengan mengevaluasi potensi pembelajaran mendalam (deep learning) dalam menyediakan kerangka kerja pemantauan sentimen elektoral yang kuat, sekaligus menekankan pentingnya ketelitian metodologis dalam menyeimbangkan deteksi sudut pandang minoritas secara cermat. ABSTRACT  This study aims to classify public sentiment related to the Re-vote Election (PSU) in order to map digital public opinion on social media X which is very important for researchers and election administrators in understanding public responses to election disputes with highly imbalanced data conditions. A total of 1,016 tweets were collected and processed through text pre-processing stages including cleaning, normalization, and stemming, which were then labeled using an expanded contextual lexicon as well as manual data points. To address extreme class imbalance without causing data leakage, the Random Over-Sampling (ROS) algorithm was applied exclusively to the training set before training a Word2Vec embedding-based Convolutional Neural Network (CNN) model (100 dimensions, window size 5, 15 epochs, batch size 32) to be compared with the baseline Naive Bayes + TF-IDF + ROS. Based on the dataset distribution consisting of 79.4% Neutral, 18.3% Positive, and 2.3% Negative, the experimental results show that the proposed CNN + Word2Vec + ROS model successfully achieved a validation accuracy of 92.20% and a Macro F1 score of 0.78, proven to outperform the baseline Naive Bayes model which only achieved an accuracy of 80.49% and a Macro F1 score of 0.73. Although the integration of Word2Vec and ROS successfully mitigated the limitations of frequency-based classifiers in imbalanced political discourse, the F1 score for the minority negative class of 0.55 highlights that detecting critical opinions remains a challenge that requires further methodological refinement. Overall, this study makes an important contribution to political sentiment analysis in Indonesia by evaluating the potential of deep learning in providing a robust electoral sentiment monitoring framework, while emphasizing the importance of methodological rigor in carefully balancing minority viewpoint detection.
Co-Authors Alfiansyah Hasibuan Basilius Mario Vikranta Rahanubun Ben Shalom Manopo Claudia Pither Dea Karlina Pali Efraim Ronald S. Moningkey Glenn D.P Maramis Glenn David Paulus Maramis Irene Realyta Haldy Trosi Tangkawarow Kevin Mclaren Pandoh Kristofel Santa Medi Hermanto Tinambunan Mesiasi Anjelika Supit Murni Kassa Nibertin Zai Pingkan Kezia Aprilia Umboh Quido. C. Kainde Ronauli Siregar Yosita Rante Tando Yustin Sengga