Article Per Year (5 Year)
p-Index From 2021 - 2026
2.572
P-Index
This Author published in this journals
All Journal Indonesian Journal of Electronics and Instrumentation Systems Techno.Com: Jurnal Teknologi Informasi JSI: Jurnal Sistem Informasi (E-Journal) Jurnal Ilmu Komputer dan Agri-Informatika Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Jurnal Sisfokom (Sistem Informasi dan Komputer) Krea-TIF: Jurnal Teknik Informatika Informatik : Jurnal Ilmu Komputer Surya Abdimas SEINASI-KESI JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Bidik : Jurnal Pengabdian kepada Masyarakat ABDIKOM The Indonesian Journal of Computer Science
Santoni, Mayanda Mega
Fakultas Ilmu Komputer, Universitas Pembangunan Nasional Veteran Jakarta
Agriculture, Biological Sciences & Forestry Arts Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Engineering Environmental Science Languange, Linguistic, Communication & Media Library & Information Science Social Sciences Other

Published : 32 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 32 Documents
Search

 1   2   3   4 
Perbandingan Model Decision Tree, Naive Bayes dan Random Forest untuk Prediksi Klasifikasi Penyakit Jantung Depari, Deo Haganta; Widiastiwi, Yuni; Santoni, Mayanda Mega
Informatik : Jurnal Ilmu Komputer Vol 18 No 3 (2022): Desember 2022
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52958/iftk.v18i3.4694

Abstract

Jantung sebuah rongga organ berotot yang memompa darah melalui pembuluh darah dengan kontraksi berirama yang terus berulang merupakan salah satu organ manusia yang berperan dalam sistem peredaran darah. Jantung sebagai salah organ terpenting dalam tubuh memiliki resiko kematian jika ada kelainan yang terjadi pada jantung. Beberapa masalah pada jantung dibagi menjadi dua yaitu penyakit jantung dan serangan jantung. WHO berdasarkan data menyatakan bahwa ada sebanyak 7,3 juta penduduk di dunia yang meninggal dikarenakan penyakit jantung. Penelitian ini menggunakan kumpulan data pasien penyakit jantung “Personal Key Indicators of Heart Disease” dan menerapkan algoritma klasifikasi Decision Tree, Naive Bayes dan Random Forest. Tujuan dari penelitian ini adalah untuk bagaimana mengolah dan melakukan analisa data, bagaimana penerapan metode Decision Tree, Naive Bayes dan Random Forest pada klasifikasi penyakit jantung, kemudian bagaimana hasil akurasi metode-metode yang digunakan tersebut, bagaimana hasil perbandingan antara Decision Tree, Naive Bayes dan Random Forests yang digunakan dan metode apa yang merupakan terbaik dari klasifikasi penyakit jantung.  Hasil dari penelitian ini adalah evaluasi performa metode klasifikasi Decision Tree, Naive Bayes dan Random Forest. Dimana nilai akurasi metode Decision Tree sebesar  0.71%, Naive Bayes sebesar 0.72% dan Random Forest sebesar 0.75%.
Deteksi Pohon Kelapa Sawit dengan Pendekatan Deep Learning pada Citra Multispectral di Indonesia Prasvita, Desta Sandya; Santoni, Mayanda Mega; Falih, Noor
The Indonesian Journal of Computer Science Vol. 13 No. 2 (2024): The Indonesian Journal of Computer Science
Publisher : AI Society & STMIK Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33022/ijcs.v13i2.3753

Abstract

Perkebunan kelapa sawit memegang peran penting dalam ekonomi Indonesia, namun masih dihadapkan pada berbagai tantangan, salah satunya adalah tuduhan terkait deforestasi. Solusi untuk menangani permasalahan tersebut adalah dengan memanfaatkan teknologi remote sensing dan computer vision. Penggunaan kedua teknologi ini memungkinkan pemantauan otomatis pohon kelapa sawit dari jarak jauh. Penelitian ini berkontribusi dalam penerapan metode deep learning menggunakan teknologi remote sensing citra multispectral untuk deteksi pohon kelapa sawit. Data yang digunakan dalam penelitian ini juga merupakan data baru yang diperoleh dari perkebunan kelapa sawit di Kalimantan Timur, Indonesia. Metode deep learning berbasis deteksi objek yang digunakan adalah YOLOv5. Sebanyak enam belas model deteksi YOLOv5 dibangun dari kombinasi fitur citra multispectral (RGB, RGN, RBN, dan GBN) dan jaringan YOLOv5 yang berbeda (YOLOv5s, YOLOv5m, YOLOv5l, dan YOLOv5x) pada eksperimen penelitian ini. Model YOLOv5 terbaik untuk mendeteksi pohon kelapa sawit adalah RBN-YOLOv5m, dengan nilai mAP@50, mAP@[0.5,0.95], dan F1-score sebesar 78.3%, 44.9%, dan 81.0%. Kombinasi fitur near-infrared dan red band dapat memberikan informasi mengenai vegetasi sehingga kombinasi tersebut dapat meningkatkan hasil deteksi hanya dengan fitur RGB.
Co-Authors Abilowo, Krisanto Aditya Surya Wijaya Andhika Octa Indarso Anita Muliawati Bayu Permana Sukma Chairunnisa, Cindy Depari, Deo Haganta Desta Sandya Prasvita Desta Sandya Prasvita Desta Sandya Prasvita Desta Sandya Prasvita Desta Sandya Prasvita Ernawati, Iin Falih, Noor Gumay, Muhammad Nuradli Hasbi Hafizd, Maulana Helena Nurramdhani Irmanda Helena Nurramdhani Irmanda Helena Nurramdhani Irmanda Henki Bayu Seta Ilham Ramadhan Intan Hesti Indriana Irmanda, Helena Nurramdhani Irmanda, Helena Nurramdhani Jayanta Jayanta Matondang, Nurhafifah Novi Trihastuti Nurramdhani Irmanda, Helena Nurul Chamidah Nurul Chamidah Nurul Chamidah Nurul Chamidah Prajamukti, Reino Reza Amarta Prayoga Reza Amarta Prayoga Ria Astriratma Ria Astriratma Ria Astriratma Rio Wirawan Said, Qahtan Said, Qahtan Silalahi, Andreas Silalahi, Donni S Widiastiwi, Yuni Yulistiani, Risma Yulnelly Yulnelly Yulnelly, Yulnelly