cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Syahroni Wahyu Iriananda
Contact Email
syahroni@widyagama.ac.id
Phone
-
Journal Mail Official
syahroni@widyagama.ac.id
Editorial Address
-
Location
Kota malang,
Jawa timur
INDONESIA
Journal of Information Technology and Computer Science (JOINTECS)
Published by Universitas Widyagama
ISSN : 25413619     EISSN : 25416448     DOI : -
Core Subject : Science, Education, Engineering,
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Engineering Languange, Linguistic, Communication & Media Library & Information Science Mathematics
JOINTECS terbit 2 (dua) kali dalam setahun, yaitu pada bulan Agustus dan Pebruari dengan versi cetak p-ISSN: 2541-3619 dan versi elektronik dengan sistem OJS dengan e-ISSN: 2541-6448. (medio online) yang mewajibkan setiap naskah yang masuk, proses review, editing, sampai pada publikasi, dan semua yang berhubungan dengan sistem, wajib menggunakan Open Journal Sistem (OJS). JOINTECS dapat diakses melalui website http://publishing-widyagama.ac.id/ejournal-v2/index.php/jointecs yang telah mendukung penuh fitur-fitur OJS tersebut.
Arjuna Subject : -
Articles 5 Documents
 1 
Search results for , issue "Vol 8, No 3 (2023)" : 5 Documents clear
Gesture Recognition untuk Deteksi Bahasa Isyarat BISINDO: Pendekatan Mediapipe dan Random Forest Salsabila Ayuni Kaffah; Yudi Ramdhani
JOINTECS (Journal of Information Technology and Computer Science) Vol 8, No 3 (2023)
Publisher : Universitas Widyagama Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31328/jointecs.v8i3.4813

Abstract

Gesture Recognition memainkan peran penting dalam memfasilitasi dan meningkatkan aksesibilitas komunikasi bagi individu dengan gangguan pendengaran dan bicara, Namun, dalam menerjemahkan bahasa isyarat yang kompleks menjadi bahasa lisan atau tulisan tetap menjadi tantangan yang signifikan. Berupaya untuk mengatasi hal tersebut, penelitian ini memanfaatkan framework MediaPipe dan algoritma Random Forest Classifier untuk mengklasifikasikan gerakan isyarat berbentuk ungkapan dan kata dalam bahasa isyarat BISINDO. Dengan mempertimbangkan tingkat kesulitan dan kompleksitas gerakan isyarat, 10 label ungkapan/kata dalam BISINDO dipilih dan menghasilkan total 25.000 data yang dipakai pada sistem di penelitian ini. Pendekatan ini melibatkan deteksi bahasa isyarat melalui pengenalan pose, gerakan tangan, dan ekspresi wajah. Hasil evaluasi menunjukkan algoritma Random Forest mencapai tingkat presisi, recall, F1-score, dan akurasi yang sangat tinggi (99,88%). Selain itu, sistem yang dikembangkan juga menunjukkan kinerja baik dengan rata - rata probabilitas prediksi berkisar antara 0,50 hingga 0,70 untuk prediksi yang benar, meskipun terdapat tantangan dalam membedakan gerakan isyarat yang mirip dan menyebabkan beberapa prediksi memerlukan waktu lebih lama untuk mencapai hasil yang tepat. Dengan hasil yang diperoleh, penelitian ini memberikan kontribusi penting dalam meningkatkan pengenalan bahasa isyarat dan mendorong inklusivitas bagi masyarakat dengan gangguan pendengaran dan bicara. Hal ini juga membuka peluang baru untuk pengembangan lebih lanjut dalam teknologi deteksi bahasa isyarat.
Klasifikasi Penyakit Pada Daun dan Buah Jambu Menggunakan Convolutional Neural Network Fadlan Sayyidul Anam; Muhammad Rafi Muttaqin; Yudhi Raymond Ramadhan
JOINTECS (Journal of Information Technology and Computer Science) Vol 8, No 3 (2023)
Publisher : Universitas Widyagama Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31328/jointecs.v8i3.4823

Abstract

Jambu biji merupakan komoditas tanaman di Jawa Barat dengan jumlah produksi tahun 2021 mencapai 692.488 kuintal. Produksi ini mengalami penurunan sebesar -12,82% dibandingkan dengan tahun 2020 yang sebesar 794.345 kuintal. Penelitian menggunakan teknologi deep learning dengan algoritma Convolutional Neural Network (CNN) dan berarsitektur MobileNetV2 untuk melakukan klasifikasi citra digital daun dan buah jambu biji yang telah diberi label atau disebut supervised learning. Metode pengembangan yang digunakan dalam penelitian ini adalah Cross Industry Standard Process for Data Mining (CRISP-DM). Berdasarkan hasil penelitian ini, model daun jambu biji memiliki hasil evaluasi yang sangat baik, training accuracy sebesar 99,6%, validation accuracy 100%, training loss 3,2%, dan validation loss 3,1%. Confusion matrix model ini memiliki akurasi 100% dari 63 data validasi. Sementara itu, model buah jambu biji memerlukan dropout sebesar 0,2 dan kernel regularizers L2 sebesar 0,01 untuk mengurangi overfitting. Model ini memiliki training accuracy sebesar 98,8%, validation accuracy 91,6%, training loss 19,1%, dan validation loss 38,6%. Hasil confusion matrix menunjukkan akurasi model ini mencapai 91,6% dari 84 data validasi. Kemudian model berhasil diimplementasikan menjadi aplikasi berbasis mobile menggunakan bahasa pemrograman Kotlin.
Prediksi Gerakan secara Real-Time untuk Pengenalan Bahasa Isyarat menggunakan LSTM Vira Yolanda; Widya Silfianti
JOINTECS (Journal of Information Technology and Computer Science) Vol 8, No 3 (2023)
Publisher : Universitas Widyagama Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31328/jointecs.v8i3.4607

Abstract

Bahasa Isyarat merupakan bahasa yang digunakan untuk berkomunikasi khususnya bagi penyandang tunarungu dan tuna wicara agar dapat saling berkomunikasi dengan baik. Namun karena minimnya pendidikan di masyarakat, bahasa isyarat jarang digunakan, bahkan banyak yang tidak mengetahui bahasa isyarat. Maka diperlukan suatu sistem untuk mengenali bahasa isyarat agar lebih banyak orang yang memahami bahasa isyarat. Dalam penelitian ini, kami mengembangkan deteksi gerakan dinamis untuk pengenalan 6 kata dalam bahasa isyarat Indonesia (SIBI) dengan memanfaatkan perubahan koordinat secara real-time yang dideteksi menggunakan MediaPipe Holistic dan model klasifikasi LSTM Neural Network. Dari hasil pengujian yang telah dilakukan dapat disimpulkan bahwa hasil implementasi Sistem Pengenalan Bahasa Isyarat secara real-time dengan memanfaatkan perubahan koordinat menggunakan metode MediaPipe Holistic dan Long Short Term Memory (LSTM) diperoleh sebuah model dengan nilai akurasi 96%. Akurasi yang diperoleh sebesar 96% artinya model tersebut akurat dalam mengklasifikasikan kelas-kelas gerakan. Setiap kelas memiliki nilai presisi, recall, f1-score dan support yang sangat baik dengan rata-rata 96%.
Evaluasi Model Klasifikasi Algoritma Terbimbing Kuantitatif terhadap Penyakit Diabetes Selly Rahmawati; Arief Wibowo
JOINTECS (Journal of Information Technology and Computer Science) Vol 8, No 3 (2023)
Publisher : Universitas Widyagama Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31328/jointecs.v8i3.4970

Abstract

Diabetes adalah suatu kondisi medis yang ditandai dengan gangguan metabolisme persisten yang mengakibatkan peningkatan kadar glukosa dalam aliran darah. Penyakit ini berdampak besar pada berbagai organ tubuh, termasuk jantung, pembuluh darah, mata, ginjal, dan sistem saraf. Salah satu faktor penting yang berkontribusi terhadap peningkatan kasus diabetes adalah keterlambatan diagnosis kondisi tersebut. Tujuan dari penelitian ini adalah untuk menilai algoritma yang berbeda untuk mendeteksi diabetes. Penelitian ini melibatkan kumpulan data yang tidak seimbang, sehingga memerlukan penerapan teknik oversampling seperti Synthetic Minority Over-sampling Technique (SMOTE) untuk mengatasi ketidakseimbangan ini. Dua metode klasifikasi, yaitu Support Vector Machine (SVM) dan Logistic Regression (LR), digunakan dalam penyelidikan ini. Temuan penelitian mengungkapkan bahwa ketika teknik K-Fold Cross Validation dikombinasikan dengan metode SMOTE, model Support Vector Machine (SVM) menunjukkan tingkat akurasi, presisi, dan recall yang lebih unggul dibandingkan dengan model Logistic Regression (LR), juga menggunakan teknik SMOTE. Meskipun demikian, jika K-Fold Cross Validation dilakukan tanpa menerapkan teknik SMOTE, hasilnya menunjukkan bahwa Regresi Logistik mengungguli model Support Vector Machine (SVM) dalam hal akurasi, presisi, dan recall.
Analisis Hasil Segmentasi Citra Daun Bawang Dengan Metode Adaptive Thesholding dan K-Means Clustering Danar Putra Pamungkas; Firmansyah Mukti Wijaya
JOINTECS (Journal of Information Technology and Computer Science) Vol 8, No 3 (2023)
Publisher : Universitas Widyagama Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31328/jointecs.v8i3.4791

Abstract

Segmentasi citra yang akurat memiliki dampak signifikan pada hasil analisis citra secara keseluruhan. Penelitian ini bertujuan untuk membandingkan metode Adaptive Thresholding dan K-Means Clustering dalam segmentasi citra daun bawang merah dengan latar belakang yang berbeda. Dengan menggunakan analisis kuantitatif terhadap 25 citra daun bawang yang beragam, hasil penelitian menunjukkan bahwa Adaptive Thresholding menghasilkan segmentasi yang memuaskan dalam skala warna hitam dan putih, sementara K-Means Clustering dengan ekstraksi fitur juga memberikan hasil yang memuaskan. Analisis berbasis aplikasi web dalam 5 skenario mengonfirmasi keefektifan kedua metode tersebut. Adaptive Thresholding mencapai Jaccard index sebesar 0.92, Rand index sebesar 0.85, dan F1 score sebesar 0.95. Sedangkan K-Means Clustering memiliki Jaccard index sebesar 0.64, Rand index sebesar 0.69, dan F1 score sebesar 0.71 pada skenario latar belakang mediatanam. Meskipun demikian, hasil segmentasi terbaik diperoleh dengan menggunakan Adaptive Thresholding pada latar belakang Putih Cahaya Terang, dengan Jaccard index sebesar 0.96, Rand index sebesar 0.91, dan F1 score sebesar 0.98. Penelitian ini memberikan rekomendasi untuk segmentasi optimal citra daun bawang merah dengan latar belakang yang berbeda, dengan menekankan keefektifan Adaptive Thresholding dalam mencapai tingkat akurasi tinggi melalui ekstraksi fitur bentuk dan tekstur. Pencahayaan yang memadai saat pengambilan citra merupakan faktor penting untuk mencapai hasil segmentasi yang optimal.

Page 1 of 1 | Total Record : 5

 1 

Filter by Year

2023 2023


Reset
Filter By Issues
All Issue Vol 8, No 2 (2024) Vol 8, No 1 (2024) Vol 8, No 3 (2023) Vol 8, No 2 (2023) Vol 8, No 1 (2023) Vol 7, No 3 (2022) Vol 7, No 2 (2022) Vol 7, No 1 (2022) Vol 6, No 3 (2021) Vol 6, No 2 (2021) Vol 6, No 1 (2021) Vol 5, No 3 (2020) Vol 5, No 2 (2020) Vol 5, No 1 (2020) Vol 4, No 3 (2019) Vol 4, No 2 (2019) Vol 4, No 1 (2019) Vol 3, No 3 (2018) Vol 3, No 2 (2018) Vol 3, No 1 (2018) Vol 2, No 2 (2017) Vol 2, No 1 (2017) Vol 1, No 1 (2016) More Issue