cover
Contact Name
ahmad gawdy prananosa
Contact Email
ahmadgawdynano@yahoo.com
Phone
-
Journal Mail Official
ipm2kpeintecoms@gmail.com
Editorial Address
-
Location
Unknown,
Unknown
INDONESIA
INTECOMS: Journal of Information Technology and Computer Science
ISSN : 26213249     EISSN : 26141574     DOI : -
Core Subject : Science,
Arjuna Subject : -
Articles 933 Documents
IMPLEMENTASI BROAD LEARNING SYSTEM (BLS)  UNTUK IDENTIFIKASI PENYAKIT DAUN TANAMAN TOMAT BERDASARKAN CITRA DIGITAL Elien Marnes Kusmina; Rudi Kurniawan; Armanto Armanto; Tri Hasanah Bimastari Aviani
INTECOMS: Journal of Information Technology and Computer Science Vol. 9 No. 5 (2026): INTECOMS: Journal of Information Technology and Computer Science
Publisher : Institut Penelitian Matematika, Komputer, Keperawatan, Pendidikan dan Ekonomi (IPM2KPE)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31539/qsba4219

Abstract

Penyakit daun pada tanaman tomat dapat menurunkan produktivitas sehingga diperlukan metode identifikasi berbasis karakteristik visual citra. Penelitian ini bertujuan menerapkan Broad Learning System (BLS) sebagai classifier untuk klasifikasi penyakit daun tomat dengan MobileNetV2 sebagai feature extractor. Dataset yang digunakan berasal dari PlantVillage dan terdiri atas 18.160 citra dalam 10 kelas. Tahapan penelitian meliputi preprocessing, augmentasi citra, ekstraksi fitur menggunakan MobileNetV2, L2 normalization, reduksi dimensi menggunakan Principal Component Analysis (PCA), klasifikasi menggunakan BLS, dan evaluasi model. Hasil pengujian terhadap data testing menunjukkan accuracy sebesar 78%, dengan macro precision 0,78, macro recall 0,78, dan macro F1-score 0,77. Confusion matrix menunjukkan bahwa sebagian besar data dapat diklasifikasikan dengan benar, meskipun masih terdapat kesalahan pada beberapa kelas dengan karakteristik visual yang serupa. Hasil penelitian menunjukkan bahwa kombinasi MobileNetV2 dan BLS dapat digunakan sebagai salah satu pendekatan untuk klasifikasi penyakit daun tomat berbasis citra digital.   Kata kunci: Broad Learning System, MobileNetV2, penyakit daun tomat, PlantVillage.
DETEKSI GAMBAR AI MULTIKELAS MENGGUNAKAN MODEL HYBRID CNN-ViT DAN BROAD LEARNING SYSTEM (BLS) BERBASIS WEB Adinda Karen Mulyono; A Taqwa Martadinata; Fido Rizki; Asep Toyip Hidayat
INTECOMS: Journal of Information Technology and Computer Science Vol. 9 No. 5 (2026): INTECOMS: Journal of Information Technology and Computer Science
Publisher : Institut Penelitian Matematika, Komputer, Keperawatan, Pendidikan dan Ekonomi (IPM2KPE)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31539/6yfgg932

Abstract

Perkembangan teknologi kecerdasan buatan memungkinkan pembuatan gambar sintetis yang sangat realistis sehingga menyulitkan proses verifikasi keaslian citra digital. Penelitian ini bertujuan untuk mengembangkan sistem deteksi gambar AI multikelas berbasis web menggunakan model hybrid Convolutional Neural Network (CNN) dan Vision Transformer (ViT) yang dikombinasikan dengan Broad Learning System (BLS). Sistem ini dirancang untuk mengklasifikasikan enam kategori citra yaitu hewan asli, hewan AI, manusia asli, manusia AI, benda asli, dan benda AI. Model hybrid memanfaatkan EfficientNet-B0 sebagai ekstraktor fitur lokal dan Vision Transformer sebagai ekstraktor fitur global. Fitur yang diperoleh kemudian digabungkan melalui mekanisme feature fusion dan diklasifikasikan menggunakan Broad Learning System untuk menghasilkan prediksi multikelas secara efisien. Sistem diimplementasikan dalam bentuk aplikasi web menggunakan Streamlit sebagai antarmuka pengguna dan FastAPI sebagai backend. Hasil pengujian menunjukkan bahwa model hybrid CNN–ViT–BLS mampu mencapai akurasi klasifikasi yang tinggi dengan tingkat kesalahan yang minimal. Selain itu, sistem berbasis web dapat berjalan dengan stabil dan responsif sehingga berpotensi digunakan sebagai alat bantu verifikasi keaslian citra digital. Kata Kunci: AI Image Detection, CNN-ViT, Broad Learning, Multiclass Classification.
RESOLVER PROPERTI EFEKTIF UNTUK PEMERIKSAAN FORMAT SKRIPSI BERBASIS ATURAN DENGAN EVALUASI INJEKSI KESALAHAN Bayu Charisma Putra; Gaguk Triono; Dhofirul Yahya; Mokhammad Fathoni Rokhman
INTECOMS: Journal of Information Technology and Computer Science Vol. 9 No. 4 (2026): INTECOMS: Journal of Information Technology and Computer Science
Publisher : Institut Penelitian Matematika, Komputer, Keperawatan, Pendidikan dan Ekonomi (IPM2KPE)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31539/vhz8q840

Abstract

Kepatuhan terhadap format skripsi umumnya diperiksa secara manual oleh dosen pembimbing, dosen penguji, dan program studi. Proses ini dapat menghasilkan penilaian yang tidak konsisten serta menyebabkan pelanggaran format tidak terdeteksi hingga skripsi disetujui. Perangkat pemeriksa yang tersedia umumnya hanya mengandalkan format yang ditetapkan secara langsung atau definisi gaya (style), tanpa memperhitungkan mekanisme pewarisan berlapis yang menentukan properti format efektif sebagaimana ditampilkan dalam Microsoft Word. Penelitian ini mengembangkan sistem pemeriksa format skripsi berbasis aturan yang memproses berkas Microsoft Word (.docx) secara langsung menggunakan Office Open XML. Sistem ini mengintegrasikan resolver properti efektif yang mengikuti hierarki pewarisan format Microsoft Word, representasi dokumen perantara, 44 aturan yang dikelompokkan ke dalam sembilan kategori, serta profil konfigurasi yang memisahkan nilai persyaratan institusi dari kode aplikasi. Antarmuka berbasis web menyajikan bukti pendukung untuk setiap pelanggaran yang terdeteksi. Evaluasi dilakukan di Program Studi Teknik Informatika Universitas Maarif Hasyim Latif melalui dua prosedur, yaitu verifikasi kartu bukti oleh ketua program studi terhadap 17 skripsi yang telah disetujui serta injeksi kesalahan secara terkendali pada dua dokumen acuan yang menghasilkan 164 dokumen mutan. Kumpulan aturan yang diharapkan untuk setiap mutan ditetapkan sebelum sistem dijalankan. Setelah satu siklus revisi yang telah diverifikasi, aturan deterministik mencapai presisi 1,000 (90/90) pada skripsi aktual. Pada pengujian dengan injeksi kesalahan, sistem mencapai presisi 0,985, recall 0,985, dan skor F1 sebesar 0,985. Penghilangan resolver menurunkan recall pada mutan dengan format yang ditetapkan secara langsung dari 1,000 menjadi 0,773 serta menurunkan spesifisitas dari 1,000 menjadi 0,693. Pelanggaran format yang masih tersisa, yang merepresentasikan estimasi batas bawah, ditemukan pada 15,9% pasangan dokumen–aturan deterministik dalam skripsi yang sebelumnya telah melalui pemeriksaan dosen pembimbing dan penguji. Temuan ini menunjukkan bahwa resolusi properti format efektif merupakan faktor penting dalam meningkatkan akurasi pemeriksaan otomatis, sedangkan evaluasi berbasis bukti memungkinkan klaim akurasi diperiksa dan direproduksi secara lebih transparan.

Filter by Year

2018 2026


Filter By Issues
All Issue Vol. 9 No. 5 (2026): INTECOMS: Journal of Information Technology and Computer Science Vol. 9 No. 4 (2026): INTECOMS: Journal of Information Technology and Computer Science Vol. 9 No. 3 (2026): INTECOMS: Journal of Information Technology and Computer Science Vol. 9 No. 2 (2026): INTECOMS: Journal of Information Technology and Computer Science Vol. 9 No. 1 (2026): INTECOMS: Journal of Information Technology and Computer Science Vol. 8 No. 6 (2025): INTECOMS: Journal of Information Technology and Computer Science Vol. 8 No. 5 (2025): INTECOMS: Journal of Information Technology and Computer Science Vol. 8 No. 4 (2025): INTECOMS: Journal of Information Technology and Computer Science Vol. 8 No. 3 (2025): INTECOMS: Journal of Information Technology and Computer Science Vol 8 No 2 (2025): INTECOMS: Journal of Information Technology and Computer Science Vol. 8 No. 2 (2025): INTECOMS: Journal of Information Technology and Computer Science Vol 8 No 1 (2025): INTECOMS: Journal of Information Technology and Computer Science Vol 7 No 6 (2024): INTECOMS: Journal of Information Technology and Computer Science Vol 7 No 5 (2024): INTECOMS: Journal of Information Technology and Computer Science Vol 7 No 4 (2024): INTECOMS: Journal of Information Technology and Computer Science Vol 7 No 3 (2024): INTECOMS: Journal of Information Technology and Computer Science Vol 7 No 2 (2024): INTECOMS: Journal of Information Technology and Computer Science Vol 7 No 1 (2024): INTECOMS: Journal of Information Technology and Computer Science Vol 6 No 2 (2023): INTECOMS: Journal of Information Technology and Computer Science Vol 6 No 1 (2023): INTECOMS: Journal of Information Technology and Computer Science Vol. 6 No. 1 (2023): INTECOMS: Journal of Information Technology and Computer Science Vol 5 No 2 (2022): INTECOMS: Journal of Information Technology and Computer Science Vol 5 No 1 (2022): INTECOMS: Journal of Information Technology and Computer Science Vol 4 No 2 (2021): INTECOMS: Journal of Information Technology and Computer Science Vol 4 No 1 (2021): INTECOMS: Journal of Information Technology and Computer Science Vol 3 No 2 (2020): INTECOMS: Journal of Information Technology and Computer Science Vol 3 No 1 (2020): INTECOMS: Journal of Information Technology and Computer Science Vol 2 No 2 (2019): INTECOMS: Journal of Information Technology and Computer Science Vol 2 No 1 (2019): INTECOMS: Journal of Information Technology and Computer Science Vol 1 No 2 (2018): INTECOMS: Journal of Information Technology and Computer Science Vol 1 No 1 (2018): INTECOMS: Journal of Information Technology and Computer Science More Issue