cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Dr. Ermatita, M.Kom
Contact Email
wayan.widi@upnvj.ac.id
Phone
-
Journal Mail Official
wayan.widi@upnvj.ac.id
Editorial Address
-
Location
Kota depok,
Jawa barat
INDONESIA
Informatik : Jurnal Ilmu Komputer
Published by Universitas Pembangunan Nasional Veteran Jakarta
ISSN : 02164221     EISSN : 2655139X     DOI : -
Core Subject : Science,
Computer Science & IT
Informatik menerima artikel ilmiah dengan area penelitian pada area Internet Business & Application, Networking & Cyber Security, Statistics & Computation, Elearning & Multimedia, Robotics & Intelligene.
Arjuna Subject : -
Articles 5 Documents
 1 
Search results for , issue "Vol 21 No 1 (2025): April 2025" : 5 Documents clear
Analisis Prediksi Harga Rumah Sesuai Spesifikasi Menggunakan Metode Regresi Linear Berganda Berbasis Shiny R Riyandi, Renaldi; Roy Hakiki, Rolland; Dealmus; Reins Dima, Yansensius Oktavianus; P, Noviyanti
Informatik : Jurnal Ilmu Komputer Vol 21 No 1 (2025): April 2025
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52958/iftk.v21i1.10563

Abstract

Harga rumah dipengaruhi oleh berbagai faktor, seperti jumlah tempat tidur, ukuran rumah, dan kamar mandi. Penelitian ini bertujuan untuk menganalisis pengaruh faktor-faktor tersebut terhadap harga rumah menggunakan metode Regresi Linear Berganda. Permasalahan yang diangkat adalah bagaimana faktor jumlah tempat tidur dan ukuran rumah mempengaruhi harga rumah. Data diperoleh 505 data dari dataset Kaggle, dengan 271 data yang relevan. Penelitian ini mengembangkan model prediksi berbasis Regresi Linear Berganda dengan evaluasi akurasi model serta aplikasi berbasis Shiny R untuk analisis interaktif. Hasil penelitian menunjukkan bahwa faktor jumlah tempat tidur dan ukuran rumah berpengaruh signifikan terhadap harga rumah, dengan nilai koefisien regresi B0 (5.33157), B1 (-0.02481), dan B2 (0.22060), konsisten pada perhitungan manual, RStudio, dan Shiny R. Studi ini menyadari adanya keterbatasan seperti asumsi linearitas dan variabel eksternal yang tidak dimasukkan. Penelitian ini merekomendasikan pengembangan model lebih lanjut dengan menambahkan variabel tambahan seperti lokasi dan usia bangunan, serta penggunaan metode yang lebih kompleks untuk meningkatkan akurasi. Temuan ini diharapkan dapat membantu pembeli dan penjual dalam pengambilan keputusan properti serta berkontribusi pada literatur ilmiah di bidang analisis harga property.
Komparasi Algoritma Support Vector Machine (SVM) dan Convolutional Neural Network (CNN) untuk Klasifikasi Ekspresi Wajah Faizah, Arbiati; Imron, Syaiful; Rewur, Afny; Makasunggal, Juan Natanel; Hari Saputro, pujo
Informatik : Jurnal Ilmu Komputer Vol 21 No 1 (2025): April 2025
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52958/iftk.v21i1.11091

Abstract

Ekspresi wajah merupakan komponen penting dalam komunikasi nonverbal, karena mampu menyampaikan emosi tanpa perlu berkata-kata. Berbagai studi menyebutkan bahwa lebih dari 55% informasi emosional dalam komunikasi manusia disampaikan melalui ekspresi wajah. Dalam bidang pengolahan citra digital, klasifikasi ekspresi wajah menjadi salah satu tantangan yang banyak dikaji. Penelitian ini bertujuan untuk membandingkan performa algoritma Support Vector Machine (SVM) dan Convolutional Neural Network (CNN) dalam mengklasifikasikan empat ekspresi wajah: happy, sad, neutral, suprise. Data yang digunakan berasal dari dataset FER-2013 dengan 4000 gambar per kelas. Setiap citra melalui tahap preprocessing berupa konversi grayscale, normalisasi piksel, dan augmentasi data. Model Support Vector Machine (SVM) menghasilkan akurasi pelatihan sebesar 99,70%, namun akurasi validasinya hanya 41,47%, menandakan terjadinya overfitting. Sebaliknya, Convolutional Neural Network (CNN) memberikan hasil yang lebih stabil dengan akurasi pelatihan sebesar 85,08% dan akurasi validasi tertinggi mencapai 55,03%. Convolutional Neural Network (CNN) juga menunjukkan performa tertinggi dalam mengenali ekspresi suprise dengan akurasi 69%. Hasil penelitian ini menunjukkan bahwa Convolutional Neural Network (CNN) lebih unggul dalam mengenali pola visual kompleks dibandingkan Support Vector Machine (SVM). Dengan demikian, penelitian ini memberikan kontribusi dalam pemilihan metode klasifikasi citra wajah yang optimal dan relevan untuk implementasi sistem pengenalan ekspresi secara otomatis.
Klasifikasi Jenis Tumor Otak Melalui Citra MRI dengan Menggunakan Convolutional Neural Network Listianing Tyas, Dyah; Rocky Rumambi, Frendy; Patanduk, Arpen; Christopel Johanes Mailangkay, Roynaldo
Informatik : Jurnal Ilmu Komputer Vol 21 No 1 (2025): April 2025
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52958/iftk.v21i1.11095

Abstract

Pendeteksian tumor otak pada citra MRI menggunakan metode Convolutional Neural Network (CNN) semakin berkembang dalam diagnosis medis berbasis pencitraan. CNN memungkinkan identifikasi tumor seperti glioma, meningioma, dan tumor pituitari dengan akurasi tinggi melalui ekstraksi fitur otomatis dari citra MRI. Penelitian ini bertujuan untuk mengevaluasi efektivitas CNN dalam segmentasi dan klasifikasi tumor otak, serta meningkatkan efisiensi dan akurasi deteksi. Metode yang digunakan mencakup pengumpulan data MRI, preprocessing citra, augmentasi data, serta penerapan transfer learning untuk mengatasi tantangan keterbatasan data dan overfitting. Hasil penelitian menunjukkan model CNN mampu mencapai akurasi 96,57% pada data uji dengan precision = 96,70%, recall = 96,59%, dan F1-score = 96,60% yang sangat tinggi untuk semua kelas. Meskipun demikian, tantangan terkait komputasi tinggi dan variasi citra MRI masih perlu diatasi. Penelitian ini menegaskan pentingnya penggunaan dataset besar dan beragam untuk meningkatkan performa model dalam aplikasi klinis deteksi tumor otak.
Analisis Komparasi Model Deep Learning CNN dengan VGG16 dalam Klasifikasi Jenis Bunga Rumui, Nelson; Mualo, Ardhyansyah; Rahayaan, Jacob; Batjo, Lourdes; Mokansi, Misael
Informatik : Jurnal Ilmu Komputer Vol 21 No 1 (2025): April 2025
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52958/iftk.v21i1.11105

Abstract

Klasifikasi citra bunga merupakan tantangan penting dalam visi komputer karena citra bunga memiliki tingkat variasi yang tinggi dalam hal bentuk, warna, latar belakang, dan sudut pengambilan gambar, yang sering kali menyulitkan proses klasifikasi secara akurat. Permasalahan ini mendorong dilakukannya penelitian untuk mengembangkan dan membandingkan efektivitas dua pendekatan deep learning, yaitu arsitektur Convolutional Neural Network (CNN) yang dibangun dari awal dan model VGG16 pre-trained yang diterapkan melalui metode transfer learning. Tujuan dari penelitian ini adalah untuk mengevaluasi kinerja kedua model dalam mengklasifikasikan lima jenis bunga daisy, dandelion, rose, sunflower, dan tulip berdasarkan akurasi, efisiensi pelatihan, dan kemampuan generalisasi. Dataset yang digunakan bersifat open-source dan diperoleh dari platform Kaggle, kemudian dibagi menjadi data pelatihan dan pengujian. Hasil eksperimen menunjukkan bahwa model CNN standar hanya mencapai akurasi sebesar 48%, sementara model berbasis VGG16 mencapai akurasi hingga 90%. Temuan ini menegaskan bahwa transfer learning dengan VGG16 merupakan pendekatan yang lebih unggul dan efektif untuk tugas klasifikasi citra bunga, terutama dalam skenario yang menuntut akurasi tinggi.  Penelitian ini memberikan wawasan penting bagi pengembangan sistem klasifikasi visual berbasis deep learning.
Implementasi Fuzzy Logic pada Sistem Robotik Ball Balancing Table dengan Konfigurasi Ball Joint untuk Stabilitas Dinamis Khoirunnisa, Hilda; Suryatini, Fitria; Pancono, Suharyadi; Al Ghafara, Muhamad; Ramdani, Cepi
Informatik : Jurnal Ilmu Komputer Vol 21 No 1 (2025): April 2025
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52958/iftk.v21i1.11168

Abstract

Penelitian ini bertujuan untuk menerapkan Fuzzy Logic Controller (FLC) pada sistem Ball Balancing Table (BBT) dengan konfigurasi struktur mekanik Ball Joint untuk stabilitas dinamis. Sistem ini dirancang untuk dapat menempatkan bola pada posisi tertentu. Posisi bola dideteksi secara real-time menggunakan panel touchscreen resistif dan sinyal posisi diproses oleh kontroler fuzzy pada NI myRIO, yang kemudian mengendalikan aktuator motor servo untuk menyesuaikan kemiringan permukaan meja. Hasil pengujian menunjukkan bahwa sistem mampu menempatkan bola pada posisi target dengan tingkat akurasi yang baik sebesar 93.63% untuk sumbu X dan 90.41% untuk sumbu Y. Rerata Kesalahan posisi bola pada sumbu X tercatat sebesar 17.33 mm sedangkan pada sumbu Y sebesar 14.55 mm. Untuk waktu respons penempatan bola terhadap titik target, hasil pengujian mencatat waktu tercepat 10.8 detik dan waktu terlama 16.82 detik. Hasil ini menunjukkan bahwa implementasi fuzzy logic dan struktur mekanik Ball Joint menghasilkan sistem kendali yang cukup akurat dan responsif.

Page 1 of 1 | Total Record : 5

 1 

Filter by Year

2025 2025


Reset
Filter By Issues
All Issue Vol 21 No 3 (2025): Desember 2025 Vol 21 No 2 (2025): Agustus 2025 Vol 21 No 1 (2025): April 2025 Vol 20 No 3 (2024): Desember 2024 Vol 20 No 2 (2024): Agustus 2024 Vol 20 No 1 (2024): April 2024 Vol 19 No 3 (2023): Desember 2023 Vol 19 No 2 (2023): Agustus 2023 Vol 19 No 1 (2023): April 2023 Vol 18 No 3 (2022): Desember 2022 Vol 18 No 2 (2022): Agustus 2022 Vol 18 No 1 (2022): April 2022 Vol 17 No 3 (2021): Desember 2021 Vol 17 No 2 (2021): Agustus 2021 Vol 17 No 1 (2021): April 2021 Vol 16 No 3 (2020): Desember 2020 Vol 16 No 2 (2020): Agustus 2020 Vol 16 No 1 (2020): April 2020 Vol 15 No 3 (2019): Desember 2019 Vol 15, No 3 (2019): Desember 2019 Vol 15 No 2 (2019): Agustus 2019 Vol 15 No 1 (2019): April 2019 Vol 15, No 1 (2019): April 2019 Vol 14 No 3 (2018): Desember 2018 Vol 14 No 2 (2018): Agustus 2018 Vol 14 No 1 (2018): April 2018 Vol 1, No 1 (2018): Informatik More Issue