cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Fitrianingsih
Contact Email
infokom@gunadarma.ac.id
Phone
+6221-78881112 ext. 516
Journal Mail Official
infokom@gunadarma.ac.id
Editorial Address
Jalan Margonda Raya 100
Location
Kota depok,
Jawa barat
INDONESIA
Jurnal Ilmiah Informatika Komputer
Published by Universitas Gunadarma
ISSN : 08538638     EISSN : 20898045     DOI : http://dx.doi.org/10.35760/ik
Core Subject : Science,
Computer Science & IT Decision Sciences, Operations Research & Management
This journal is published periodically three times a year, April, August, and December. It publishes a broad range of research articles on Information Technology and Communication, whether in Indonesian Language or English.
Arjuna Subject : Ilmu Komputer (semua kategori) - Sistem Informasi
Articles 305 Documents
 27   28   29   30   31 
Pengembangan Aplikasi Website untuk Klasifikasi Status Gizi Balita Menggunakan Integrasi SMOTE pada Algoritma Naïve Bayes Adji, Damar Kuncoro; Hidayat, Taufik; Djamaludin, Djamaludin
Jurnal Ilmiah Informatika Komputer Vol. 30 No. 2 (2025)
Publisher : Universitas Gunadarma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35760/ik.2025.v30i2.14845

Abstract

Status gizi balita menjadi indikator krusial dalam menilai kondisi kesehatan dan pertumbuhan anak, sehingga penelitian ini bertujuan mengembangkan sistem klasifikasi status gizi balita berbasis machine learning dengan menggunakan data dari Puskesmas Rajeg sebanyak 6062 entri. Proses diawali dengan pemrosesan dataset dalam format .csv, dilanjutkan dengan pembersihan data, pemilihan atribut penting, penanganan data hilang, penghapusan outlier menggunakan metode interquartile range (IQR), dan penghilangan duplikasi. Selanjutnya, data diolah melalui label encoding, normalisasi MinMaxScaler, dan dibagi menjadi data latih dan data uji dengan rasio 70:30. Untuk menangani ketidakseimbangan kelas pada atribut target (BB/TB), digunakan metode SMOTE agar distribusi kelas menjadi seimbang. Model klasifikasi yang digunakan adalah Naïve Bayes dan dievaluasi menggunakan metrik akurasi, presisi, recall, serta F1-score. Hasil menunjukkan bahwa model tanpa SMOTE memiliki akurasi lebih tinggi (89%) dibandingkan model dengan SMOTE (63%), meskipun model dengan SMOTE lebih baik dalam mengenali kelas minoritas. Sistem ini diimplementasikan dalam bentuk aplikasi website prediksi status gizi yang interaktif dan mudah digunakan, sehingga memudahkan tenaga kesehatan dalam menginput data, mencari informasi, serta memantau status gizi balita secara efisien.
Implementasi K-Means dan Elbow dalam Sistem Informasi Kepegawaian untuk Pengelompokan Data Karyawan PTPN Medan Fitrah, Windi Aninda; Harahap, Aninda Muliani
Jurnal Ilmiah Informatika Komputer Vol. 30 No. 2 (2025)
Publisher : Universitas Gunadarma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35760/ik.2025.v30i2.14905

Abstract

Pengelolaan data kepegawaian secara manual di unit kebun PTPN IV Regional I Medan sering mengalami kendala dalam hal efisiensi dan objektivitas evaluasi kinerja karyawan. Penelitian ini bertujuan untuk mengembangkan sistem informasi kepegawaian berbasis web yang mampu mengelompokkan karyawan secara otomatis menggunakan algoritma K-Means Clustering dengan jumlah klaster optimal yang ditentukan oleh Metode Elbow. Penelitian menggunakan metode kuantitatif dengan data primer berupa atribut karyawan seperti absensi, masa kerja, usia, pendidikan, kinerja, dan divisi. Sistem dirancang menggunakan framework Laravel dan diuji menggunakan metode Black Box Testing. Hasil penelitian menunjukkan bahwa integrasi K-Means dan Elbow dapat menghasilkan pengelompokan karyawan ke dalam tiga kategori kinerja (tinggi, sedang, rendah) secara akurat dan efisien. Sistem ini dapat digunakan oleh HRD sebagai dasar dalam pengambilan keputusan manajerial secara objektif.
Penerapan Deepface dan Retinaface dalam Pengenalan Wajah Parsial Untuk Aplikasi Keamanan Digital Fauziah, Helmi Yulianti; Kusuma, Tubagus Maulana
Jurnal Ilmiah Informatika Komputer Vol. 30 No. 2 (2025)
Publisher : Universitas Gunadarma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35760/ik.2025.v30i2.241

Abstract

Pengenalan wajah merupakan aspek penting dalam teknologi keamanan modern dan memiliki banyak aplikasi. Namun demikian teknologi ini juga menghadapi tantangan, terutama dalam mengidentifikasi wajah yang hanya sebagian terlihat akibat berbagai kondisi seperti tertutup masker, kacamata atau benda lain. Penelitian ini mengusulkan solusi penegnalan wajah parsial berbasis deep learning dengan mengintegrasikan RetinaFace sebagai detektor wajah dan ArcFace yang diimplementasikan melalui framework DeepFace sebagai ekstraktor fitur untuk meningkatkan akurasi identifikasi wajah tidak utuh. Dataset dikumpulkan menggunakan kamera ponsel dengan variasi pencahayaan, ekspresi, dan oklusi (masker/kacamata), kemudian diproses melalui pipeline prapengolahan citra yang mencakup konversi warna, resizing, dan normalisasi. Model dilatih dengan loss function berbasis angular margin untuk memaksimalkan jarak antar kelas, dioptimasi menggunakan Adam (learning rate 0.001) dan dievaluasi melalui confusion matrix. Hasil pengujian menunjukkan akurasi 92% pada citra statis dan 94% dalam skenario realtime, dengan kesalahan prediksi terutama terjadi pada wajah tertutup lebih dari 50%. Keunggulan sistem ini terletak pada kombinasi deteksi multi-tugas RetinaFace (landmark + bounding box) dan ekstraksi fitur diskriminatif ArcFace, yang terbukti robust terhadap variasi parsial. Temuan ini mendukung aplikasi praktis seperti absensi digital dan keamanan berbasis kamera, dengan rekomendasi peningkatan kualitas dataset dan hardware untuk mengurangi false negative.
Purwarupa Alat Pemilah Warna Barang Menggunakan Sensor TCS230 Raharja, Wahyu Kusuma; Anindya, R.A. Sekar Ciptaning; Sari, M. Anggita; Saputra, J.F.
Jurnal Ilmiah Informatika Komputer Vol. 30 No. 2 (2025)
Publisher : Universitas Gunadarma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35760/ik.2025.v30i2.242

Abstract

Technological developments have driven automation in various industrial sectors, including color-based sorting systems. Currently, many industries still rely on human labor in the sorting process, which results in high operational costs and is prone to human error. This study aims to design a prototype of an object sorting device based on color using the TCS230 sensor integrated with an Arduino Uno and controlled by a PLC (Programmable Logic Controller) as the main unit. The system uses push buttons, TCS230 sensors, and proximity sensors as inputs, with the Arduino functioning as the initial signal processor. The PLC processes data sequentially to control the outputs, which include a DC motor as the conveyor drive, two pneumatic solenoids for item separation, and status indicator lights. Test results show that the TCS230 sensor consistently reads red (14.72 kHz), green (6.944 kHz), and blue (20.82 kHz) colors. The PLC responds according to logic as red activates solenoid 1, green activates solenoid 2, while blue does not trigger the actuator. The system has proven to be effective, accurate, and reliable, demonstrating significant potential for application in manufacturing, logistics, and recycling industries.
Klasifikasi Jenis Daging Menggunakan Algoritma YOLOv8 Irawati, Dyah Cita; Aji, Nur Fitriansyah
Jurnal Ilmiah Informatika Komputer Vol. 30 No. 2 (2025)
Publisher : Universitas Gunadarma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35760/ik.2025.v30i2.243

Abstract

Dalam kehidupan sehari-hari tubuh manusia memerlukan konsumsi daging sapi sebagai salah satu sumber protein hewani karena memiliki kandungan zat besi, selenium, zinc, vitamin B kompleks dan omega 3. Dalam melakukan pembelian daging sapi merupakan persoalan tersendiri bagi masyarakat awam, karena secara kasat mata bentuk daging sapi dan daging lainnya, terutama daging babi, sangat tidak mudah untuk dibedakan. Kesulitan keterbatasan visual manusia yang timbul tersebut menyebabkan konsumen seringkali tertipu saat membeli daging sapi. Perbedaan secara umum kedua daging tersebut terletak pada warna dan tekstur daging. Untuk mengatasi hal tersebut diperlukan adanya peran teknologi yang bisa digunakan untuk membantu membedakan pengenalan jenis daging agar konsumen dapat mengenalinya secara lebih akurat. Penerapan model Deep Learning dengan menggunakan algoritma Convolutional Neural Network yaitu You Only Look Once v8 (YOLOv8) menjadi salah satu metode yang dapat diterapkan untuk mengenali daging sapi pada bidang informatika. Precision 0.974, Recall 1, mAP 0.955 menunjukkan hasil penelitian kinerja dan waktu komputasi menggunakan YOLOv8 pada daging babi, sedangkan pada daging sapi metode YOLOv8 menghasilkan Precision 1, Recall 0.994, mAP 0.995 dengan waktu komputasi kurang lebih 56.52 menit.

Page 31 of 31 | Total Record : 305

 27   28   29   30   31 

Filter by Year

2006 2025


Reset
Filter By Issues
All Issue Vol. 30 No. 3 (2025) Vol 30, No 2 (2025) Vol. 30 No. 2 (2025) Vol 30, No 1 (2025) Vol 29, No 3 (2024) Vol 29, No 2 (2024) Vol 29, No 1 (2024) Vol 28, No 3 (2023) Vol 28, No 2 (2023) Vol 28, No 1 (2023) Vol 27, No 3 (2022) Vol 27, No 2 (2022) Vol 27, No 1 (2022) Vol 26, No 3 (2021) Vol 26, No 2 (2021) Vol 26, No 1 (2021) Vol 25, No 3 (2020) Vol 25, No 2 (2020) Vol 25, No 1 (2020) Vol 24, No 2 (2019) Vol 24, No 3 (2019) Vol 24, No 1 (2019) Vol 23, No 3 (2018) Vol 23, No 2 (2018) Vol 23, No 1 (2018) Vol 22, No 3 (2017) Vol 22, No 2 (2017) Vol 22, No 1 (2017) Vol 21, No 3 (2016) Vol 21, No 2 (2016) Vol 21, No 1 (2016) Vol 20, No 2 (2015) Vol 20, No 1 (2015) Vol 19, No 3 (2014) Vol 14, No 2 (2009) Vol 14, No 1 (2009) Vol 13, No 3 (2008) Vol 13, No 1 (2008) Vol 12, No 3 (2007) Vol 12, No 1 (2007) Vol 11, No 3 (2006) Vol 11, No 2 (2006) Vol 11, No 1 (2006) More Issue