cover
Contact Name
Bahar
Contact Email
bahararahman@gmail.com
Phone
-
Journal Mail Official
puslit.stmikbjb@gmail.com
Editorial Address
-
Location
Kota banjarmasin,
Kalimantan selatan
INDONESIA
Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi
ISSN : 20893787     EISSN : 26850893     DOI : -
Core Subject : Science,
Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi adalah Jurnal Ilmiah bidang Teknik Informatika dan Sistem Informasi yang diterbitkan secara periodik tiga nomor dalam satu tahun, yaitu pada bulan April, Agustus dan Desember. Redaksi Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi menerima sumbangan tulisan hasil penelitian atau atau artikel konseptual bidang Teknik Informatika dan Sistem Informasi.
Arjuna Subject : -
Articles 1,051 Documents
Penerapan Algoritma Support Vector Machine Dalam Analisis Sentimen Terhadap Ulasan Pengguna Pada Aplikasi NewSakpole Renaldi Irfan Firdaus; Ahmad Abdul Chamid; Ahmad Jazuli
Jutisi : Jurnal Ilmiah Teknik Informatika dan Sistem Informasi Vol 15, No 2 (2026): April 2026
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/jutisi.v15i2.3478

Abstract

To determine the success rate of a service, it is necessary to conduct sentiment analysis to understand public opinion and the level of public satisfaction, both positive, neutral, and negative. Sentiment analysis was used to improve the quality of service on the NewSakpole application in android-based vehicle tax payments. In this study, several stages were used such as data crawling, data preprocessing, word weighting using TF-IDF (Term Frequency Inverse Document Frequency) and SVM (Support Vectore Machine) classification model for sentiment classification. By using the Confusionsion Matrix test with a data sharing of 20% for data training and 80% for data testing, the accuracy results were obtained of 81.08%. The accuracy value of each sentiment also showed a fairly good performance, with a positive sentiment of 81.11%, a neutral sentiment of 78.62%, and a negative sentiment of 83.33%. These results show that the SVM algorithm is able to provide a fairly stable classification performance in this case study.Keywords: Sentimen Analysis; Google Play Store; NewSakpole; Support Vectore Machine AbstrakUntuk mengetahui tingkat keberhasilan suatu pelayanan, perlu dilakukan analisis sentimen untuk memahami opini publik dan tingkat kepuasan publik baik positif, netral, maupun negatif. Analisis sentimen digunakan untuk meningkatkan kualitas pelayanan pada aplikasi NewSakpole dalam pembayaran pajak kendaraan yang berbasis android. Dalam penelitian ini menggunakan beberapa tahap seperti crawling data, preprocessing data, pembobotan kata menggunakan TF-IDF (Term Frequency Inverse Document Frequency) serta model klasifikasi SVM (Support Vectore Machine) untuk klasifikasi sentimen. Dengan menggnakan pengujian Confussion Matrix dengan pembagian data 20% untuk data training dan 80% untuk data testing memperoleh hasil akurasi sebesar 81,08%. Nilai akurasi pada masing-masing sentimen juga menunjukkan performa yang cukup baik, dengan sentimen positif sebesar 81,11%, sentimen netral 78,62%, dan sentimen negatif 83,33%. Hasil ini menunjukkan bahwa algoritma SVM mampu memberikan performa klasifikasi yang cukup stabil pada studi kasus ini. 
Penerapan Data Mining Menggunakan Algoritma Apriori Untuk Menganalisis Pola Pembelian Konsumen Pada Minimarket XYZ Angelina, Angelina; Hermawan, Hermawan
Jutisi : Jurnal Ilmiah Teknik Informatika dan Sistem Informasi Vol 15, No 1 (2026): Februari 2026
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/jutisi.v15i1.3449

Abstract

The utilization of sales transaction data in the retail sector plays an important role in supporting data-driven decision making, particularly in understanding consumer purchasing patterns and designing more effective sales strategies. This study aims to analyze consumer purchasing patterns at Minimarket XYZ as a basis for developing a data-driven product bundling strategy. The main problem faced is stock imbalance caused by the underutilization of transaction data. The method used in this research is data mining using the Apriori algorithm within the CRISP-DM framework, utilizing sales transaction data from October 2024 to September 2025. The variables analyzed consist of product combinations within sales transactions evaluated using the parameters of support, confidence, and lift. The performance of the algorithm was tested using precision and recall methods to evaluate the relevance of the generated association rules against the transaction data. The results show that several product combinations have high support, confidence, and lift values, particularly in the snack–beverage and instant noodle–mineral water categories. These association rules were conceptually validated through the design of product bundling packages that align with consumer purchasing behavior. This study demonstrates that the Apriori algorithm is effective as a decision-support tool for improving promotional efficiency and inventory management in small- to medium-scale minimarkets.Keywords: Data Mining; Apriori Algorithm; Consumer Purchasing Patterns; Product Bundling; Minimarket XYZAbstrakPemanfaatan data transaksi penjualan pada sektor ritel memiliki peran penting dalam mendukung pengambilan keputusan berbasis data, khususnya dalam memahami pola pembelian konsumen dan merancang strategi penjualan yang lebih efektif. Penelitian ini bertujuan untuk menganalisis pola pembelian konsumen pada Minimarket XYZ sebagai dasar perancangan strategi product bundling berbasis data. Permasalahan utama yang dihadapi adalah ketidakseimbangan stok akibat belum dimanfaatkannya data transaksi secara optimal. Metode yang digunakan adalah data mining dengan algoritma Apriori dalam kerangka kerja CRISP-DM menggunakan data transaksi penjualan periode Oktober 2024–September 2025. Variabel yang dianalisis berupa kombinasi produk dalam transaksi penjualan yang dievaluasi menggunakan parameter support, confidence, dan lift. Pengujian performa algoritma dilakukan menggunakan metode precision dan recall untuk menilai relevansi aturan asosiasi yang dihasilkan terhadap data transaksi. Hasil penelitian menunjukkan bahwa terdapat sejumlah kombinasi produk dengan nilai support, confidence, dan lift yang tinggi, terutama pada kategori snack–minuman dan mie instan–air mineral. Hasil uji performa menunjukkan bahwa nilai precision berada pada rentang 0,73–0,80 dan nilai recall pada rentang 0,81–0,86, yang mengindikasikan bahwa algoritma memiliki tingkat akurasi yang baik dalam merekomendasikan paket bundling sesuai pola pembelian konsumen. Dengan demikian, algoritma Apriori terbukti efektif sebagai alat pendukung keputusan dalam meningkatkan efisiensi promosi dan pengelolaan stok pada minimarket skala kecil–menengah. 
Analisis Perbandingan ANN dan Hybrid QNN pada Klasifikasi Multikarakteristik Data Kharisteas Josan Sedi; Sunneng Sandino Berutu; Aninda Astuti
Jutisi : Jurnal Ilmiah Teknik Informatika dan Sistem Informasi Vol 15, No 2 (2026): April 2026
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/jutisi.v15i2.3485

Abstract

The rapid advancement of machine learning has driven the exploration of various computational models to address classification problems across datasets with diverse characteristics. This study aimed to compare the performance of Artificial Neural Network (ANN) and Hybrid Quantum Neural Network (Hybrid QNN) under controlled experimental conditions. Three benchmark datasets, namely Red Wine Quality, Banknote Authentication, and Leukemia Gene Expression, were used with a training and test data split of 80:20. The evaluation was conducted using accuracy, precision, recall, F1-score, and computational time. The results showed that on the Gene Expression Leukemia dataset, Hybrid QNN achieved an accuracy of 0.9333, significantly outperforming ANN, which obtained 0.6111. Conversely, ANN demonstrated competitive performance and higher computational efficiency on low- and medium-dimensional datasets. These findings indicate that the advantages of Hybrid QNN are contextual and strongly dependent on data characteristics.Keywords: Artificial Neural Network; Hybrid Quantum Neural Network; classification; machine learningAbstrakPerkembangan pesat pembelajaran mesin telah mendorong eksplorasi berbagai model komputasi untuk menyelesaikan permasalahan klasifikasi pada data dengan karakteristik yang beragam. Penelitian ini bertujuan untuk membandingkan kinerja Artificial Neural Network (ANN) dan Hybrid Quantum Neural Network (Hybrid QNN) dalam kondisi eksperimen yang terkontrol. Tiga dataset acuan digunakan, yaitu Red Wine Quality, Banknote Authentication, dan Gene Expression Leukemia, dengan pembagian data latih dan uji sebesar 80:20. Evaluasi dilakukan menggunakan metrik akurasi, precision, recall, F1-score, serta waktu komputasi. Hasil eksperimen menunjukkan bahwa pada dataset Gene Expression Leukemia, Hybrid QNN mencapai akurasi 0,9333, jauh lebih tinggi dibandingkan ANN sebesar 0,6111. Sebaliknya, ANN menunjukkan performa yang kompetitif dan lebih efisien pada dataset berdimensi rendah hingga menengah. Temuan ini menunjukkan bahwa keunggulan Hybrid QNN bersifat kontekstual dan bergantung pada karakteristik data. 
Evaluasi Virtual Reality terhadap Keterlibatan dan Pemahaman Anak dalam Pembelajaran Desi Rosma Wati; Ria Andryani
Jutisi : Jurnal Ilmiah Teknik Informatika dan Sistem Informasi Vol 15, No 2 (2026): April 2026
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/jutisi.v15i2.3529

Abstract

This study aims to evaluate the feasibility of Virtual Reality technology as a learning medium in elementary schools to address the shortcomings of conventional learning methods in increasing student engagement and enthusiasm in learning. The approach used is quantitative descriptive, by utilizing the System Usability Scale (SUS) for usability evaluation. Data collection involved administering a questionnaire to 35 students after they watched a Virtual Reality-based learning video and a brief explanation of the concept and application of the technology. The instrument used consisted of 10 questions that had undergone validity and reliability assessments. The results of the study indicate that all questionnaire items are considered valid, and the instrument shows a satisfactory level of reliability, as indicated by the Cronbach's Alpha of 0.701. The average SUS value of 78.43 is within the acceptable range, which indicates that Virtual Reality-based learning media is feasible and has the potential for sustainable development as an interactive learning tool in elementary schools.Kata kunci: Virtual Reality; Learning media; Usability; System Usability Scale; Elementary schoolAbstrakPenelitian ini bertujuan untuk mengevaluasi kelayakan teknologi Virtual Reality sebagai media pembelajaran di sekolah dasar untuk mengatasi kekurangan metode pembelajaran konvensional dalam meningkatkan keterlibatan dan antusiasme siswa dalam belajar. Pendekatan yang digunakan adalah deskriptif kuantitatif, dengan memanfaatkan System Usability Scale (SUS) untuk evaluasi usability. Pengumpulan data melibatkan pemberian kuesioner kepada 35 siswa setelah mereka menonton video pembelajaran berbasis Virtual Reality dan penjelasan singkat tentang konsep dan penerapan teknologi tersebut. Instrumen yang digunakan terdiri dari 10 butir pertanyaan yang telah menjalani penilaian validitas dan reliabilitas. Hasil penelitian menunjukkan bahwa semua butir kuesioner dianggap valid, dan instrumen tersebut menunjukkan tingkat reliabilitas yang memuaskan, seperti yang ditunjukkan oleh Alpha Cronbach’s Alpha sebesar 0,701. Nilai SUS rata-rata sebesar 78,43 berada dalam kisaran yang dapat diterima, yang menandakan bahwa media pembelajaran berbasis Virtual Reality layak dan memiliki potensi pengembangan berkelanjutan sebagai alat pembelajaran interaktif di sekolah dasar. 
Analisis Perbandingan Quantum Machine Learning Dalam Klasifikasi Berita Politik Fakta Dan Hoaks Linda Kristiani Zebua; Sunneng Sandino Berutu; Aninda Astuti
Jutisi : Jurnal Ilmiah Teknik Informatika dan Sistem Informasi Vol 15, No 2 (2026): April 2026
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/jutisi.v15i2.3524

Abstract

This study analyzes the comparative performance of Quantum Machine Learning in classifying factual and hoax political news using three approaches, namely Quantum Neural Network (QNN), Quantum Support Vector Classifier (QSVC), and Hybrid Quantum Kernel with Classical SVM. News data is represented using TF-IDF and its dimensionality is reduced using Principal Component Analysis, then balanced using SMOTE. Feature transformation is carried out to the quantum domain through angle encoding, then applied to the QML model. Performance evaluation is carried out using accuracy, precision, recall, and F1-Score. The experimental results show that QSVC has the best performance with an accuracy of 0.629 and an F1-Score of 0.735, followed by QNN and Hybrid Quantum Kernel Classical SVM. This study proves that the quantum kernel-based approach is effective in classifying medium-dimensional text, while also demonstrating the potential of Quantum Machine Learning as an alternative method for classifying factual and hoax political news.Keywords: Quantum Machine Learning; Quantum Neural Network; Quantum Support Vector Classifier; Hybrid Quantum Kernel; News Classification AbstrakPenelitian ini menganalisis perbandingan kinerja Quantum Machine Learning dalam klasifikasi berita politik fakta dan hoaks dengan menggunakan tiga pendekatan, yaitu Quantum Neural Network (QNN), Quantum Support Vector Classifier (QSVC), dan Hybrid Quantum Kernel dengan Classical SVM. Data berita direpresentasikan menggunakan TF-IDF dan direduksi dimensinya dengan Principal Component Analysis, kemudian diseimbangkan menggunakan SMOTE. Transformasi fitur dilakukan ke domain kuantum melalui angle encoding, kemudian diterapkan pada model QML. Evaluasi kinerja dilakukan menggunakan accuracy, precision, recall, dan F1-Score. Hasil eksperimen menunjukkan QSVC memiliki performa terbaik dengan accuracy 0,629 dan F1-Score 0,735, diikuti QNN dan Hybrid Quantum Kernel Classical SVM. Penelitian ini membuktikan bahwa pendekatan berbasis quantum kernel efektif dalam klasifikasi teks berdimensi sedang, sekaligus menunjukkan potensi Quantum Machine Learning sebagai alternatif metode klasifikasi berita politik fakta dan hoaks. 
Penerapan Activity-Centered Design pada Perancangan Website SILANTIK Wulandari, Julia; Setiawan, Dedy; Abidin, Zainil
Jutisi : Jurnal Ilmiah Teknik Informatika dan Sistem Informasi Vol 14, No 3: Desember 2025
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/jutisi.v14i3.3291

Abstract

The digital transformation of local government requires information and communication technology service systems that focus on user activities to effectively support daily work processes. This study focuses on the design of the user interface and user experience of the Information System for Information and Communication Technology Services (SILANTIK) website to support services for Regional Government Organizations in the Jambi City Government. The Activity-Centered Design method was applied by emphasizing users’ primary activities in ICT inventory management and service request processes. The research stages included requirements analysis, wireframe development, interface design using Figma, and evaluation through usability testing using Maze and the System Usability Scale questionnaire. The usability testing involved eight respondents and resulted in SUS scores of 74.5 for regional government organizations, 77.5 for super administrators, and 88.75 for administrators, which fall into the Excellent category. Maze results indicated a high level of task success and efficiency. Overall, the SILANTIK interface design is considered effective and capable of providing an optimal user experience.Keywords: Activity-Centered Design; Maze; UI/UX; System Usability Scale   AbstrakTransformasi digital pemerintahan daerah memerlukan sistem layanan TIK yang berfokus pada aktivitas pengguna agar mampu mendukung pelaksanaan aktivitas kerja secara efektif. Penelitian ini berfokus pada perancangan antarmuka dan pengalaman pengguna website Sistem Informasi Layanan Teknologi Informatika Komunikasi (SILANTIK) untuk mendukung pelayanan Organisasi Perangkat Daerah di Pemerintah Kota Jambi. Metode Activity-Centered Design digunakan dengan fokus pada aktivitas utama pengguna dalam proses inventarisasi dan permohonan layanan TIK. Tahapan penelitian meliputi analisis kebutuhan, perancangan wireframe, desain antarmuka menggunakan Figma, serta evaluasi melalui usability testing dengan Maze dan kuesioner System Usability Scale. Pengujian melibatkan delapan responden dan menghasilkan skor SUS sebesar 74,5 untuk OPD, 77,5 untuk super admin, dan 88,75 untuk admin dengan kategori Excellent. Hasil Maze menunjukkan tingkat keberhasilan dan efisiensi tugas yang tinggi. Secara keseluruhan, desain SILANTIK dinilai efektif dan mampu memberikan pengalaman pengguna yang optimal. 
Analisis Kesuksesan Reporting Information System Menggunakan Model DeLone & McLean pada Kantor Jasa Penilai Publik erwan erwan; Ahmad Zulfan
Jutisi : Jurnal Ilmiah Teknik Informatika dan Sistem Informasi Vol 15, No 2 (2026): April 2026
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/jutisi.v15i2.3593

Abstract

This study examines the extent to which the Reporting Information System (RIS) implemented at the Batam branch of a public appraisal firm has achieved its intended success, evaluated through a simplified version of the DeLone & McLean IS Success Model. A sequential explanatory mixed-method design was adopted, engaging all 16 active system users as participants through a census-based approach, yielding a complete response rate. The study investigates how System Quality and Information Quality shape User Satisfaction, and how satisfaction subsequently translates into Individual Impact, combining regression analysis with in-depth thematic interviews. Findings reveal that all constructs were perceived favorably, with mean scores consistently exceeding 3.9. Information Quality emerged as the dominant predictor of User Satisfaction, which in turn strongly accounted for Individual Impact (R² = 0.82 and 0.62, respectively). Although System Quality exhibited a positive directional effect, its contribution fell short of statistical significance, attributable to the limited sample size and shared variance between predictors. Qualitative evidence reinforced the primacy of Information Quality, reflecting the output-oriented and compliance-critical nature of the system context. To optimize overall system performance, the study recommends addressing server stability issues, restructuring automated report templates, and introducing role-specific interface customization. Keywords: Information Systems; System Success; DeLone & McLean; Information Quality; User Satisfaction.AbstrakPenelitian ini bertujuan mengevaluasi sejauh mana kesuksesan Sistem Informasi RIS yang diimplementasikan pada kantor cabang Batam sebuah perusahaan jasa penilai publik, menggunakan pendekatan model DeLone & McLean yang telah diadaptasi sesuai konteks sistem. Desain penelitian yang digunakan adalah sequential explanatory dengan kombinasi metode kuantitatif dan kualitatif, melibatkan seluruh 16 pengguna aktif sebagai partisipan melalui teknik sensus sehingga diperoleh tingkat respons penuh. Penelitian mengkaji bagaimana System Quality dan Information Quality membentuk User Satisfaction, serta bagaimana kepuasan tersebut selanjutnya berdampak pada Individual Impact, melalui analisis regresi yang diperkuat wawancara tematik mendalam. Hasil penelitian menunjukkan seluruh konstruk berada pada level penilaian yang tinggi dengan rerata konsisten di atas 3,9. Information Quality terbukti menjadi prediktor dominan bagi User Satisfaction, yang kemudian secara kuat memengaruhi Individual Impact (R² = 0,82 dan 0,62). System Quality menunjukkan arah pengaruh positif namun tidak mencapai ambang signifikansi statistik, yang dikaitkan dengan keterbatasan ukuran sampel dan tingginya varians bersama antar prediktor. Bukti kualitatif memperkuat dominasi Information Quality, mencerminkan karakteristik sistem yang berorientasi pada output dalam lingkungan compliance-critical. Guna mengoptimalkan kinerja sistem secara menyeluruh, penelitian merekomendasikan perbaikan stabilitas server, restrukturisasi template laporan otomatis, dan penerapan kustomisasi antarmuka berbasis peran jabatan. 
Analisis Kinerja Smart Door Hybrid Haar Cascade dan ArcFace pada Raspberry Gautama Wijaya; Stefanus Eko Prasetyo; Haeruddin Haeruddin; Kevin Kevin
Jutisi : Jurnal Ilmiah Teknik Informatika dan Sistem Informasi Vol 15, No 2 (2026): April 2026
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/jutisi.v15i2.3537

Abstract

Implementing biometric security systems on deep learning devices faces a major challenge in balancing identity verification accuracy with computational resource efficiency. This study presents a performance analysis of a Raspberry Pi 5-based Smartdoor system integrating the detection speed of Haar Cascade with the recognition accuracy of ArcFace. System performance was evaluated based on RAM usage, CPU load, FPS stability, and access Success Rate parameters. Empirical evaluation results indicate that integrating Deep learning ArcFace increased RAM usage by 33.7% and CPU load from 33% to 53%. However, due to the processing capacity of the Raspberry Pi 5, the system maintained stable real-time performance with an average of 18.3 FPS. In terms of security, the Hybrid method proved superior with an access success rate of 73.7%, surpassing the conventional Haar Cascade method which only reached 68.4%. This study concludes that the Hybrid method is a viable solution for home security systems, where the increased computational load is justified by a significant improvement in identity verification reliability.Keyword: Raspberry Pi 5; Smartdoor; Haar Cascade; ArcFace; Computational Performance. AbstrakImplementasi sistem keamanan biometrik pada perangkat deep learning menghadapi tantangan utama dalam menyeimbangkan akurasi verifikasi dengan efisiensi sumber daya. Penelitian ini menyajikan analisis kinerja sistem Smartdoor berbasis Raspberry Pi 5 yang mengintegrasikan kecepatan deteksi Haar Cascade dengan akurasi pengenalan wajah ArcFace. Kinerja sistem dievaluasi berdasarkan parameter penggunaan RAM, beban CPU, stabilitas FPS, dan tingkat keberhasilan akses. Hasil evaluasi empiris menunjukkan bahwa integrasi Deep learning ArcFace meningkatkan penggunaan RAM sebesar 33,7% dan beban CPU dari 33% menjadi 53%. Namun, berkat kapasitas pemrosesan Raspberry Pi 5, sistem mampu mempertahankan stabilitas kinerja real-time dengan rata-rata 18,3 FPS. Dari segi keamanan, metode Hybrid terbukti lebih unggul dengan akurasi pengenalan wajah sebesar 73,7%, melampaui metode konvensional Haar Cascade yang hanya mencapai 68,4%. Penelitian ini menyimpulkan bahwa metode Hybrid merupakan solusi yang layak untuk sistem keamanan rumah, di mana peningkatan beban komputasi terbayar dengan peningkatan reliabilitas verifikasi identitas yang signifikan. 
Sistem Pakar Pendeteksi Penyakit Pernapasan Menggunakan Gradient Boosting dan Metode CNN Eva Gultom; Tony Darmanto; Jimmy Tjen
Jutisi : Jurnal Ilmiah Teknik Informatika dan Sistem Informasi Vol 15, No 2 (2026): April 2026
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/jutisi.v15i2.3601

Abstract

AbstractRespiratory diseases are among the most common illnesses in the community and are often underestimated. Low public awareness of respiratory diseases has led to a spike in mortality rates due to chronic respiratory diseases and slow treatment. One of the obstacles currently faced is that the manual diagnosis system takes a long time and requires limited specialist expertise. This study provides an expert system that can be used to detect respiratory tract diseases with two different types of input data. The Gradient Boosting algorithm is applied to improve diagnostic accuracy based on clinical data, while the CNN method is used to identify diseases using automatic features by extracting chest X-ray images. This study uses a dataset from Kaggle, which produces a data accuracy rate of 99.7% using Gradient Boosting and 95.93% using the CNN method. The accuracy results from each method show that this system can provide accurate respiratory disease detection results. Keywords: CNN; Gradient Boosting; Respiratory Disease; Expert System AbstrakPenyakit pernapasan merupakan salah satu penyakit yang sering ditemui di kalangan masyarakat dan sering diremehkan. Rendahnya tingkat kesadaran masyarakat terhadap penyakit pernapasan menyebabkan melonjaknya tingkat kematian, dikarenakan penyakit pernapasan kronis dan penanganan yang lambat. Kendala yang dihadapi saat ini salah satunya yaitu sistem diagnosis manual yang digunakan memerlukan waktu yang lama serta keahlian spesialis yang terbatas. Penelitian ini menyediakan sistem pakar yang dapat digunakan untuk mendeteksi penyakit saluran pernapasan dengan dua jenis data input yang berbeda. Algoritma Gradient Boosting diterapkan untuk meningkatkan akurasi diagnostik berdasarkan data klinis, sedangkan metode Convolutional Neural Networks (CNN) digunakan untuk mengidentifikasi penyakit menggunakan fitur otomatis dengan mengekstrak citra rontgen dada. Penelitian ini menggunakan dataset dari Kaggle, yang menghasilkan tingkat akurasi data sebesar 99,7% menggunakan Gradient Boosting dan 95,93% menggunakan metode CNN. Tingkat akurasi dari masing-masing metode menunjukkan bahwa sistem ini dapat memberikan hasil deteksi penyakit pernapasan yang akurat. 
Analisis Komparatif Arsitektur CNN untuk Klasifikasi Penyakit Daun Tebu Berbasis Transfer Learning Fakhrur Rofiq; Achmad Noercholis
Jutisi : Jurnal Ilmiah Teknik Informatika dan Sistem Informasi Vol 15, No 2 (2026): April 2026
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/jutisi.v15i2.3431

Abstract

Classifying sugarcane leaf diseases is critical in modern cultivation, because symptoms are often difficult to identify accurately through visual inspection alone. This study compares the performance of three Convolutional Neural Network (CNN) architectures Xception, EfficientNetB0, and ResNet50 using transfer learning on a dataset of 2,521 sugarcane leaf images grouped into five disease classes. A preprocessing stage, including image resizing, was applied to all samples. The data were then split into 80% training, 10% validation, and 10% testing sets. Each model was trained with the same training configuration to ensure a fair comparison, with consistent hyperparameters across experiments. Testing results indicate that EfficientNetB0 achieved the most stable performance with 99.5% accuracy, followed by ResNet50 at 98.2%, whereas Xception yielded the lowest performance due to training instability. These findings suggest that CNN architectures optimized via network-scaling efficiency better handle visual variability in sugarcane leaf disease images.Keywords: Sugarcane Leaf Disease; Transfer Learning; Xception; EfficientNetB0; ResNet50. AbstrakKlasifikasi penyakit daun tebu sangat penting dalam praktik budidaya modern, karena gejala penyakit sering kali sulit diidentifikasi secara akurat hanya melalui pengamatan visual. Studi ini mengkomparasi kinerja tiga arsitektur Convolutional Neural Network (CNN), yaitu Xception, EfficientNetB0, dan ResNet50, menggunakan pendekatan transfer learning pada dataset 2.521 citra daun tebu yang dibagi ke dalam lima kelas penyakit. Tahap pra proses yang mencakup penyesuaian ukuran diterapkan pada seluruh citra. Selanjutnya, data dibagi menjadi 80% data pelatihan, 10% data validasi, dan 10% data pengujian. Setiap model dilatih menggunakan konfigurasi pelatihan yang seragam untuk memastikan perbandingan yang adil. Hasil pengujian menunjukkan bahwa EfficientNetB0 memiliki performa paling stabil dengan akurasi 99,5%, diikuti oleh ResNet50 dengan akurasi 98,2%, sedangkan Xception menunjukkan performa terendah akibat ketidakstabilan selama pelatihan. Temuan ini menunjukkan bahwa arsitektur CNN yang dioptimalkan melalui pendekatan efisiensi skala jaringan lebih mampu menangani variasi visual pada citra penyakit daun tebu.