cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Wire Bagye
Contact Email
wirestmik@gmail.com
Phone
-
Journal Mail Official
jirestmiklombok@gmail.com
Editorial Address
-
Location
Kab. lombok tengah,
Nusa tenggara barat
INDONESIA
Jurnal Informatika dan Rekayasa Elektronik
Published by Sekolah Tinggi Manajemen dan Informatika Komputer Lombok
ISSN : 26206900     EISSN : 26206897     DOI : -
Core Subject : Science,
Computer Science & IT
JIRE (Jurnal Informatika dan Rekayasa Elektronik) (eISSN: 2620-6900) diterbitkan oleh LPPM STMIK Lombok sebagai wadah untuk mempublikasikan artikel tentang pengetahuan baru dan penelitian dengan isu terkini yang berkaiatan dengan teknologi informasi, dengan topik Networks, Internet and Mobile Computing, Informatics Technology dan Engineering Jurnal ini terbit 2 (dua) kali dalam setahun yaitu pada bulan April dan Nopember.
Arjuna Subject : -
Articles 244 Documents
 21   22   23   24   25 
ANALISIS EFISIENSI ENERGI PADA SISTEM OTOMATISASI LAMPU TAMAN BERBASIS SENSOR BH1750 DAN ARDUINO UNO Susanta, Muhamad Hilmansyah; sururi
Jurnal Informatika dan Rekayasa Elektronik Vol. 9 No. 1 (2026): JIRE April 2026
Publisher : LPPM STMIK Lombok

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36595/jire.v9i1.2002

Abstract

Peningkatan konsumsi energi listrik mendorong perlunya penerapan sistem yang lebih efisien, khususnya pada pencahayaan luar ruangan yang umumnya masih dikendalikan secara manual. Penelitian ini bertujuan mengembangkan sistem otomatisasi lampu taman berbasis Arduino Uno R3 dengan memanfaatkan sensor BH1750 Light Intensity Sensor Module sebagai pengukur intensitas cahaya dalam satuan lux. Keunggulan penelitian ini terletak pada penggunaan sensor digital yang mampu memberikan keluaran iluminansi secara langsung, sehingga meningkatkan keakuratan dan konsistensi data dibandingkan sensor analog seperti LDR. Sistem bekerja menggunakan metode ambang batas sebesar 30 lux, di mana lampu akan aktif ketika intensitas cahaya berada di bawah nilai tersebut dan nonaktif ketika berada di atasnya. Hasil pengujian memperlihatkan bahwa sistem mampu merespons perubahan kondisi pencahayaan secara konsisten pada dua skenario waktu (pagi dan sore), dengan rentang pengukuran antara 2 hingga 865 lux. Selain itu, sistem menunjukkan kinerja yang stabil dengan respons pengendalian relay yang cepat. Dibandingkan dengan penelitian sebelumnya, pendekatan ini memberikan peningkatan pada aspek akurasi dan kestabilan pembacaan. Meskipun demikian, penggunaan ambang batas tetap masih menjadi keterbatasan, sehingga diperlukan pengembangan lebih lanjut menuju sistem kontrol yang lebih adaptif terhadap dinamika lingkungan
KLASIFIKASI JENIS TANAMAN ANGGREK MENGGUNAKAN ARSITEKTUR MOBILENETV2 A. A. Dea Karista Dewi; Erawati Dewi, Luh Joni; Marti, Ni Wayan
Jurnal Informatika dan Rekayasa Elektronik Vol. 9 No. 1 (2026): JIRE April 2026
Publisher : LPPM STMIK Lombok

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36595/jire.v9i1.2005

Abstract

Anggrek adalah jenis tanaman hias yang kaya akan keragaman bentuk, warna, serta ukuran bunganya yang unik. Banyaknya jenis anggrek membuat identifikasi secara langsung sering kali menyulitkan dan umumnya membutuhkan kemampuan serta pengalaman khusus. Oleh karena itu, dibutuhkan cara otomatis agar pengenalan jenis anggrek dapat dilakukan dengan lebih praktis dan efisien. Dalam penelitian ini, dikembangkan sistem klasifikasi citra tanaman anggrek berbasis deep learning dengan menggunakan arsitektur MobileNetV2. Dataset yang digunakan sebanyak 2.500 citra yang diklasifikasikan ke dalam lima kategori, yakni Cattleya, Dendrobium, Oncidium, Phalaenopsis, dan Vanda. Pelatihan model dilakukan melalui beberapa variasi pengaturan hyperparameter, seperti batch size yaitu 16 dan 32, serta jumlah epoch sebesar 25 dan 50, dengan nilai learning rate ditetapkan sebesar 0,001. Sementara itu, evaluasi model dilakukan menggunakan confusion matrix dengan metrik akurasi, precision, recall, dan F1-score. Hasil pengujian menunjukkan bahwa kinerja optimal dicapai pada penggunaan batch size 32 dan epoch 50 dengan nilai akurasi, precision, recall, dan F1-score mencapai 99,60%. Temuan ini menegaskan bahwa variasi hyperparameter berpengaruh terhadap kinerja model dan MobileNetV2 mampu memberikan performa klasifikasi yang tinggi dan stabil. Penelitian ini berkontribusi dalam memberikan metode klasifikasi citra tanaman anggrek yang efektif serta menunjukkan bahwa pemilihan hyperparameter yang tepat dapat meningkatkan kinerja model secara signifikan.
KLASIFIKASI PENYAKIT DAUN TOMAT BERBASIS TRANSFER LEARNING EFFICIENTNETB0 Sapanca, Ganeis; Suputra, Putu Hendra; Ni Wayan, Marti
Jurnal Informatika dan Rekayasa Elektronik Vol. 9 No. 1 (2026): JIRE April 2026
Publisher : LPPM STMIK Lombok

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36595/jire.v9i1.2006

Abstract

Penyakit daun tomat seperti Early Blight dan Late Blight menjadi ancaman serius terhadap produktivitas pertanian yang memerlukan deteksi dini untuk mencegah kerugian hasil panen. Penelitian ini mengembangkan sistem klasifikasi penyakit daun tomat menggunakan arsitektur EfficientNetB0 dengan metode transfer learning untuk mengidentifikasi tiga kategori kondisi daun Early Blight, Healthy, dan Late Blight. Dataset terdiri dari 1.425 gambar yang dibagi dengan rasio 80:20 dan ditingkatkan menjadi 4.557 gambar training melalui teknik augmentasi data. Empat skenario eksperimen dilakukan dengan variasi batch size (16 dan 32) serta jumlah epoch (25 dan 50) untuk mengidentifikasi konfigurasi hyperparameter optimal. Hasil evaluasi menunjukkan bahwa model dengan batch size 16 dan epoch 50 menghasilkan performa terbaik dengan test accuracy 92.55%, precision 92.82%, recall 92.55%, dan F1-score 92.39%. Performa per-kelas mencapai Early Blight (F1-score 92.46%), Healthy (F1-score 96.26% dengan recall sempurna 100%), dan Late Blight (F1-score 88.30%). Analisis komparatif membuktikan batch size 16 konsisten unggul dibanding batch size 32 dengan selisih akurasi 4.21%, dan peningkatan epoch dari 25 ke 50 memberikan kenaikan 2.10% terutama pada deteksi Early Blight. Model yang dikembangkan memenuhi standar aplikasi praktis dengan akurasi tinggi dan waktu training efisien, berpotensi membantu petani melakukan deteksi dini penyakit untuk meningkatkan produktivitas tanaman tomat.
DETEKSI AKTIVITAS MENCURIGAKAN PADA LOG NGINX MENGGUNAKAN ISOLATION FOREST BERBASIS ANALISIS PERILAKU Yuranda, Rezky; Wahyuningsih, Delpiah; Romadiana, Parlia
Jurnal Informatika dan Rekayasa Elektronik Vol. 9 No. 1 (2026): JIRE April 2026
Publisher : LPPM STMIK Lombok

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36595/jire.v9i1.2007

Abstract

Audit keamanan pada log web server menjadi tantangan akibat volume data yang besar serta keterbatasan proses analisis manual. Penelitian ini mengusulkan pendekatan deteksi anomali berbasis perilaku untuk mengidentifikasi aktivitas mencurigakan pada log Nginx menggunakan metode unsupervised learning. Kontribusi utama penelitian ini terletak pada integrasi fitur perilaku berbasis agregasi waktu (time windowing), meliputi request count, burstiness, rasio kesalahan (4xx), dan jumlah URL unik, untuk merepresentasikan pola akses pengguna tanpa memerlukan data berlabel. Deteksi anomali dilakukan menggunakan Isolation Forest, Local Outlier Factor (LOF), dan One-Class SVM, dengan evaluasi berbasis weak labelyang dikombinasikan dengan analisis distribusi fitur dan validasi perilaku. Hasil eksperimen menunjukkan bahwa Isolation Forest memberikan performa terbaik dengan nilai F1-score sebesar 0.285, diikuti oleh One-Class SVM (0.191) dan LOF (0.057), yang menunjukkan keunggulan metode berbasis isolasi dalam menangkap pola anomali pada data agregasi waktu. Analisis lebih lanjut menunjukkan bahwa data yang terdeteksi sebagai anomali memiliki karakteristik yang konsisten dengan aktivitas mencurigakan seperti web scanning dan automated bot crawling. Hasil ini menunjukkan bahwa pendekatan berbasis fitur perilaku dapat menjadi solusi awal yang efektif dan scalable untuk deteksi anomali pada log web server dalam kondisi tanpa label.

Page 25 of 25 | Total Record : 244

 21   22   23   24   25 

Filter by Year

2018 2026


Reset
Filter By Issues
All Issue Vol. 9 No. 1 (2026): JIRE April 2026 Vol. 8 No. 2 (2025): JIRE November 2025 Vol. 8 No. 1 (2025): JIRE APRIL 2025 Vol. 7 No. 2 (2024): JIRE NOPEMBER 2024 Vol. 7 No. 1 (2024): JIRE APRIL 2024 Vol. 6 No. 2 (2023): Jire Nopember 2023 Vol. 6 No. 1 (2023): JIRE April 2023 Vol. 5 No. 2 (2022): JIRE Nopember 2022 Vol. 5 No. 1 (2022): JIRE April 2022 Vol. 4 No. 2 (2021): JIRE NOVEMBER 2021 Vol. 4 No. 1 (2021): JIRE April 2021 Vol. 3 No. 2 (2020): JIRE Nopember 2020 Vol. 3 No. 1 (2020): JIRE April 2020 Vol. 2 No. 2 (2019): JIRE Nopember 2019 Vol. 2 No. 1 (2019): JIRE April 2019 Vol. 1 No. 2 (2018): JIRE Nopember 2018 Vol. 1 No. 1 (2018): JIRE April 2018 More Issue