cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Tin budi Utami
Contact Email
Tinbudiutami@mercubuana.ac.id
Phone
+628151860196
Journal Mail Official
Tinbudiutami@mercubuana.ac.id
Editorial Address
Pusat Penelitian Universitas Mercu Buana Jakarta, Gedung D Lantai 1, Jalan Meruya Selatan No. 01, Kembangan, Jakarta Barat 11650
Location
Kota adm. jakarta barat,
Dki jakarta
INDONESIA
Jurnal Ilmu Teknik dan Komputer
Published by Universitas Mercu Buana
ISSN : 2548740X     EISSN : 26211491     DOI : https://dx.doi.org/10.22441/jitkom
Core Subject : Science, Engineering,
Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Industrial & Manufacturing Engineering
Ilmu Teknik Ilmu komputer komputasi mekanik control dan system engineering industrial dan manufacturing engineer civil engineer, building, construction dan architecture electrical dan electronics engineering
Arjuna Subject : Teknik (semua kategori) - Teknik (Lain-Lain)
Articles 165 Documents
 13   14   15   16   17 
Klasifikasi Citra untuk Menentukan Daun Segar atau Daun Layu Menggunakan Vision Transformer (ViT) untuk Otomatisasi Proses Penyortiran Daun Muhammad Aryaka Zamzami; Rivaldiansyah Pramadhan; Fariez Harman
Jurnal Ilmu Teknik dan Komputer Vol. 10 No. 1 (2026)
Publisher : Universitas Mercu Buana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/jitkom.v10i1.004

Abstract

Penelitian ini mengeksplorasi pemanfaatan arsitektur Vision Transformer (ViT) untuk klasifikasi citra daun ke dalam dua kategori, yaitu daun segar dan daun layu. Data yang digunakan berjumlah 3000 citra (gambar), diperoleh secara langsung melalui kamera smartphone, masing-masing terdiri dari 1.500 gambar daun segar dan 1.500 gambar daun layu. Model ViTForImageClassification dari Hugging Face Transformers dipilih sebagai kerangka utama, diimplementasikan menggunakan PyTorch dalam platform Google Colaboratory. 10% dataset digunakan sebagai data test guna menilai performa model yang telah melalui proses pelatihan sebelumnya sebesar 70% data train dan 20% data validasi. Berdasarkan hasil evaluasi, model ViT mampu melakukan klasifikasi dengan akurasi keseluruhan sebesar 88,9%, precision 90%, recall 89%, serta F1-score sebesar 89%. Temuan ini mengindikasikan bahwa pendekatan berbasis deep learning, khususnya Vision Transformer, memiliki potensi signifikan dalam mendukung proses penyortiran daun, pemantauan kesehatan tanaman, dan pengendalian mutu produk pertanian.
Penerapan Data Mining untuk Klasifikasi Kelayakan Konsumsi Cabai Merah dengan Algoritma SVM Rizqi Alif Permana Putra; Bimo Bagas Riyanto; Barito Surya Ramadhani; Husein Yarid Zidane
Jurnal Ilmu Teknik dan Komputer Vol. 10 No. 1 (2026)
Publisher : Universitas Mercu Buana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/jitkom.v10i1.005

Abstract

Penelitian ini berfokus pada pengembangan sistem klasifikasi untuk menentukan kelayakan konsumsi cabai merah (Capsicum annuum L.) melalui pendekatan penambangan data yang memanfaatkan algoritma Support Vector Machine (SVM). Degradasi kualitas cabai pascapanen, yang ditunjukkan oleh perubahan warna, tekstur, dan kemunculan pembusukan, merupakan tantangan signifikan dalam rantai pasok pertanian. Meskipun beragam metode klasifikasi berbasis citra telah diterapkan pada produk pertanian lain, seperti penilaian kematangan buah dan kualitas sayuran, serta deteksi penyakit tanaman, penelitian spesifik terkait kelayakan konsumsi cabai merah dengan SVM masih minim. Metodologi yang diterapkan dalam riset ini mengacu pada tahapan CRISP-DM, diawali dengan pengumpulan citra cabai merah yang telah dikelompokkan ke dalam kategori layak dan tidak layak konsumsi. Fitur-fitur visual kunci, meliputi histogram warna (RGB), kontur bentuk, dan tekstur GLCM, diekstraksi dari citra yang telah menjalani pra-pemrosesan. Model klasifikasi dibangun menggunakan SVM, dipilih karena kemampuannya dalam memproses data non-linear dan menunjukkan performa optimal pada dataset berdimensi tinggi. Evaluasi kinerja model dilakukan menggunakan metrik standar seperti akurasi, presisi, recall, dan F1-score, serta divalidasi melalui metode K-Fold Cross Validation. Hasil yang diharapkan dari penelitian ini adalah terciptanya model SVM yang efektif dan akurat dalam mengklasifikasikan kelayakan konsumsi cabai merah, sehingga dapat memberikan kontribusi penting dalam mengoptimalkan proses penyortiran dan distribusi cabai di sektor pertanian.
Analisis Citra Digital Roti Tawar untuk Identifikasi Kontaminasi Jamur Menggunakan Convolutional Neural Network Happy Lia Ananda; Alifah Alifah; Reni Nurhidayati
Jurnal Ilmu Teknik dan Komputer Vol. 10 No. 1 (2026)
Publisher : Universitas Mercu Buana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/jitkom.v10i1.006

Abstract

Kontaminasi jamur (Aspergillus sp) pada produk makanan seperti roti merupakan masalah serius dalam industri pangan karena dapat membahayakan kesehatan konsumen dan menurunkan kualitas produk. Penelitian ini bertujuan mengembangkan model klasifikasi citra berbasis Convolutional Neural Network (CNN) untuk mendeteksi kontaminasi jamur secara otomatis pada roti tawar. Dataset yang digunakan terdiri dari 2000 gambar, yang terbagi secara seimbang antara gambar roti berjamur dan tidak berjamur. Pra-pemrosesan dilakukan dengan mengubah citra ke format grayscale dan menyesuaikan resolusi ke 128x128 piksel. Model CNN dibangun menggunakan Python dengan framework Keras dan TensorFlow. Hasil pengujian menunjukkan bahwa model CNN mampu mengklasifikasikan gambar dengan akurasi 47%, presisi 47%, recall 47% dan f1-score 47%. Nilai akurasi, presisi, recall, dan f1-score yang seragam (47%) pada kedua kelas menunjukkan bahwa model gagal membedakan fitur penting dari citra roti berjamur dan tidak berjamur.Kata Kunci—CNN; deep learning; deteksi jamur; keamanan pangan; klasifikasi citra; python; roti tawar
Aplikasi Pengelolaan Data Wilayah Menggunakan RESTfull API Pada Kementerian ESDM Bagas Ahmad Faizal; Budi Sudrajat; Hasta Herlan Asymar
Jurnal Ilmu Teknik dan Komputer Vol. 10 No. 1 (2026)
Publisher : Universitas Mercu Buana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/jitkom.v10i1.008

Abstract

Penelitian ini bertujuan untuk mengembangkan sistem informasi pengelolaan data wilayah administratif berbasis RESTful API dengan menggunakan framework Laravel. Sistem ini dirancang guna mendukung kebutuhan pengelolaan data wilayah yang meliputi empat entitas utama, yaitu provinsi, kabupaten/kota, kecamatan, dan kelurahan/desa. Pengelolaan data wilayah seringkali dilakukan secara manual atau belum terintegrasi dengan baik, sehingga memunculkan kendala dalam hal efisiensi, akurasi, serta aksesibilitas data. Untuk menjamin keamanan akses, sistem menerapkan autentikasi pengguna berbasis JSON Web Token (JWT) sehingga setiap pengguna yang mengakses sistem memiliki otorisasi yang valid dan dapat dipertanggungjawabkan. Sistem ini menyediakan implementasi fungsi CRUD (Create, Read, Update, Delete) pada setiap entitas, yang memungkinkan proses pengelolaan data dilakukan secara lebih mudah, cepat, dan terstruktur. Proses pengembangan dilakukan dengan pemisahan antara sisi back-end dan front-end, di mana keduanya saling berkomunikasi melalui HTTP request. Dengan pendekatan ini, sistem menjadi lebih fleksibel, skalabel, serta mudah diintegrasikan dengan aplikasi lain sesuai kebutuhan instansi. Pengujian sistem menggunakan metode Black Box Testing untuk memastikan seluruh fitur berjalan sesuai dengan spesifikasi yang ditetapkan. Hasil pengujian menunjukkan bahwa autentikasi serta fungsi CRUD pada setiap entitas dapat berfungsi dengan baik dan menghasilkan keluaran sesuai input. Dengan adanya sistem ini, diharapkan instansi terkait mampu mengelola data wilayah secara efisien, meningkatkan kualitas layanan publik, mendukung integrasi data, serta mempercepat proses digitalisasi pemerintahan yang berkelanjutan.
Analisa Perbandingan Model Machine Learning Untuk Prediksi Dampak Kesehatan Dari Kualitas Udara Zakha Aditya Hadinsyah; Ahnaf Alvarez Sutrisno; Devies Ade Irawan
Jurnal Ilmu Teknik dan Komputer Vol. 10 No. 1 (2026)
Publisher : Universitas Mercu Buana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/jitkom.v10i1.007

Abstract

Polusi udara masih menjadi salah satu permasalahan kesehatan masyarakat yang paling serius di tingkat global, karena paparan jangka panjang terhadap polutan berbahaya dapat meningkatkan risiko penyakit pernapasan, gangguan kardiovaskular, serta angka rawat inap. Penelitian ini bertujuan untuk membandingkan kinerja prediktif dua model machine learning berbasis ensemble, yaitu Random Forest dan Extreme Gradient Boosting (XGBoost), dalam mengklasifikasikan tingkat dampak kesehatan berdasarkan indikator kualitas udara. Penelitian ini menggunakan Air Quality and Health Impact Dataset yang diperoleh dari Kaggle dan menerapkan tahapan metodologi yang sistematis, meliputi analisis data eksploratif, prapemrosesan data, penskalaan fitur, penanganan ketidakseimbangan kelas menggunakan stratified sampling dan metode Synthetic Minority Over-sampling Technique (SMOTE), pembangunan model baseline, serta optimasi hiperparameter menggunakan RandomizedSearchCV. Dataset mencakup konsentrasi polutan udara (PM2.5, PM10, NO₂, SO₂, dan O₃), variabel meteorologi, serta indikator kesehatan harian. Hasil eksperimen menunjukkan bahwa kedua model mampu mempelajari pola hubungan antara paparan polusi udara dan risiko kesehatan masyarakat, namun XGBoost secara konsisten menunjukkan performa yang lebih unggul dibandingkan Random Forest. Setelah proses tuning, model XGBoost mencapai tingkat akurasi sebesar 0,9003 dengan nilai F1-score tertimbang sebesar 0,8902. Analisis feature importance menunjukkan bahwa indeks kualitas udara, partikulat PM2.5 dan PM10, konsentrasi ozon, serta jumlah rawat inap merupakan faktor yang paling berpengaruh dalam proses klasifikasi. Secara keseluruhan, hasil penelitian ini menegaskan bahwa Extreme Gradient Boosting merupakan pendekatan yang andal dan efektif untuk memprediksi dampak kesehatan akibat kualitas udara, serta memiliki potensi besar untuk mendukung pengembangan sistem peringatan dini dan kebijakan kesehatan lingkungan berbasis data.

Page 17 of 17 | Total Record : 165

 13   14   15   16   17 

Filter by Year

2017 2026


Reset
Filter By Issues
All Issue Vol. 10 No. 1 (2026) Vol 10, No 1 (2026) Vol 9, No 2 (2025) Vol 9, No 1 (2025) Vol 8, No 2 (2024) Vol 8, No 1 (2024) Vol 7, No 2 (2023) Vol 7, No 1 (2023) Vol 6, No 2 (2022) Vol 6, No 1 (2022) Vol 5, No 2 (2021) Vol 5, No 1 (2021) Vol 4, No 2 (2020) Vol 4, No 1 (2020) Vol 3, No 2 (2019) Vol 3, No 1 (2019) Vol 2, No 1 (2018) Vol 1, No 1 (2017) More Issue