Garuda - Garba Rujukan Digital

OPTIMASI DEEP LEARNING DAN KLASTERING UNTUK DETEKSI OBJEK SERTA SEGMENTASI CITRA MEDIS Muhammad Yusril Fauzi; Alam Rahmatullah
JEIS: Jurnal Elektro dan Informatika Swadharma Vol 6, No 1 (2026): JEIS EDISI JANUARI 2026
Publisher : Institut Teknologi dan Bisnis Swadharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56486/jeis.vol6no1.1063

This study proposes a hybrid image processing framework that integrates deep learning and clustering techniques to address various challenges in automated visual analysis, including noise, low resolution, and domain variability. Deep learning models such as CNNs, U-Nets, and Swin Transformers are used for hierarchical feature learning. At the same time, clustering methods like K-Means and HAC offer lightweight unsupervised alternatives that do not require annotated data. Three approaches that are pure deep learning, pure clustering, and a hybrid combination are developed and evaluated for object detection and image segmentation using public datasets such as DRIVE and ACDC, with preprocessing techniques including filtering, normalization, resizing, and augmentation. The results show that the hybrid framework achieves a better balance between accuracy and computational efficiency, with improved IoU, DSC, and mAP values compared to either method alone. The pure deep learning approach provides the highest accuracy but requires more computational resources, while the clustering-based method offers faster processing at a cost of reduced precision. The study concludes that the hybrid methodology provides an adaptive and flexible solution across domains.Penelitian ini bertujuan untuk mengusulkan sebuah kerangka pemrosesan citra hibrida yang mengintegrasikan teknik deep learning dan klastering untuk mengatasi berbagai tantangan dalam analisis visual otomatis, termasuk noise, resolusi rendah, dan variabilitas domain. Model deep learning seperti CNN, U-Net, dan Swin Transformer digunakan untuk pembelajaran fitur secara hierarkis, sedangkan metode klastering seperti K-Means dan HAC menawarkan alternatif unsupervised yang ringan dan tidak memerlukan data beranotasi. Tiga pendekatan deep learning murni, klastering murni, dan kombinasi hibrida dikembangkan dan dievaluasi untuk melakukan deteksi objek dan segmentasi citra menggunakan dataset publik seperti DRIVE dan ACDC, dengan dukungan teknik prapemrosesan berupa filtering, normalisasi, pengubahan ukuran, dan augmentasi. Hasil penelitian menunjukkan bahwa kerangka hibrida mencapai keseimbangan yang lebih baik antara akurasi dan efisiensi komputasi, dengan peningkatan nilai IoU, DSC, dan mAP dibandingkan metode tunggal. Pendekatan deep learning murni memberikan akurasi tertinggi namun membutuhkan sumber daya komputasi yang lebih besar, sementara metode berbasis klastering menawarkan pemrosesan lebih cepat dengan penurunan presisi. Studi ini menyimpulkan bahwa metodologi hibrida memberikan solusi yang adaptif dan fleksibel lintas domain.

PENGEMBANGAN APLIKASI PEMBELAJARAN BAHASA SUNDA UNTUK MATA PELAJARAN BAHASA SUNDA DI SMA LABSCHOOL UPI CIBIRU Chandra Mahendra; Bagas Fathin; Fikri Umar; Luthfiansyah Dzikri; Rizky Aufar
JEIS: Jurnal Elektro dan Informatika Swadharma Vol 6, No 1 (2026): JEIS EDISI JANUARI 2026
Publisher : Institut Teknologi dan Bisnis Swadharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56486/jeis.vol6no1.1069

The research is based on the decline in adolescents’ interest and proficiency in the Sundanese language, particularly among high school students. This study aims to address this problem by developing Sundanese language-learning software to complement educational resources for Sundanese Language and Literature studies at SMA Labschool UPI Cibiru. The digital application is expected to be scientifically valid, easy to use, and have a tangible impact on fostering student participation and content mastery. The development approach employed is Research & Development using the ADDIE framework (Analysis, Design, Development, Implementation, Evaluation). The analysis phase identifies students’ learning needs and characteristics. Afterward, a sketch of the application flow is created, and an initial version is developed, containing lesson content, interactive activities, vocabulary, and Sundanese cultural nuances, all within an easy-to-use interface. The research results are a Sundanese language-learning application that has been tested by subject-matter experts, media experts, and active teachers, and then piloted by students. The test results indicate that the application is deemed appropriate by the assessors and well-received by students. This application can serve as a new learning tool that makes the learning process more engaging, independent, and relevant, and is expected to help maintain the existence of the Sundanese language among adolescents.Penelitian didasarkan terjadinya penurunan minat dan kemampuan berbahasa Sunda pada remaja, terutama peserta didik SMA. Penelitian ini bertujuan menyediakan solusi terhadap permasalahan tersebut dengan mengembangkan perangkat lunak pembelajaran bahasa Sunda sebagai pelengkap sarana pendidikan untuk bidang kajian Bahasa dan Sastra Sunda di SMA Labschool UPI Cibiru. Aplikasi digital diharapkan sah secara ilmiah, mudah digunakan, juga memberi dampak nyata guna menumbuhkan partisipasi sekaligus penguasaan konten oleh murid. Pendekatan pengembangan yang diterapkan yaitu Riset & Pengembangan menggunakan kerangka ADDIE (Analisis, Desain, Produksi, Penerapan, Evaluasi). Tahap analisis mencari tahu kebutuhan belajar dan ciri-ciri peserta didik. Setelah itu, dibuat sketsa alur aplikasi sekaligus menyusun versi awal yang berisi isi pelajaran, aktivitas interaktif, kosa kata, juga nuansa budaya Sunda dengan tampilan yang mudah digunakan. Hasil penelitian berupa aplikasi pembelajaran bahasa Sunda yang telah diuji oleh pakar materi, pakar media, serta guru aktif, lalu diuji coba juga oleh murid. Hasil pengujian menunjukkan aplikasi dinilai sesuai oleh para penilai dan diterima baik oleh murid. Aplikasi ini dapat menjadi sarana pembelajaran baru yang membantu proses belajar lebih seru, mandiri, dan relevan, sehingga diharap mampu ikut menjaga eksistensi bahasa Sunda di kalangan remaja

ANALISIS PERBANDINGAN EFISIENSI ALGORITMA INTROSORT DENGAN ALGORITMA TRADISIONAL BUBBLE SORT DAN SELECTION SORT Salsabila Amanda; Lilina Dwi Anastasya; Fira Sulistia; Nafisa Purnamasari; Imam Prayogo Pujiono
JEIS: Jurnal Elektro dan Informatika Swadharma Vol 6, No 1 (2026): JEIS EDISI JANUARI 2026
Publisher : Institut Teknologi dan Bisnis Swadharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56486/jeis.vol6no1.1086

Data sorting is a fundamental operation that significantly impacts the performance of various computing applications. In C++, developers can choose from traditional sorting algorithms, such as Bubble sort and Selection sort, as well as modern algorithms, such as Introsort. This study aims to analyze and compare the efficiency of the Introsort, Bubble sort, and Selection sort algorithms in terms of execution time and memory usage. The method used is a comparative experiment with three random data sizes: 100, 1,000, and 10,000 elements. Each scenario is tested three times using a recursive C++ implementation on a Lenovo Ideapad 1i laptop with an Intel Celeron N4020 processor, 8 GB of RAM, and a 477 GB SSD. Execution time is measured using the std::chrono library, while memory usage is measured using the getMemoryUsage() function. The results show that Introsort is consistently the fastest algorithm for all data sizes. At 10,000 elements, the average execution time of Introsort is about 2.88 ms, while Bubble sort and Selection sort are about 1,303 ms and 1,067 ms, respectively. Thus, Introsort is about 450 times faster than Bubble sort and 370 times faster than Selection sort on large datasets, while the difference in memory usage among the three algorithms is under 0.15 MB. These findings indicate that choosing a modern algorithm like Introsort is highly recommended for sorting large data sets in C++. In contrast, traditional algorithms are more appropriate for learning scenarios or small datasets.Pengurutan data merupakan operasi dasar yang sangat memengaruhi kinerja berbagai aplikasi komputasi. Pada bahasa pemrograman C++, pengembang dapat memilih algoritma pengurutan tradisional seperti Bubble sort dan Selection sort, maupun algoritma modern seperti Introsort. Penelitian ini bertujuan menganalisis dan membandingkan efisiensi algoritma Introsort, Bubble sort, dan Selection sort berdasarkan waktu eksekusi dan penggunaan memori. Metode yang digunakan adalah eksperimen komparatif dengan tiga skala ukuran data acak, yaitu 100, 1.000, dan 10.000 elemen. Setiap skenario diuji sebanyak tiga kali menggunakan implementasi rekursif C++ pada laptop Lenovo Ideapad 1i dengan prosesor Intel Celeron N4020, RAM 8 GB, dan SSD 477 GB. Waktu eksekusi diukur menggunakan pustaka std::chrono, sedangkan penggunaan memori diukur dengan fungsi getMemoryUsage(). Hasil menunjukkan bahwa Introsort secara konsisten menjadi algoritma paling cepat untuk seluruh ukuran data. Pada 10.000 elemen, rata-rata waktu eksekusi Introsort sekitar 2,88 ms, sedangkan Bubble sort dan Selection sort masing-masing sekitar 1.303 ms dan 1.067 ms. Dengan demikian, Introsort sekitar 450 kali lebih cepat daripada Bubble sort dan 370 kali lebih cepat daripada Selection sort pada skala data besar, sementara perbedaan penggunaan memori di antara ketiga algoritma berada di bawah 0,15 MB. Temuan ini mengindikasikan bahwa pemilihan algoritma modern seperti Introsort sangat disarankan untuk pengurutan data berukuran besar di C++, sedangkan algoritma tradisional lebih tepat digunakan untuk skenario pembelajaran atau dataset kecil

ANALISIS SENTIMEN ULASAN GAME DELTA FORCE MOBILE MENGGUNAKAN NAIVE BAYES DAN SUPPORT VECTOR MACHINE Faiz Najwan Zaky; Muhamad Rendi Gibran; Sumanto Sumanto; Jefina Tri Kumalasari; Ghofar Taufiq; Ade Christian
JEIS: Jurnal Elektro dan Informatika Swadharma Vol 6, No 1 (2026): JEIS EDISI JANUARI 2026
Publisher : Institut Teknologi dan Bisnis Swadharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56486/jeis.vol6no1.1115

This study aims to analyze sentiment in Delta Force Mobile reviews on the Google Play Store using Naive Bayes and Support Vector Machines. Sentiment classification in reviews helps game developers understand player sentiment and improve user satisfaction. The method used is the KDD framework, which focuses on web scraping, text cleaning, tokenization, stemming, and TF-IDF for data weighting. The experimental data consisted of 29,454 reviews, with a peak accuracy rate of 86.17%. The study found a significant improvement in SVM’s ability to classify negative sentiment accurately. SVM had a score of 0.69, while Naive Bayes had a score of 0.56. This indicates that SVM is more accurate at classifying reviews that contain technical complaints, such as lag and bugs.Penelitian ini bertujuan menganalisis sentimen pada ulasan Delta Force Mobile di Google Play Store menggunakan Naive Bayes dan Support Vector Machine. Klasifikasi sentimen dalam ulasan digunakan untuk membantu pengembang game memahami sentimen pemain dan membantu meningkatkan kepuasan pengguna. Metode yang digunakan yaitu kerangka kerja KDD yang berfokus pada web scraping, pembersihan teks, tokenisasi, stemming, dan TF-IDF untuk memberi bobot pada data. Data yang digunakan dalam eksperimen berjumlah 29.454 ulasan, dengan tingkat akurasi tertinggi sebesar 86.17%. Hasil penelitian mendapatkan temuan signifikan bahwa SVM memiliki kemampuan yang lebih baik dalam mengklasifikasikan sentimen negatif secara akurat. SVM memiliki nilai 0,69 dan Naive Bayes memiliki nilai 0,56. Hal ini menunjukan bahwa SVM lebih akurat dalam mengklasifikasikan ulasan yang mengandung keluhan teknis seperti lag dan bug.

PERANCANGAN JARINGAN LAN DENGAN METODE ROUTING INFORMATION PROTOCOL (RIP) VERSION 2 PADA PT. BERKARYA BERSAMA ANAK BANGSA Khusnul Khoiriyah; Lela Nurlaela; Andy Dharmalau
JEIS: Jurnal Elektro dan Informatika Swadharma Vol 6, No 1 (2026): JEIS EDISI JANUARI 2026
Publisher : Institut Teknologi dan Bisnis Swadharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56486/jeis.vol6no1.1201

PT. Berkarya Bersama Anak Bangsa faced challenges with network installation and management due to unclear network segmentation and an inadequate LAN configuration. To address these issues, this study aimed to adopt the RIP Version 2 method for designing a LAN network. RIP Version 2 was chosen for its ability to dynamically adapt to topology changes and ensure fast and effective routing updates. Implementation of this method involved configuring routers to divide and connect network segments, which was expected to improve IP address efficiency and overall network performance. The results showed that implementing RIP Version 2 successfully improved network infrastructure layout, simplified network management and maintenance, and significantly improved network performance. RIP Version 2 implementation at PT. Berkarya Bersama Anak Bangsa successfully resolved network issues, improved security, and minimized the risk of data breaches.PT. Berkarya Bersama Anak Bangsa menghadapi permasalahan dalam instalasi dan manajemen jaringan yang disebabkan oleh kurangnya pembagian segmen jaringan yang jelas dan konfigurasi segmentasi LAN yang tidak optimal. Untuk mengatasi masalah ini, penelitian ini dilakukan dengan tujuan mengadopsi metode RIP Version 2 untuk merancang jaringan LAN. Metode RIP Version 2 dipilih karena kemampuannya untuk beradaptasi secara dinamis terhadap perubahan topologi dan memastikan pembaruan routing yang cepat dan efektif. Implementasi metode ini melibatkan konfigurasi router untuk membagi dan menghubungkan segmen-segmen jaringan, yang diharapkan dapat meningkatkan efisiensi penggunaan IP address dan kinerja jaringan secara keseluruhan. Hasil penelitian menunjukkan bahwa penerapan RIP Version 2 berhasil meningkatkan tatanan infrastruktur jaringan, mempermudah pengelolaan dan pemeliharaan jaringan, serta meningkatkan performa jaringan secara signifikan. Implementasi RIP Version 2 di PT. Berkarya Bersama Anak Bangsa berhasil mengatasi masalah jaringan, meningkatkan keamanan, dan meminimalkan risiko kebocoran data

OPTIMASI INTER-VLAN ROUTING JARINGAN WIRELESS MENGGUNAKAN METODE NETWORK DEVELOPMENT LIFE CYCLE PADA CROWN HORECA Andy Dharmalau; Lela Nurlaela; Khusnul Khoiriyah; Tuhfatul Habibah Hasibuan; Artha Murin
JEIS: Jurnal Elektro dan Informatika Swadharma Vol 6, No 2 (2026): JEIS EDISI JULI 2026
Publisher : Institut Teknologi dan Bisnis Swadharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56486/jeis.vol6no2.951

Information technology, particularly computer networks, has become a fundamental aspect in various fields, including economics, education, communications, and entertainment. Crown Horeca already has several network devices and uses the internet. Instability often occurs in the wireless network used due to high traffic exceeding capacity. Wireless network optimisation is needed to improve efficiency and the quality of network service. The purpose of this research is to design a Virtual Local Area Network (VLAN) using Inter-VLAN Routing techniques to improve performance and network segmentation management. The study used the Network Development Life Cycle (NDLC) method with data collection techniques of direct observation, interviews, and literature review. Ping test results showed no Request Time Out (RTO), indicating stable inter-floor connections. Message delivery between devices on the network, as simulated in Packet Tracer, ran smoothly, proving that inter-VLAN communication was functioning as expected.Teknologi informasi, khususnya dalam jaringan komputer, telah menjadi aspek mendasar dalam berbagai bidang, termasuk perekonomian, pendidikan, komunikasi, dan hiburan. Crown Horeca telah memiliki beberapa perangkat jaringan dan menggunakan jaringan internet. Ketidakstabilan sering kali terjadi pada jaringan wireless yang digunakan karena tingginya trafik yang melebihi kapasitas. Diperlukan optimasi jaringan wireless guna meningkatkan efisiensi dan kualitas layanan jaringan. Tujuan penelitian untuk merancang jaringan Virtual Local Area Network (VLAN) menggunakan teknik Inter-VLAN Routing untuk meningkatkan performa dan manajemen segmentasi jaringan. Penelitian menggunakan metode Network Development Life Cycle (NDLC) dengan teknik pengumpulan data observasi langsung, wawancara dan studi pustaka. Hasil pengujian ping menunjukkan tidak adanya Request Time Out (RTO), menunjukkan koneksi antar lantai berjalan stabil. Pengiriman pesan antar perangkat di jaringan menggunakan simulasi Packet Tracer berjalan lancar, membuktikan bahwa komunikasi antar VLAN berjalan dengan baik dan sesuai harapan.

ANALISA EFISIENSI WAKTU KOMPUTASI DAN PENGGUNAAN MEMORI PADA ENAM ALGORITMA PENGURUTAN Nafisha Putri Arsita; Rahma Syarifa; Tsaqib Fahmi Ahmad; Imam Prayogo Pujiono
JEIS: Jurnal Elektro dan Informatika Swadharma Vol 6, No 2 (2026): JEIS EDISI JULI 2026
Publisher : Institut Teknologi dan Bisnis Swadharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56486/jeis.vol6no2.1071

This study aims to analyze and compare the performance of six sorting algorithms (Tim Sort, Bubble Sort, Selection Sort, Insertion Sort, Quick Sort, and Merge Sort) in terms of computational time efficiency and memory usage. Implementation was carried out in Java using Visual Studio Code as the development environment, and testing was conducted on a device with an Intel Core i7-8665U (1.02 GHz) processor, 8 GB of RAM, a 64-bit Operating System, and a 256 GB SSD. All algorithms were tested using three different dataset sizes, namely 100, 1,000, and 5,000 data points, each with three repetitions to obtain more accurate results. Based on the test, Tim Sort showed the most efficient performance, maintaining stable computational time and memory usage across all dataset sizes. Quick Sort and Merge Sort have also been shown to perform well, especially for large data, in contrast to Bubble Sort, Selection Sort, and Insertion Sort, which become less efficient as data grows due to significantly increased processing time. Overall, this study concludes that Tim Sort is the most optimal algorithm in terms of speed and memory efficiency. Quick Sort and Merge Sort are recommended for sorting large-scale data. At the same time, basic algorithms like Bubble Sort, Selection Sort, and Insertion Sort are better suited to small datasets or to learning sorting concepts.Penelitian ini bertujuan untuk manganalisis dan membandingkan performa enam algortima sorting (Tim Sort, Bubble Sort, Selection Sort, Insertion Sort, Quick Sort, dan Merge Sort) dari aspek efisiensi waktu komputasi dan penggunaan memori. Implementasi dilakukan menggunakan Bahasa pemrograman Java melalui Visual Studio Code sebagai lingkungan pengembangan, dan pengujian dijalankan pada perangkat dengan spesifikasi Intel Core i7-8665U (1,02 GHz), RAM 8 GB, Sistem Operasi 64-bit, serta SSD 256 GB. Semua algoritma diuji menggunakan tiga perbedaan ukuran dataset, yaitu 100 data, 1.000 data, dan 5.000 data, masing-masing dengan tiga kali pengulangan untuk mendapatkan hasil yang lebih akurat. Berdasarkan pengujian ditemukan bahwa Tim Sort menunjukkan kinerja yang paling efisien, mempertahankan waktu komputasi, dan pemakaian memori yang stabil pada semua ukuran dataset. Quick Sort dan Merge Sort juga terbukti memiliki performa kuat, khususnya ketika menangani data berukuran besar, berbeda dengan Bubble Sort, Selection Sort, dan Insertion Sort yang menjadi kurang efisien karena peningkatan waktu proses yang signifikan seiring pertumbuhan data. Secara keseluruhan, penelitian ini menyimpulkan bahwa Tim Sort merupakan algoritma yang paling optimal dalam aspek kecepatan dan efisiensi memori. Adapun Quick Sort dan Merge Sort direkomendasikan untuk pengurutan data dalam skala besar, sedangkan algoritma dasar seperti Bubble Sort, Selection Sort, dan Insertion Sort lebih sesuai digunakan untuk dataset kecil atau keperluan pembelajaran konsep pengurutan

DETEKSI KERUSAKAN JALAN MENGGUNAKAN CONVOLUTIONNAL NEURAL NETWORK (CNN) Muhammad Haikal Abidin; Iman Febriansya Putra; Sumanto Sumanto; Ade Christian; Jefina Tri Kumalasari; Ghofar Taufiq
JEIS: Jurnal Elektro dan Informatika Swadharma Vol 6, No 2 (2026): JEIS EDISI JULI 2026
Publisher : Institut Teknologi dan Bisnis Swadharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56486/jeis.vol6no2.1145

Road surface damage is a critical issue that can impact road user safety, transportation efficiency, and infrastructure maintenance costs. Manual road inspection methods are still widely used, but they suffer from subjective assessments that can result in inconsistent data. Therefore, an automated approach using artificial intelligence technology is needed to improve the accuracy and efficiency of road damage detection. This research aims to develop a road damage detection system using a deep learning approach based on Convolutional Neural Networks (CNN). The detection model was trained using an annotated road image dataset covering various types of road surface damage. The training and evaluation processes were conducted using an object detection architecture that included mean average precision (mAP), precision, and recall. Test results show that the CNN model can automatically detect road damage with fairly good performance. However, system performance is still affected by the limited dataset size, class imbalance, and variations in environmental conditions. The developed system has the potential to be a decision-support tool for more effective and data-driven road infrastructure maintenance.Kerusakan permukaan jalan merupakan masalah penting yang dapat memengaruhi keselamatan pengguna jalan, efisiensi transportasi, dan biaya pemeliharaan infratruktur. Metode inspeksi jalan secara manual masih banyak dipakai, memiliki kelemahan adanya subjektivitas penilaian, yang dapat menghasilkan data yang tidak konsisten. Oleh karena itu, dibutuhkan pendekatan otomatis menggunakan teknologi kecerdasan buatan untuk meningkatkan akurasi dan efisiensi deteksi kerusakan jalan. Penelitian ini bertujuan mengembangkan sistem deteksi kerusakan jalan dengan pendekatan deep learning berbasis Convolutional Neural Network (CNN). Model deteksi dilatih menggunakan dataset citra jalan yang mencakup berbagai jenis kerusakan permukaan jalan. Proses pelatihan dan evaluasi dilakukan dengan arsitektur deteksi objek seperti mean average precision (mAP), precision, dan recall. Hasil pengujian menunjukan bahwa model CNN dapat mendeteksi kerusakan jalan secara otomatis dengan kinerja yang cukup baik. Namun, performa sistem masih dipengaruhi oleh keterbatasan jumlah dataset, ketidakseimbangan kelas, dan variasi kondisi lingkungan. Sistem yang dikembangkan berpotensi menjadi alat pendukung pengambilan keputusan untuk pemeliharaan infrastruktur jalan yang lebih efektif dan berbasis data

ANALISIS SENTIMEN PENGELOMPOKAN PENGGUNA APLIKASI PINJAMAN ONLINE DENGAN ALGORITMA K-MEANS Sri Ipnuwati; Sabda Iman Ramadian; Didi Susianto; Yodhi Yuniarte
JEIS: Jurnal Elektro dan Informatika Swadharma Vol 6, No 2 (2026): JEIS EDISI JULI 2026
Publisher : Institut Teknologi dan Bisnis Swadharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56486/jeis.vol6no2.1352

The development of online lending services within financial technology has made financing easier for the public. Still, it has also given rise to problems such as high interest rates, a lack of cost transparency, and service issues that lead to user complaints. These issues are reflected in the large number of unstructured user reviews on the Google Play Store, making them difficult to analyze manually. This situation requires applying data-driven analysis methods to understand sentiment patterns and user characteristics in online lending applications. This study aims to analyze sentiment and group users of online lending applications based on Indonesian-language reviews on the Google Play Store for 2026. The methods used are data mining using a text-mining approach and unsupervised learning. The research stages include data collection, text preprocessing, feature extraction using TF-IDF, and data clustering using the K-Means algorithm with the help of Google Colab and the Orange application. The results are expected to produce user clusters with distinct sentiment characteristics and provide an overview of user perception patterns. These findings can be used as academic references and evaluation materials for online lending service providers to improve service quality.Perkembangan layanan pinjaman online sebagai bagian dari teknologi finansial telah memberikan kemudahan akses pembiayaan bagi masyarakat, namun di sisi lain memunculkan berbagai permasalahan seperti tingginya suku bunga, kurangnya transparansi biaya, serta pelayanan yang menimbulkan keluhan pengguna. Permasalahan tersebut tercermin dalam ulasan pengguna pada platform Google Play Store yang jumlahnya besar dan bersifat tidak terstruktur, sehingga sulit dianalisis secara manual. Kondisi ini menuntut penerapan metode analisis berbasis data untuk memahami pola sentimen dan karakteristik pengguna aplikasi pinjaman online. Penelitian ini bertujuan untuk menganalisis sentimen serta mengelompokkan pengguna aplikasi pinjaman online berdasarkan ulasan berbahasa Indonesia pada Google Play Store periode 2026. Metode yang digunakan adalah data mining dengan pendekatan text mining dan unsupervised learning. Tahapan penelitian meliputi pengumpulan data, preprocessing teks, ekstraksi fitur menggunakan TF-IDF, serta pengelompokan data menggunakan algoritma K-Means dengan bantuan Google Colab dan aplikasi Orange. Hasil penelitian diharapkan menghasilkan klaster pengguna dengan karakteristik sentimen yang berbeda dan memberikan gambaran pola persepsi pengguna. Temuan ini dapat dimanfaatkan sebagai referensi akademik serta bahan evaluasi bagi penyedia layanan pinjaman online dalam meningkatkan kualitas layanan

KLASIFIKASI KEMATANGAN BUAH TOMAT BERBASIS CNN DENGAN ARSITEKTUR MOBILENETV2 DAN TRANSFER LEARNING Mochamad Fathur Milzam; Ahmad Syukri Gozali; Sumanto Sumanto; Jefina Tri Kumalasari; Ghofar Taufiq; Ade Christian
JEIS: Jurnal Elektro dan Informatika Swadharma Vol 6, No 2 (2026): JEIS EDISI JULI 2026
Publisher : Institut Teknologi dan Bisnis Swadharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56486/jeis.vol6no2.1113

Classifying tomato ripeness is a crucial aspect of post-harvest processing and agricultural distribution. Manual ripeness determination is subjective and potentially inconsistencies. This study aims to classify tomato ripeness using a deep learning approach based on a Convolutional Neural Network (CNN) with the MobileNetV2 architecture and transfer learning techniques. The dataset, consisting of tomato images, was classified into three classes: unripe, ripe, and overripe. Preprocessing included image resizing and normalization before model training. The MobileNetV2 model was used as a feature extractor, while a fully connected layer was applied for classification. Test results showed that the model was able to classify tomato ripeness with good performance based on classification evaluation metrics. Overall, the proposed approach shows good potential for RGB image-based tomato ripeness classification.Klasifikasi tingkat kematangan buah tomat merupakan aspek penting dalam proses pascapanen dan distribusi hasil pertanian. Penentuan kematangan secara manual masih bersifat subjektif dan berpotensi menimbulkan ketidakkonsistenan. Penelitian ini bertujuan untuk mengklasifikasikan tingkat kematangan buah tomat menggunakan pendekatan deep learning berbasis Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2 dan teknik transfer learning. Dataset berupa citra buah tomat diklasifikasikan ke dalam tiga kelas, yaitu tidak matang, matang, dan terlalu matang. Tahapan preprocessing meliputi proses resizing dan normalisasi citra sebelum dilakukan pelatihan model. Model MobileNetV2 digunakan sebagai feature extractor, sedangkan lapisan fully connected diterapkan untuk proses klasifikasi. Hasil pengujian menunjukkan bahwa model mampu mengklasifikasikan tingkat kematangan buah tomat dengan performa yang baik berdasarkan metrik evaluasi klasifikasi. Secara keseluruhan, pendekatan yang diusulkan menunjukkan potensi yang baik untuk klasifikasi tingkat kematangan buah tomat berbasis citra RGB

Home Page

OAI Link

Editorial Team

Contact

Reviewer

Google Scholar

Contact Name
Ahmad Fitriansyah

Contact Email
ahmad.fitriansyah@swadharma.ac.id

Phone
+6287870716976

Journal Mail Official
jurnal.jeis@swadharma.ac.id

Editorial Address
Kampus 1 Institut Teknologi dan Bisnis Swadharma Jl. Malaka No.3, Tambora, Jakarta Barat 11230

Location
Kota tangerang selatan,

Banten

INDONESIA

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Home Page

OAI Link

Editorial Team

Contact

Reviewer

Google Scholar

Contact Name Ahmad Fitriansyah

Contact Email ahmad.fitriansyah@swadharma.ac.id

Phone +6287870716976

Journal Mail Official jurnal.jeis@swadharma.ac.id

Editorial Address Kampus 1 Institut Teknologi dan Bisnis Swadharma Jl. Malaka No.3, Tambora, Jakarta Barat 11230

Location Kota tangerang selatan, Banten INDONESIA

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Contact Name
Ahmad Fitriansyah

Contact Email
ahmad.fitriansyah@swadharma.ac.id

Phone
+6287870716976

Journal Mail Official
jurnal.jeis@swadharma.ac.id

Editorial Address
Kampus 1 Institut Teknologi dan Bisnis Swadharma Jl. Malaka No.3, Tambora, Jakarta Barat 11230

Location
Kota tangerang selatan,

Banten

INDONESIA