cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Anis Masruriyah
Contact Email
anis.masruriyah@gmail.com
Phone
+6282132204781
Journal Mail Official
anis.masruriyah@gmail.com
Editorial Address
Jalan Ronggo Waluyo Sirnabaya, Puseurjaya, Kec. Telukjambe Tim., Kabupaten Karawang, Jawa Barat 41361
Location
Kab. karawang,
Jawa barat
INDONESIA
Scientific Student Journal for Information, Technology and Science
Published by Universitas Buana Perjuangan Karawang
ISSN : 27152766     EISSN : -     DOI : -
Core Subject : Science,
Computer Science & IT
Scientific Student Journal for Information, Technology and Science berisi artikel-artikel hasil penelitian mahasiswa dari program studi Teknik Informatika, Fakultas Teknik dan Ilmu Komputer pada Universitas Buana Perjuangan Karawang. Jurnal ini dipublikasikan sebanyak dua kali setiap tahun oleh prodi Teknik Informatika. Kemudian, jurnal ini juga diharapkan dapat memberikan kontribusi dan mengembangkan penelitian yang berarti untuk meningkatkan sumber daya penelitian dalam Teknologi Informasi dan Ilmu Komputer.
Arjuna Subject : Ilmu Komputer (semua kategori) - Ilmu Komputer (Lain-Lain)
Articles 233 Documents
 20   21   22   23   24 
Implementasi Algoritma Support Vector Machine dalam Klasifikasi Biji Jagung Berondong dan Biji Jagung Pakan Ayam Rini Beatrix Laurentzia; Sutan Faisal; Cici Emilia Sukmawati; Ahmad Fauzi
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 1 (2026): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Jagung merupakan komoditas penting dalam sektor pangan dan pakan ternak, dengan varietas yang memiliki karakteristik fisik yang berbeda. Salah satu tantangan di lapangan adalah membedakan biji jagung berondong dan biji jagung pakan ayam secara akurat, terutama ketika perbedaan visual di antara keduanya sangat tipis. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi berbasis citra menggunakan algoritma Support Vector Machine (SVM) guna membedakan kedua jenis jagung tersebut. Dataset yang digunakan terdiri atas 400 citra biji jagung dengan dua kelas, yaitu jagung berondong dan jagung pakan ayam. Tahapan penelitian meliputi prapemrosesan citra, segmentasi, serta ekstraksi fitur menggunakan metode Gray Level Co-occurrence Matrix (GLCM) dengan enam fitur utama, yaitu kontras, energi, homogenitas, korelasi, varians, dan dissimilarity. Model SVM diuji menggunakan beberapa jenis kernel, dan evaluasi dilakukan dengan confusion matrix. Hasil pengujian menunjukkan bahwa akurasi klasifikasi biji jagung berondong dan biji jagung pakan ayam menggunakan algoritma SVM mencapai 68,18% dengan pembagian data latih dan uji sebesar 80:20 serta menggunakan kernel polynomial. Nilai akurasi tersebut menunjukkan bahwa algoritma SVM belum cukup andal dalam melakukan klasifikasi, sehingga masih terdapat ruang untuk perbaikan, khususnya melalui proses tuning parameter SVM.
Peningkatan Kecepatan Inferensi Mask R-CNN Menggunakan MobileNetV3 Small pada Sistem Deteksi Kardus Vikha Tri Vicika; Jamaludin Indra; Sutan Faisal; Hanny Hikmayanti Handayani
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 1 (2026): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penelitian ini bertujuan untuk meningkatkan kecepatan inferensi pada sistem deteksi objek dengan mengoptimalkan arsitektur Mask R-CNN melalui penggantian backbone menjadi MobileNetV3 Small. Studi ini difokuskan pada deteksi kardus di lingkungan gudang menggunakan dataset yang dikumpulkan dari berbagai kondisi pencahayaan dan sudut pengambilan gambar. Proses pelatihan dan validasi dilakukan terhadap data yang telah dianotasi secara manual, dengan evaluasi menggunakan metrik presisi, recall, dan kecepatan pemrosesan dalam satuan frame per second (FPS). Hasil pengujian menunjukkan bahwa model dengan backbone MobileNetV3 Small menghasilkan FPS rata-rata sebesar 8,66, lebih tinggi dibandingkan dengan model default yang hanya mencapai 6,94. Dari sisi akurasi, model kustom menunjukkan nilai presisi sebesar 85%, sedangkan model default mencapai nilai recall sebesar 85,7%. Meskipun segmentasi yang dihasilkan oleh model default lebih menyeluruh, model kustom memiliki arsitektur yang lebih ringan dan efisien. Oleh karena itu, model kustom lebih sesuai untuk aplikasi waktu nyata pada perangkat dengan sumber daya terbatas. Temuan ini menunjukkan bahwa penggunaan MobileNetV3 Small sebagai backbone pada arsitektur Mask R-CNN mampu meningkatkan efisiensi inferensi tanpa menurunkan tingkat akurasi secara signifikan.
Perbandingan Dampak Penggunaan LASSO dan Hyperparameter Tuning terhadap Performa Prediksi Kegagalan Mesin pada Model Machine Learning Wahyu Setio Aji; Sutan Faisal; Santi Arum Puspita Lestari; Yana Cahyana
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 1 (2026): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Revolusi Industri 4.0 telah mendorong integrasi teknologi seperti Big Data, Internet of Things (IoT), dan machine learning dalam industri untuk meningkatkan efisiensi serta mengurangi downtime. Salah satu tantangan utama di sektor manufaktur adalah terjadinya kerusakan mesin secara mendadak yang dapat mengganggu proses produksi dan meningkatkan biaya perawatan. Predictive Maintenance menjadi solusi penting dengan memanfaatkan data sensor dan model prediksi untuk mencegah kerusakan sejak dini. Penelitian ini membandingkan performa tiga algoritma machine learning, yaitu K-Nearest Neighbor (KNN), Logistic Regression (LR), dan Support Vector Machine (SVM), dalam memprediksi kegagalan mesin berdasarkan empat skenario. Skenario pertama menguji ketiga algoritma klasifikasi, yaitu KNN, SVM, dan Logistic Regression, tanpa optimasi (baseline). Skenario kedua menerapkan seleksi fitur menggunakan Least Absolute Shrinkage and Selection Operator (LASSO), kemudian menguji kembali ketiga algoritma tersebut. Pada skenario ketiga, dilakukan hyperparameter tuning tanpa seleksi fitur. Sementara itu, skenario keempat menggabungkan seleksi fitur LASSO dengan hyperparameter tuning untuk memperoleh model yang lebih optimal. Hasil penelitian menunjukkan bahwa algoritma KNN merupakan model dengan kinerja paling unggul. Pada skenario keempat, KNN mencapai akurasi maksimum sebesar 97,4% dengan parameter terbaik n_neighbors = 4 dan weights = ‘distance’. Selanjutnya, algoritma SVM mencatat akurasi sebesar 97,2% dengan parameter C = 13,716, gamma = ‘scale’, dan kernel = ‘rbf’. Sementara itu, algoritma Logistic Regression menunjukkan performa paling rendah. Meskipun telah dioptimalkan, akurasi tertingginya hanya mencapai 88,2% dengan konfigurasi C = 2,053, penalty = ‘l2’, dan solver = ‘sag’.
Penerapan Fuzzy Logic Tsukamoto untuk Klasifikasi Prestasi Siswa sesuai Standar Kompetensi Sekolah Alfahri Firjatillah; Jamaludin Indra; Santi Arum Puspita Lestari; Deden Wahiddin
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 2 (2026): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penelitian ini mengembangkan sistem klasifikasi prestasi siswa berbasis web menggunakan metode Fuzzy Logic Tsukamoto di MTs Ghoyatul Jihad Telagasari Karawang. Sistem bertujuan membantu sekolah menilai prestasi siswa secara objektif berdasarkan nilai rapor, pengetahuan, dan keterampilan. Proses klasifikasi meliputi fuzzifikasi, inferensi dengan aturan IF-THEN, dan defuzzifikasi. Data sebanyak 330 siswa dianalisis, dan hasil sistem dibandingkan dengan penilaian guru menggunakan uji akurasi dan korelasi Spearman. Sistem mencapai akurasi 81,8% dan korelasi 0,81, menunjukkan hubungan sangat kuat dengan penilaian guru. Hasil ini membuktikan bahwa metode Tsukamoto efektif dan mampu mengurangi subjektivitas dalam penilaian prestasi siswa.
Klasterisasi Tingkat Perceraian Berdasarkan Kabupaten/Kota di Provinsi Jawa Barat Menggunakan Algoritma K-Means dan K-Medoids Ananda Faizah; Deden Wahiddin; Jamaludin Indra; Ahmad Fauzi
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 2 (2026): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Perceraian merupakan fenomena sosial yang berdampak pada kesejahteraan keluarga dan stabilitas sosial. Provinsi Jawa Barat mencatat peningkatan angka perceraian setiap tahunnya, sehingga diperlukan analisis untuk memahami pola yang terjadi. Penelitian ini membandingkan algoritma K-Means dan K-Medoids dalam mengelompokkan kabupaten/kota di Jawa Barat berdasarkan faktor penyebab perceraian pada tahun 2023. Hasil klasterisasi menghasilkan tiga cluster dengan karakteristik tingkat perceraian tinggi, sedang, dan rendah yang didominasi oleh faktor tertentu. Evaluasi menggunakan Silhouette Coefficient dan Davies-Bouldin Index (DBI) menunjukkan bahwa K-Means memberikan hasil evaluasi yang lebih baik berdasarkan nilai Silhouette Score sebesar 0.533683 dan Davies-Bouldin Index (DBI) sebesar 0.518007, sedangkan K-Medoids memperoleh nilai Silhouette Score sebesar 0.415553 dan Davies-Bouldin Index (DBI) sebesar 0.749047. Penelitian ini diharapkan dapat membantu instansi terkait dalam mengatasi tingginya angka perceraian di Jawa Barat.
Studi Komparatif Kinerja Arsitektur MobileNetV2 dan EfficientNet-B6 dalam Identifikasi Penyakit Daun Padi Bayu Kerta Sukma Gandara; Tohirin Al Mudzakir; Hilda Yulia Novita; Ahmad Fauzi
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 2 (2026): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Padi merupakan komoditas pangan utama di Indonesia, namun tingkat produktivitasnya sering mengalami penurunan akibat serangan berbagai penyakit daun. Oleh karena itu, deteksi dini terhadap penyakit daun padi menjadi langkah penting untuk mengurangi risiko kerugian hasil panen. Penelitian ini dilakukan untuk menganalisis serta membandingkan performa dua arsitektur Convolutional Neural Network (CNN), yaitu MobileNetV2 dan EfficientNet-B6, dalam mengidentifikasi jenis penyakit pada daun padi. Dataset penelitian terdiri dari citra daun padi yang terbagi dalam beberapa kategori, yaitu Bacterial Blight, Blast, Brown Spot, dan daun sehat. Pelatihan model dilakukan dengan metode transfer learning serta penerapan augmentasi data untuk meningkatkan kemampuan generalisasi. Evaluasi performa model dilakukan menggunakan metrik akurasi, presisi, dan F1-score. Berdasarkan uraian tersebut, penelitian ini diarahkan untuk membandingkan kinerja arsitektur MobileNetV2 dan EfficientNet-B6 dalam proses klasifikasi penyakit daun padi melalui pendekatan transfer learning serta penerapan teknik augmentasi data. Penelitian ini diharapkan mampu memberikan kontribusi dalam pengembangan sistem pendeteksian penyakit secara otomatis yang lebih efektif dan akurat, sehingga dapat mendukung peningkatan ketahanan pangan nasional.
Deteksi Kelengkapan APD Siswa Praktikum Pengelasan Menggunakan YOLOv11 dan MobileNetV2 Bintang Adhiyaksa Maulana; Tohirin Al Mudzakir; Yana Cahyana; Tatang Rohana
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 2 (2026): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pentingnya Keselamatan dan Kesehatan Kerja (K3) tak dapat diabaikan dalam pelaksanaan praktik pengelasan, terutama dalam memastikan siswa menggunakan Alat Pelindung Diri (APD) secara lengkap. Tujuan dari penelitian ini adalah merancang sistem otomatis berbasis Computer Vision yang mampu mendeteksi sejauh mana kelengkapan penggunaan APD oleh siswa selama kegiatan praktikum. Model YOLOv11 digunakan untuk mendeteksi empat kelas objek, yaitu Kacamata, Sarung_Tangan, Tanpa_Kacamata, dan Tanpa_Sarung_Tangan, kemudian hasil deteksi diklasifikasikan lebih lanjut menggunakan MobileNetV2 ke dalam tiga kategori: APD Lengkap, Sebagian, dan Tidak Lengkap. Data dikumpulkan dari SMK Plus Laboratorium Indonesia dan diperluas melalui augmentasi. Hasil evaluasi menunjukkan bahwa YOLOv11 mencapai precision sebesar 96,44%, recall sebesar 96,58%, dan mAP@0.5 sebesar 97,27%, sedangkan MobileNetV2 berhasil mengklasifikasikan kondisi APD dengan akurasi 97%. Sistem ini diharapkan dapat mendukung pengawasan K3 secara otomatis di lingkungan sekolah.
Klasifikasi Kesegaran Buah Jeruk Medan Berdasarkan Warna dan Tekstur Menggunakan Algoritma K-Nearest Neighbor Daffa Rifqi Abyansyah; Ayu Ratna Juwita; Euis Nurlaelasari; Adi Rizky Pratama
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 2 (2026): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Jeruk merupakan tanaman hortikultura yang sangat dikenal di berbagai belahan dunia. Buah jeruk sangat populer di Indonesia dan banyak dikonsumsi. Konsumen sehari-hari yang awam tentang pertanian sering mengalami kesulitan dalam mengklasifikasikan kesegaran buah jeruk. Banyak orang awam kesulitan membedakan jeruk segar dari yang sudah tidak layak konsumsi hanya berdasarkan tampilannya. Penelitian ini mengimplementasikan algoritma K-Nearest Neighbor (KNN) untuk klasifikasi kesegaran buah jeruk berdasarkan fitur warna dan tekstur. Data yang digunakan sebanyak 435 citra buah jeruk yang diklasifikasikan ke dalam tiga kelas, yaitu Segar, Kurang Segar, dan Busuk. Proses penelitian meliputi tahapan preprocessing, ekstraksi fitur, pengujian model menggunakan algoritma K-Nearest Neighbor (KNN), serta evaluasi menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model K-Nearest Neighbor (KNN) dengan nilai K = 5 menghasilkan akurasi tertinggi sebesar 85%. Penelitian ini menunjukkan efektivitas algoritma tersebut sebagai alat bantu deteksi kesegaran buah jeruk.
Identifikasi Penyakit HIV Menggunakan Algoritma Support Vector Machine (SVM) dan Naive Bayes Dian Ayu Damayanti; Tatang Rohana; Euis Nurlaelasari; Deden Wahiddin
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 2 (2026): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penelitian ini bertujuan untuk mengidentifikasi penyakit HIV menggunakan metode klasifikasi berbasis algoritma Support Vector Machine (SVM) dengan kernel RBF dan Naive Bayes. Dataset diperoleh melalui kuesioner yang mencakup 16 gejala umum HIV dengan jumlah responden sebanyak 101 orang. Proses pengolahan data meliputi preprocessing, konversi data, pelabelan (labeling) target, hingga evaluasi model menggunakan confusion matrix, akurasi, precision, recall, dan F1-score. Hasil evaluasi menunjukkan bahwa algoritma Support Vector Machine (SVM) dengan kernel RBF memberikan tingkat akurasi sebesar 100%, sedangkan Naive Bayes memperoleh akurasi sebesar 93,75% dalam mengidentifikasi kemungkinan infeksi HIV berdasarkan gejala yang dialami. Temuan ini menunjukkan bahwa metode Support Vector Machine (SVM) memiliki performa yang sangat baik dalam mendeteksi pola gejala dan dapat diterapkan dalam sistem deteksi dini HIV. Penelitian ini diharapkan dapat menjadi acuan bagi pengembangan sistem berbasis kecerdasan buatan di bidang kesehatan, khususnya dalam membantu identifikasi awal infeksi HIV secara efektif.
Prediksi Pendaftaran Calon Jamaah Haji di Kabupaten Karawang menggunakan algoritma Random Forest dan XGBoost Dimas Satrio; Sutan Faisal; Cici Emilia Sukmawati; Jamaludin Indra
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 2 (2026): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Indonesia sebagai negara dengan jumlah penduduk Muslim terbesar di dunia menghadapi tantangan dalam pengelolaan pendaftaran haji yang terus meningkat setiap tahunnya. Penelitian ini bertujuan untuk memprediksi jumlah pendaftaran haji menggunakan algoritma Random Forest dan XGBoost, yang dikenal memiliki tingkat akurasi yang tinggi dalam analisis data berskala besar dan bersifat nonlinier. Dengan menggunakan data historis pendaftaran haji, model ini dirancang untuk mengidentifikasi pola dan faktor-faktor utama yang memengaruhi jumlah pendaftaran. Hasil evaluasi model menunjukkan bahwa Random Forest memberikan performa yang jauh lebih unggul dibandingkan XGBoost, dengan nilai R-squared sebesar 0,93 yang menunjukkan kemampuan model dalam menjelaskan variasi data, serta nilai Mean Absolute Error (MAE) dan Mean Squared Error (MSE) yang lebih rendah. Sebaliknya, XGBoost menunjukkan performa yang kurang optimal dengan nilai R-squared sebesar 0,40. Temuan ini memberikan informasi penting bagi pemerintah untuk mengoptimalkan perencanaan dan pengelolaan kuota haji sehingga pelayanan kepada calon jamaah dapat menjadi lebih efisien dan tepat sasaran.

Page 22 of 24 | Total Record : 233

 20   21   22   23   24 

Filter by Year

2020 2026


Reset
Filter By Issues
All Issue Vol. 7 No. 2 (2026): Scientific Student Journal for Information, Technology and Science Vol. 7 No. 1 (2026): Scientific Student Journal for Information, Technology and Science Vol. 6 No. 1 (2025): Scientific Student Journal for Information, Technology and Science Vol. 5 No. 2 (2024): Scientific Student Journal for Information, Technology and Science Vol. 5 No. 1 (2024): Scientific Student Journal for Information, Technology and Science Vol. 4 No. 2 (2023): Scientific Student Journal for Information, Technology and Science Vol. 4 No. 1 (2023): Scientific Student Journal for Information, Technology and Science Vol. 3 No. 2 (2022): Scientific Student Journal for Information, Technology and Science Vol. 3 No. 1 (2022): Scientific Student Journal for Information, Technology and Science Vol. 2 No. 2 (2021): Scientific Student Journal for Information, Technology and Science Vol. 2 No. 1 (2021): Scientific Student Journal for Information, Technology and Science Vol. 1 No. 2 (2020): Scientific Student Journal for Information, Technology and Science Vol. 1 No. 1 (2020): Scientific Student Journal for Information, Technology and Science More Issue