cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Muhamad Fuat Asnawi
Contact Email
jurnal.storage@gmail.com
Phone
+6285292912229
Journal Mail Official
jurnal.storage@gmail.com
Editorial Address
Jl. Bunga Cempaka No. 51D. Medan. Indonesia
Location
Kota medan,
Sumatera utara
INDONESIA
STORAGE: Jurnal Ilmiah Teknik dan Ilmu Komputer
Published by Yayasan Literasi Sains Indonesia
ISSN : -     EISSN : 28285344     DOI : https://doi.org/10.55123/storage
Core Subject : Science, Engineering,
Civil Engineering, Building, Construction & Architecture Computer Science & IT Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering
STORAGE adalah Jurnal Ilmiah Teknik dan Ilmu Komputer yang diterbitkan 4 (empat) kali dalam setahun, yaitu pada bulan Februari, Mei, Agustus dan November oleh Yayasan Literasi Sains Indonesia. Jurnal ini merupakan jurnal yang dapat akses secara terbuka bagi para Peneliti, Mahasiswa dan Dosen yang ingin mempublikasikan hasil penelitiannya pada bidang Teknik dan Ilmu Komputer. STORAGE adalah wadah informasi berupa hasil penelitian, studi kepustakaan, gagasan, aplikasi teori dan kajian analisis kritis dibidang perkembangan teknologi terkini yang meliputi bidang Arsitektur, Teknik Sipil, Teknik Mesin dan Ilmu Komputer.
Arjuna Subject : Teknik (semua kategori) - Teknik (Lain-Lain)
Articles 182 Documents
 15   16   17   18   19 
RANCANG BANGUN SISTEM INFORMASI ABSENSI SEKOLAH BERBASIS WEB DI SMK ANGKASA MOJOSARI Muhammad Ananta Hidayatulloh; Nuril Lutvi Azizah; Novia Ariyanti; Yulian Findawati
STORAGE: Jurnal Ilmiah Teknik dan Ilmu Komputer Vol. 5 No. 3 (2026): Agustus
Publisher : Yayasan Literasi Sains Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55123/storage.v5i3.9259

Abstract

SMK Angkasa Mojosari masih menerapkan pencatatan absensi secara manual sehingga sering terjadi keterlambatan pelaporan, sulit dipantau, dan rawan kehilangan data. Penelitian ini merancang dan membangun sistem informasi absensi sekolah berbasis web menggunakan metode Waterfall, dengan PHP, MySQL, dan framework Laravel, berdasarkan data wawancara dan observasi terhadap guru serta staf tata usaha. Pengujian Black Box Testing menunjukkan seluruh 10 fitur sistem berfungsi sesuai harapan tanpa kesalahan, sedangkan User Acceptance Testing (UAT) terhadap 15 responden menghasilkan skor rata-rata 4,72 dari 5,00 (94,3%) dengan kategori Sangat Baik. Sistem ini terbukti mampu mengatasi keterbatasan pencatatan manual dan memberikan solusi absensi yang terintegrasi bagi SMK Angkasa Mojosari.
KLASIFIKASI PENYAKIT DAN KONDISI KESEHATAN TANAMAN CABAI BERBASIS DEEP LEARNING SEBAGAI PENDUKUNG SMART NURSERY PERTANIAN BERKELANJUTAN Titan Attariq Al Fatah; Muhamad Fuat Asnawi; Restu Rahma Riandhita; Panggah Dwi Santoso; Zayyana Maulida; Riskha Suheila Kirmalani; Nurrohmat Furkon; Ahmad Latif Hendrawan; Aurielia Chandra Febrina; Gennaro Wibisana; Febri Dwi Saputra; Rafif Phalosa; Muhammad Irvan Asy'ari; Syahrul Maulana Rozaki; Dzidni Imron Fadhilah; Muhammad Nabil Al Faqih
STORAGE: Jurnal Ilmiah Teknik dan Ilmu Komputer Vol. 5 No. 3 (2026): Agustus
Publisher : Yayasan Literasi Sains Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55123/storage.v5i3.9469

Abstract

Tanaman cabai (Capsicum annuum L.) merupakan komoditas hortikultura bernilai ekonomi tinggi yang memerlukan pemantauan kesehatan tanaman secara cepat dan akurat sejak tahap pembibitan. Proses identifikasi penyakit dan kondisi tanaman yang masih dilakukan secara manual memiliki keterbatasan karena bergantung pada pengalaman petani dan berpotensi menyebabkan keterlambatan pengendalian. Penelitian ini bertujuan mengembangkan model klasifikasi kondisi kesehatan tanaman cabai berbasis deep learning sebagai pendukung sistem smart nursery pertanian berkelanjutan. Metode penelitian dilakukan melalui tahapan pengumpulan dataset citra daun cabai, preprocessing, augmentasi data, pembangunan model, pelatihan, pengujian, dan evaluasi performa. Dataset terdiri dari lima kategori kondisi tanaman, yaitu healthy, leaf curl, leaf spot, whitefly, dan yellowish, dengan total 500 citra yang dibagi menjadi data pelatihan, validasi, dan pengujian. Tiga model dibandingkan, yaitu Convolutional Neural Network (CNN), MobileNetV3Small, dan EfficientNet-B0 menggunakan parameter evaluasi accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa MobileNetV3Small memberikan performa terbaik dengan akurasi 88%, precision 0,91, recall 0,88, dan F1-score 0,88, serta memiliki jumlah parameter paling rendah dibandingkan model lainnya. Model tersebut berpotensi diterapkan pada sistem smart nursery berbasis kamera dan perangkat komputasi terbatas untuk mendukung deteksi dini kesehatan bibit cabai secara cepat, objektif, dan berkelanjutan.

Page 19 of 19 | Total Record : 182

 15   16   17   18   19 

Filter by Year

2022 2026


Reset
Filter By Issues
All Issue Vol. 5 No. 3 (2026): Agustus Vol. 5 No. 2 (2026): Mei Vol. 5 No. 1 (2026): Februari Vol. 4 No. 4 (2025): November Vol. 4 No. 3 (2025): Agustus Vol. 4 No. 2 (2025): Mei Vol. 4 No. 1 (2025): Februari Vol. 3 No. 4 (2024): November Vol. 3 No. 3 (2024): Agustus Vol. 3 No. 2 (2024): Mei Vol. 3 No. 1 (2024): Februari Vol. 2 No. 4 (2023): November Vol. 2 No. 3 (2023): Agustus Vol. 2 No. 2 (2023): Mei Vol. 2 No. 1 (2023): Februari Vol. 1 No. 4 (2022): November Vol. 1 No. 3 (2022): Agustus Vol. 1 No. 2 (2022): Mei Vol. 1 No. 1 (2022): Februari More Issue