Garuda - Garba Rujukan Digital

Klasifikasi Bentuk Rambut Manusia (Lurus, Keriting, Bergelombang) Menggunakan Teachable Machine Pendekatan berbasis Gambar Manisa Sopia Mori mori; Zaehol Fatah
Jurnal Mahasiswa Teknik Informatika Vol. 5 No. 1 (2026): Volume 5 Nomor 1 April 2026
Publisher : Universitas Ngudi Waluyo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35473/jamastika.v5i1.4574

Klasifikasi bentuk rambut manusia yaitu lurus, keriting dan bergelombang, telah berhasil dikembangkan menggunakan Teachable Machine melalaui pendekatan citra digital. Bentuk rambut adalah karakreristik pembeda bologis dan sosial antara individu. Teachable Machine sebagai platform web yang disediakan oleh Google, yang mudah digunakan, memanfaatkan transfer learning untuk pengenalan pola visual. Peroses pengembanagan melibatakan penggunak citra yang telah di pra-proses, dan pelatihan model Teachable Machine diatur dengan 50 epoch, ukuran batch 15, dan laju pembelajaran 0,008. Evaluas kinerja menunjukan hasil yang sangat memuaskan dengan akurasi keseluruhan mencapai (87%) dan nilai loss yang rendah 0,004. Akurasi per katagori adalah 0,87 untuk lurus dan keriting, dan 0,81 untuk bergelombang. Prototipe model dapat diakses dan diuji secara real-time melalaui unggahan gambar setelah diekspor menggunakan fitur Cloud Shareable. Teachable Machine merupakan alat yang efektif untuk membangun sebuah sistem klasifikasi bentuk rambut yang otomatis dan memiliki akurasi tinggi. Kata Kunci:Klasifikasi, Teachable Machine, Bentuk Rambut Manusia, gambar. The classification of human hair shapes, namely straight, curly, and wavy, has been successfully developed using Teachable Machine through a digital image approach. Hair shape is a biological and social distinguishing characteristic between individuals. Teachable Machine, as a web platform provided by Google that is easy to use, utilizes transfer learning for visual pattern recognition. The development process involves the use of pre-processed images, and the training of the Teachable Machine model is set with 50 epochs, a batch size of 15, and a learning rate of 0.008. Performance evaluation shows very satisfactory results with an overall accuracy of 87% and a low loss value of 0.004. The accuracy per category is 0.87 for straight and curly, and 0.81 for wavy. The model prototype can be accessed and tested in real-time by uploading images after being exported using the Cloud Shareable feature. Teachable Machine is an effective tool for building an automatic and high-accuracy hair shape classification system. Keywords:Classification, Teachable Machine, Human Hair Shape, image.

Klasifikasi Kualitas Udara di Jakarta Menggunakan Algoritma K-Nearest Neighbor (KNN) Sofiatuz Zamani; Zaehol Fatah
Jurnal Mahasiswa Teknik Informatika Vol. 5 No. 1 (2026): Volume 5 Nomor 1 April 2026
Publisher : Universitas Ngudi Waluyo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35473/jamastika.v5i1.4584

Kualitas udara di Jakarta mengalami fluktuasi signifikan akibat meningkatnya aktivitas transportasi, industri, dan kepadatan penduduk, sehingga diperlukan sistem klasifikasi yang akurat untuk memantau dan menilai tingkat pencemaran udara. Penelitian ini bertujuan untuk mengklasifikasikan kualitas udara di Jakarta menggunakan algoritma K-Nearest Neighbor (KNN) berdasarkan parameter seperti PM2.5, PM10, CO, SO₂, NO₂, dan O₃ yang diperoleh dari data penginderaan atau stasiun pemantauan udara. Tahapan penelitian meliputi pengumpulan data, praproses data (normalisasi dan pembersihan), pembagian data menjadi data latih dan uji, penerapan algoritma KNN dengan variasi nilai k, serta evaluasi menggunakan metrik akurasi, presisi, dan recall. Hasil penelitian menunjukkan bahwa algoritma KNN dengan nilai k optimal memberikan tingkat akurasi yang cukup tinggi dalam mengklasifikasikan kualitas udara ke dalam kategori baik, sedang, dan buruk. Kesimpulan penelitian ini menegaskan bahwa KNN dapat digunakan sebagai metode yang efektif dan sederhana untuk mendukung sistem pemantauan kualitas udara di wilayah perkotaan seperti Jakarta. Kata kunci: Kualitas udara, KNN, klasifikasi, pencemaran udara, Jakarta. Air quality in Jakarta fluctuates significantly due to increasing transportation, industrial activities, and population density, thus requiring an accurate classification system to monitor and assess pollution levels. This study aims to classify air quality in Jakarta using the K-Nearest Neighbor (KNN) algorithm based on parameters such as PM2.5, PM10, CO, SO₂, NO₂, and O₃ obtained from air monitoring stations or sensor data. The research stages include data collection, preprocessing (normalization and cleaning), data splitting into training and testing sets, applying the KNN algorithm with various k values, and evaluating performance using accuracy, precision, and recall metrics. The results indicate that KNN with the optimal k value achieves high accuracy in classifying air quality into good, moderate, and poor categories. The findings conclude that KNN is an effective and simple method to support air quality monitoring systems in urban areas such as Jakarta. Keywords: Air quality, KNN, classification, air pollution, Jakarta.

Klasifikasi Prestasi Akademik Siswa Menggunakan Algoritma Decision Tree dengan RapidMiner Alifan Ibrohim; Zaehol Fatah
Jurnal Mahasiswa Teknik Informatika Vol. 5 No. 1 (2026): Volume 5 Nomor 1 April 2026
Publisher : Universitas Ngudi Waluyo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35473/jamastika.v5i1.4587

Penelitian ini bertujuan untuk mengklasifikasikan prestasi akademik siswa dengan mempertimbangkan berbagai faktor yang memengaruhi hasil belajar. Algoritma Decision Tree diimplementasikan menggunakan perangkat lunak RapidMiner dengan data bersumber dari dataset Student Performance Factors. Dataset tersebut memuat atribut seperti Hours_Studied, Attendance, Parental_Involvement, Access_to_Resources, Previous_Scores, Motivation_Level, Sleep_Hours, Internet_Access, dan Tutoring_Sessions, dengan Exam_Score sebagai label target. Proses penelitian meliputi tahapan pengumpulan, pembersihan, dan transformasi data, kemudian pembagian data menjadi 80% data latih dan 20% data uji. Hasil analisis menunjukkan bahwa atribut Hours_Studied dan Attendance merupakan faktor dominan dalam menentukan prestasi siswa. Model pohon keputusan berhasil mengelompokkan siswa ke dalam tiga kategori, yaitu Low (100 data), Medium (4.498 data), dan High (27 data) dari total 4.625 data. Temuan ini membuktikan bahwa metode Decision Tree efektif untuk mengenali pola hubungan faktor belajar terhadap prestasi akademik dan dapat menjadi dasar evaluasi bagi pihak sekolah dalam meningkatkan kualitas pembelajaran. Kata Kunci: Decision Tree, RapidMiner, Data Mining, Klasifikasi Prestasi Akademik, Student Performance Factors This study aims to classify students' academic achievement by considering various factors that influence learning outcomes. The Decision Tree algorithm was implemented using RapidMiner software with data sourced from the Student Performance Factors dataset. The dataset contains attributes such as Hours_Studied, Attendance, Parental_Involvement, Access_to_Resources, Previous_Scores, Motivation_Level, Sleep_Hours, Internet_Access, and Tutoring_Sessions, with Exam_Score as the target label. The research process included data collection, cleaning, and transformation, followed by dividing the data into 80% training data and 20% test data. The analysis results showed that the attributes Hours_Studied and Attendance were dominant factors in determining student achievement. The decision tree model successfully grouped students into three categories, namely Low (100 data), Medium (4,498 data), and High (27 data) from a total of 4,625 data. These findings prove that the Decision Tree method is effective in recognizing patterns of the relationship between learning factors and academic achievement and can be used as a basis for evaluation by schools in improving the quality of learning. Keyword :Decision Tree, RapidMiner, Data Mining, Academic Achievement Classification, Student Performance Factors

Prediksi Penyakit Jantung Menggunakan Algoritma Decision Tree C4.5 Muhammad Salman Al Farisy; Zaehol Fatah
Jurnal Mahasiswa Teknik Informatika Vol. 5 No. 1 (2026): Volume 5 Nomor 1 April 2026
Publisher : Universitas Ngudi Waluyo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35473/jamastika.v5i1.4594

Penyakit jantung masih merupakan ancaman kesehatan global yang serius, bertanggung jawab atas kematian lebih dari 17 juta orang di dunia pada tahun 2015. Diagnosis tradisional rentan terhadap variasi subjektif dan memakan waktu. Untuk meningkatkan efisiensi dan akurasi, teknik data mining dan machine learning telah muncul sebagai alat yang menjanjikan. Penelitian ini mengusulkan pengembangan model untuk memprediksi penyakit jantung menggunakan algoritma Decision Tree C4.5, yang dipilih karena kekuatannya sebagai metode klasifikasi dan kemampuannya menghasilkan model yang intuitif serta mudah diinterpretasikan. Data yang digunakan adalah 303 sampel catatan medis pasien yang diambil dari repositori publik Kaggle.com. Prosesnya meliputi pra-pemrosesan data untuk eliminasi nilai kosong dan transformasi format, diikuti dengan pembagian data menggunakan teknik Hold-Out 70%:30% (212 sampel pelatihan, 91 sampel pengujian). Implementasi model dan evaluasi kinerja dilakukan menggunakan aplikasi RapidMiner. Hasil menunjukkan bahwa model C4.5 mencapai akurasi keseluruhan sebesar 70.33% pada set pengujian. Secara spesifik, model menunjukkan kekuatan dalam mendeteksi kasus positif (Sakit) dengan nilai Recall untuk kelas 'Iya' sebesar 84.00%, yang sangat penting untuk meminimalkan False Negative dalam konteks medis. Atribut Jenis Nyeri Dada teridentifikasi sebagai faktor klinis paling dominan (node akar) dalam penentuan kemungkinan penyakit jantung. Model ini valid sebagai sistem pendukung keputusan awal, khususnya dalam mengidentifikasi pasien berisiko tinggi. Kata Kunci: Prediksi Penyakit Jantung , Decision Tree C4.5 , Klasifikasi , Data Mining , RapidMiner Heart disease remains a serious global health threat, was accountable for the demise of over 17 million people worldwide in 2015. Traditional diagnosis is prone to subjective variations and is time-consuming. To improve efficiency and accuracy, data mining and machine learning techniques have emerged as promising tools. This study proposes the development of a model for predicting heart disease using the Decision Tree C4.5 algorithm, chosen for its robustness as a classification method and its ability to produce intuitive and easily interpretable models. The data used are 303 patient medical record samples taken from the public repository Kaggle.com. The process includes data preprocessing for null value elimination and format transformation, followed by data splitting using the 70%:30% Hold-Out technique (212 training samples, 91 testing samples). Model implementation and performance evaluation were performed using the RapidMiner application. The results show that the C4.5 model achieves an overall accuracy of 70.33% on the test set. Specifically, the model demonstrated robustness in detecting positive cases (Sick) with a Recall value for the 'Yes' class of 84.00%, which is crucial for minimizing False Negatives in a medical context. The Chest Pain Type attribute was identified as the most dominant clinical factor (root node) in determining the likelihood of heart disease. This model is valid as an early decision support system, particularly in identifying high-risk patients. Keyword: Heart Disease Prediction, Decision Tree C4.5, Classification, Data Mining, RapidMiner

Penerapan Algoritma Decision Tree untuk Klasifikasi Diagnosa Pasien Risma Nur Kholishah; Zaehol Fatah
Jurnal Mahasiswa Teknik Informatika Vol. 5 No. 1 (2026): Volume 5 Nomor 1 April 2026
Publisher : Universitas Ngudi Waluyo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35473/jamastika.v5i1.4596

Penelitian ini memanfaatkan algoritma Decision Tree sebagai metode analisis tipe C4.5 untuk mengklasifikasikan kondisi kesehatan pasien berdasarkan data diagnosis dari Sri Clinics di Kota Batam. Data dianalisis menggunakan RapidMiner dengan atribut seperti suhu tubuh, tekanan darah, detak jantung, jenis kelamin, usia, dan gejala utama. Hasil penelitian menunjukkan bahwa suhu tubuh merupakan faktor paling dominan dalam klasifikasi, di mana pasien dengan suhu ≤ 37,05°C dikategorikan sehat, sedangkan suhu > 37,05°C menunjukkan penyakit ringan atau berat. Model Decision Tree menghasilkan akurasi 96,67%, membuktikan bahwa metode ini efektif dan akurat sebagai alat bantu keputusan medis untuk menunjang proses penentuan penyakit dengan efisiensi dan ketepatan tinggi Kata Kunci: Decision Tree C4.5, Data Mining, Diagnosis Pasien, Klasifikasi This study utilized the Decision Tree algorithm, a C4.5 type analysis method, to classify patient health conditions based on diagnostic data from Sri Clinics in Batam City. The data was analyzed using RapidMiner with attributes such as body temperature, blood pressure, heart rate, gender, age, and primary symptoms. The results showed that body temperature was the most dominant factor in the classification, with patients with a temperature below 37.05°C categorized as healthy, while temperatures above 37.05°C indicated mild or severe disease. The Decision Tree model achieved 96.67% accuracy, demonstrating its effectiveness and accuracy as a medical decision-making tool to support the process of determining disease with high efficiency and accuracy. Keywords: Decision Tree C4.5, Data Mining, Patient Diagnosis, Classification

Klasifikasi Kematangan Tanaman Buah Tomat Menggunakan Teachable Machine: Pendekatan Berbasis Gambar Maridatul Husna; Zaehol Fatah
Jurnal Mahasiswa Teknik Informatika Vol. 5 No. 1 (2026): Volume 5 Nomor 1 April 2026
Publisher : Universitas Ngudi Waluyo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35473/jamastika.v5i1.4599

Identifying the ripeness level of tomatoes (Solanum lycopersicum) is important in agriculture because it affects product quality, market value, and harvesting efficiency. This study aims to classify tomato ripeness (raw, semi-ripe, ripe) using digital images through Teachable Machine (Google's AI platform). The approach used is image-based classification utilizing machine learning techniques to detect color and texture patterns. Data were collected directly, labeled, and used to train the model. Evaluation results showed high accuracy (94%) and low loss values. The developed prototype allows real-time ripeness classification. The implementation of these findings is expected to improve harvest quality, reduce losses, and support sustainable agriculture through systematic technology. Keywords: Teachable Machine. Classification, Tomato Ripeness, image. Identifikasi tingkat kematangan tomat (Solanum lycopersicum) penting dalam agrikultur karena memengaruhi kualitas produk, nilai jual, dan efisiensi panen. Studi ini bertujuan mengklasifikasikan kematangan tomat (mentah, setengah matang, matang) menggunakan citra digital melalui Teachable Machine (platform AI Google). Pendekatan yang digunakan adalah klasifikasi berbasis gambar yang memanfaatkan teknik pembelajaran mesin untuk mendeteksi pola warna dan tekstur. Data diperoleh langsung, dilabeli, dan digunakan untuk melatih model.Hasil evaluasi menunjukkan akurasi tinggi (94%) dan nilai kerugian rendah. Prototipe yang dikembangkan memungkinkan klasifikasi kematangan secara waktu nyata. Implementasi temuan ini diharapkan dapat meningkatkan mutu hasil panen, meminimalisir kerugian, dan mendukung pertanian yang berkelanjutan melalui pendekatan teknologi yang terencana. Kata Kunci: Teachable Machine. Klasifikasi, Kematangan Tomat, gambar.

Prediksi Jenis Bunga Iris dengan Alqoritma K-Nearest Neighbor Menggunakan RapidMiner Ahmad Fauzan; Zaehol Fatah
Jurnal Mahasiswa Teknik Informatika Vol. 5 No. 1 (2026): Volume 5 Nomor 1 April 2026
Publisher : Universitas Ngudi Waluyo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35473/jamastika.v5i1.4621

Pada kesempatan ini peneliti brtujuan untuk mengklasifikasi tumbuhan Iris Species menggunakan metode alqoritma K-Nearest Neighbor yang mengimplementasikan dalam RapidMiner Studio 2025.0.1. Yang mana Dataset berisi 150 entri yang mewakili tiga spesies iris (sclerotium, iris beraneka warna, dan eceng gondok), masing-masing berisi empat fitur utama yang digunakan sebagai variabel studi: ukuran Panjang dan lebar dibagian kelopak serta mahkota bunga. Metodologi penelitian ini melibatkan beberapa Langkah yaitu: akuisisi data (Retrieve Iris), penandaan fitur (Set Role), pemisahan data (70% data pelatihan, 30% data uji), pelatihan model menggunakan algoritma K-NN dengan K = 5 dan pembobotan, implementasi model (Apply Model), dan evaluasi kinerja. Hasil pengujian menunjukkan bahwa model K-NN dapat mengklasifikasikan tumbuhan Iridaceae dengan akurasi 97,78%, tingkat presisi dan recall melebihi 93%, dan kesalahan klasifikasi yang sangat rendah. Penelitian ini juga menunjukkan efektifitas tinggi alqoritma K-NN dalam pengenalan pola mortofologi bunga dan juga menunjukkan bahwa aplikasi RapidMiner dapat dijadikan alat yang efektif dan praktis untuk mengembangkan model klasifikasi berbasis pembelajaran mesin. Kata Kunci: K-Nearset Neighbor, RapidMiner, Klasifikasi, iris, Pembelajaran mesin. On this occasion, the researcher aims to classify Iris Species plants using the K-Nearest Neighbor algorithm method implemented in RapidMiner Studio 2025.0.1. The dataset contains 150 entries representing three iris species (sclerotium, variegated iris, and water hyacinth), each containing four main features used as study variables: petal length and width, and petal length and width. The methodology of this study involves several steps, namely: data acquisition (Retrieve Iris), feature marking (Set Role), data separation (70% training data, 30% test data), model training using the K-NN algorithm with K = 5 and weighting, model implementation (Apply Model), and performance evaluation. The test results show that the K-NN model can classify Iridaceae plants with an accuracy of 97.78%, precision and recall levels exceeding 93%, and very low classification errors. This study also shows the high effectiveness of the K-NN algorithm in recognizing flower morphological patterns and also shows that the RapidMiner application can be used as an effective and practical tool for developing machine learning-based classification models. Keywords: K-Nearest Neighbor, RapidMiner, Classification, iris, Machine learning.

Implementasi Aplikasi Kehadiran Berbasis Web menggunakan Codeigniter pada SMK Ibrahimy 2 Sukorejo Situbondo Rofi Dian Andini; Zaehol Fatah
Jurnal Mahasiswa Teknik Informatika Vol. 5 No. 1 (2026): Volume 5 Nomor 1 April 2026
Publisher : Universitas Ngudi Waluyo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35473/jamastika.v5i1.4623

Ada kebutuhan yang berkembang akan struktur administrasi yang efisien dan terkoordinasi dengan baik karena pergeseran operasional di sektor pendidikan. Aplikasi kehadiran daring yang dibangun menggunakan kerangka CodeIgniter 4 dan diimplementasikan di SMK Ibrahimy 2 Sukorejo Situbondo merupakan tujuan dari penelitian ini. Research and development (R&D) menggunakan model waterfall merupakan proses yang digunakan. Prosesnya terdiri dari langkah-langkah berikut: pengumpulan persyaratan, desain persyaratan, implementasi (menggunakan kerangka kerja seperti PHP CodeIgniter 4, MySQL, dan Bootstrap), pengujian (baik fungsional maupun kegunaan), dan terakhir, penilaian oleh pengguna akhir. Menurut desain sistem, ada modul login multi-level yang memungkinkan admin, guru, dan siswa untuk masuk. Selain itu, ada fitur input kehadiran kelas setiap jam, rekap otomatis, dan kemampuan untuk mengekspor laporan dalam format PDF atau XLS. Menurut pengujian fungsional, semua fitur utama beroperasi seperti yang diharapkan. Menurut studi kegunaan, baik instruktur maupun administrator sangat puas dengan kesederhanaan penggunaan sistem dan kemampuannya untuk mengurangi waktu rekapitulasi. Artikel ini merinci arsitektur sistem, mengujinya, memberikan contoh ilustratif dari hasil pengujian, dan menyarankan cara untuk memperbaikinya. Kata Kunci: kehadiran, CodeIgniter, sistem informasi sekolah, absensi web, R&D The growing need for efficient and well-coordinated administrative structures amid shifting operational demands in the education sector has encouraged the development of digital management solutions. This study aims to develop an online attendance application built using the CodeIgniter 4 framework and implemented at SMK Ibrahimy 2 Sukorejo Situbondo. The research adopts a Research and Development (R&D) approach using the waterfall model, consisting of requirement collection, system design, implementation with PHP CodeIgniter 4, MySQL, and Bootstrap, followed by functional and usability testing, and final evaluation by end users.The system design includes a multi-level login module for administrators, teachers, and students; hourly class attendance input; automatic attendance recap; and export features for PDF and XLS reports. Functional testing shows that all core features operate as intended. Usability testing indicates high satisfaction among teachers and administrators regarding system simplicity and its effectiveness in reducing recap time. This article presents the system architecture, testing procedures, illustrative test results, and recommendations for future improvements. Konteks berikutnya dapat berlanjut pada penyempurnaan gaya penulisan atau struktur ilmiah agar selaras dengan standar publikasi lainnya. Keywords: attendance, CodeIgniter, school information system, web attendance, R&D

Implementasi FP-Growth Untuk Analisis Wilayah Strategis Madrasah Aliyah Miftahul Ulum Bengkak Tuti Alawiyah; Zaehol Fatah
Jurnal Mahasiswa Teknik Informatika Vol. 5 No. 1 (2026): Volume 5 Nomor 1 April 2026
Publisher : Universitas Ngudi Waluyo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35473/jamastika.v5i1.4629

Pemanfaatan data mining semakin penting bagi lembaga pendidikan dalam mendukung pengambilan keputusan berbasis data dengan mengidentifikasi pola hubungan antar data adalah algoritma FP-Growth. Studi ini bertujuan untuk menganalisis pola wilayah asal calon siswa Madrasah Aliyah Miftahul Ulum Bengkak untuk menentukan daerah strategis sebagai sasaran promosi. Penelitian menggunakan data pendaftaran beberapa tahun terakhir dengan tahapan pengumpulan data, pra-pemrosesan, dan penerapan algoritma FP-Growth melalui RapidMiner Studio. Hasil penelitian menunjukkan adanya aturan asosiasi dengan nilai support dan confidence tinggi pada wilayah Bengkak, Wongsorejo, Alasbuluh, Ketapang, dan Banyuwangi. Temuan tersebut menunjukkan bahwa wilayah tersebut memiliki keterkaitan kuat dalam pola pendaftaran siswa baru. Algoritma FP-Growth terbukti efektif untuk mengungkap pola tersembunyi pada data wilayah calon siswa dan dapat digunakan sebagai dasar penyusunan strategi promosi madrasah yang lebih tepat sasaran. Kata kunci: FP-Growth, data mining, wilayah strategis, Association rules, RapidMiner. The use of data mining has become a strategic need for educational institutions in supporting data-driven planning. Madrasah Aliyah Miftahul Ulum Bengkak requires an analysis of students’ origin areas to determine potential regions for promotional activities. This study aims to identify regional pattern associations using the FP-Growth algorithm, enabling the institution to recognize strategic areas that significantly contribute to new student enrollment. This research employs a descriptive quantitative approach using registration data from several academic years. Data gathering, data preprocessing, and applying the FP-Growth algorithm in RapidMiner Studio are all steps. The findings reveal association rules with high support and confidence values, particularly in Bengkak, Wongsorejo, Alasbuluh, Ketapang, and Banyuwangi. These regions demonstrate strong relationships in enrollment patterns and are therefore suitable as priority targets for promotion. This study concludes that the FP-Growth algorithm is effective in uncovering hidden patterns within students’ regional-origin data and provides a reliable foundation for formulating more targeted, efficient, and data-driven promotional strategies. Keywords: FP-Growth, Data mining, Astrategic areas, Aassociation rules, RapidMiner.

Klasifikasi Bentuk Tubuh Manusia (kurus, ideal dan gemuk) Berdasarkan Citra Digital Menggunakan Teachable Machine Siti Afiyah Suryadi Rahmah; Zaehol Fatah
Jurnal Mahasiswa Teknik Informatika Vol. 5 No. 1 (2026): Volume 5 Nomor 1 April 2026
Publisher : Universitas Ngudi Waluyo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35473/jamastika.v5i1.4630

Klasifikasi bentuk tubuh manusia adalah salah satu tantangan dalam bidang pengolahan citra digital dan kecerdasan buatan. Penelitian ini bertujuan menciptakan sistem yang mampu mengklasifikasikan bentuk tubuh manusia menjadi tiga kategori, yaitu kurus, ideal, dan gemuk, berdasarkan gambar yang diambil. Sistem ini menggunakan platform Teachable Machine yang dikembangkan oleh Google. Metode yang digunakan mencakup pengumpulan gambar tubuh manusia dari berbagai sudut, memberi label pada gambar sesuai kategori yang sudah ditentukan, pelatihan model klasifikasi dengan metode pengenalan gambar berbasis pembelajaran mesin, serta pengujian akurasi model tersebut. Hasil penelitian menunjukkan bahwa sistem mampu mengklasifikasikan bentuk tubuh dengan tingkat akurasi yang tinggi, tergantung pada kualitas dan variasi gambar yang digunakan. Dengan pendekatan ini, klasifikasi bentuk tubuh dapat dilakukan secara otomatis dan langsung tanpa perlu melakukan pengukuran fisik secara manual. Penelitian ini diharapkan bisa membantu pengembang aplikasi kecerdasan buatan dalam bidang kebugaran, kesehatan, serta personalisasi produk.

Home Page

OAI Link

Editorial Team

Contact

Reviewer

Google Scholar

Contact Name
Universitas Ngudi Waluyo

Contact Email
ekonurhermansyah@unw.ac.id

Phone
+628561717901

Journal Mail Official
abdulrohman15@gmail.com

Editorial Address
Jl. Diponegoro no 186 Gedanganak - Ungaran Timur, Kab. Semarang Jawa Tengah

Location
Kab. semarang,

Jawa tengah

INDONESIA

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Home Page

OAI Link

Editorial Team

Contact

Reviewer

Google Scholar

Contact Name Universitas Ngudi Waluyo

Contact Email ekonurhermansyah@unw.ac.id

Phone +628561717901

Journal Mail Official abdulrohman15@gmail.com

Editorial Address Jl. Diponegoro no 186 Gedanganak - Ungaran Timur, Kab. Semarang Jawa Tengah

Location Kab. semarang, Jawa tengah INDONESIA

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Contact Name
Universitas Ngudi Waluyo

Contact Email
ekonurhermansyah@unw.ac.id

Phone
+628561717901

Journal Mail Official
abdulrohman15@gmail.com

Editorial Address
Jl. Diponegoro no 186 Gedanganak - Ungaran Timur, Kab. Semarang Jawa Tengah

Location
Kab. semarang,

Jawa tengah

INDONESIA