cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Imam Fahrur Rozi
Contact Email
imam.rozi@polinema.ac.id
Phone
+6285233139738
Journal Mail Official
jip@polinema.ac.id
Editorial Address
Politeknik Negeri Malang Jl. Soekarno Hatta No.9, Jatimulyo, Kec. Lowokwaru, Kota Malang, Jawa Timur 65141 Phone: (0341) 404424-404425 Fax: (0341) 404420
Location
Kota malang,
Jawa timur
INDONESIA
Jurnal Informatika Polinema (JIP)
Published by Politeknik Negeri Malang
ISSN : 26146371     EISSN : 2407070X     DOI : https://doi.org/10.33795/jip
Core Subject : Science, Engineering,
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Library & Information Science
The focus and scope of articles published in JIP (Journal of Informatics Polinema) encompasses the game technology, information system, computer network, computing, which covers the following scope: Game Technology Artificial Intelligence Intelligent System Machine Learning Image Processing Computer Vision Information Retrieval Machine Learning Information System Internet of Things Computer Security Technology Enhanced Learning Education Technologies Digital Forensic Wireless Sensor UI/UX research JIP (Jurnal Informatika Polinema) publishes comprehensive research articles and invited reviews by leading expert in the field. Papers will be selected that high scientific merit, impart important new knowledge, and are of high interest to computer and information technology.
Arjuna Subject : Ilmu Komputer (semua kategori) - Aplikasi Ilmu Komputer
Articles 606 Documents
 57   58   59   60   61 
Optimasi SVM-PSO untuk Identifikasi Penyakit Tanaman Kedelai Erfan Nurkholis Efendi; Arief Tri Nugroho
Jurnal Informatika Polinema Vol. 12 No. 3 (2026): Vol. 12 No. 3 (2026)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v12i3.9724

Abstract

Penurunan hasil produksi tanaman kedelai umumnya dipengaruhi oleh serangan berbagai jenis penyakit, sehingga dibutuhkan suatu metode identifikasi yang mampu bekerja secara cepat, tepat, dan konsisten. Penelitian ini berfokus pada kategorisasi penyakit yang menyerang tanaman kedelai, dengan menerapkan algoritma Support Vector Machine (SVM) yang telah disempurnakan melalui pendekatan Particle Swarm Optimization (PSO).. Data yang digunakan dalam penelitian ini terdiri dari 35 jenis gejala yang dipetakan ke dalam 14 kategori penyakit berdasarkan nilai tingkat kepercayaan dengan rentang antara 0 hingga 1. Setiap gejala direpresentasikan dalam bentuk fitur numerik, sedangkan penentuan label kelas dilakukan berdasarkan nilai kepercayaan tertinggi dari masing-masing kategori penyakit. Tahapan penelitian meliputi proses prapengolahan data, normalisasi untuk menyetarakan skala nilai, Alokasi sumber daya data ke dalam kelompok pelatihan dan pengujian, diikuti dengan penerapan klasifikasi melalui metode Support Vector Machine (SVM). serta optimasi parameter model melalui pendekatan PSO guna memperoleh performa terbaik. Hasil pengujian menunjukkan bahwa model SVM tanpa optimasi menghasilkan tingkat akurasi sebesar 85%, sementara setelah dilakukan optimasi menggunakan PSO, akurasi meningkat menjadi 92%. Selain itu, nilai precision dan recall juga menunjukkan peningkatan yang signifikan. Hasil tersebut mengindikasikan bahwa penerapan PSO dalam optimasi parameter SVM Metode yang diajukan terbukti mampu meningkatkan performa model klasifikasi. Oleh karena itu, pendekatan ini memiliki potensi untuk dieksplorasi lebih lanjut sebagai solusi dalam pengembangan sistem cerdas di sektor pertanian. Secara spesifik, metode ini dapat berkontribusi pada pembangunan sistem diagnosis penyakit kedelai yang otomatis dan akurat.
Sistem Peringatan Dini Kebakaran IoT dan YOLOV8N untuk Deteksi Manusia Zaky Hanafian Alhuda; Yuliarman Saragih; Indri Purwita Sary
Jurnal Informatika Polinema Vol. 12 No. 3 (2026): Vol. 12 No. 3 (2026)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v12i3.9764

Abstract

Kebakaran bangunan merupakan bencana yang sering terjadi dan menyebabkan kerugian material maupun korban jiwa. Sistem deteksi kebakaran konvensional masih memiliki keterbatasan, yaitu hanya mengandalkan sensor asap atau suhu tanpa validasi visual dan mekanisme penanganan otomatis. Penelitian ini bertujuan merancang dan membangun sistem deteksi kebakaran berbasis Internet of Things (IoT) dan kecerdasan buatan yang mampu bekerja secara real-time dan terintegrasi. Metode yang digunakan adalah penelitian terapan dengan pendekatan rekayasa sistem. Sistem dirancang menggunakan sensor MQ-2 untuk mendeteksi gas atau asap, sensor BME280 untuk suhu, kamera CCTV, serta mikrokontroler ESP32. Deteksi manusia dilakukan menggunakan model YOLOv8n yang dilatih dengan total 6.277 citra. Data ditampilkan pada web dashboard, disimpan ke database PostgreSQL, dilengkapi notifikasi telegram, serta fitur laporan PDF. Hasil pengujian menunjukkan sensor MQ-2 dan BME280 mampu mendeteksi kondisi bahaya dengan nilai gas 671 ppm dan suhu 79,50°C. Model YOLOv8n menghasilkan akurasi 84%, presisi 90%, recall 93%, dan F1-score 91% dalam mendeteksi manusia. Web dashboard menampilkan data real-time, history kejadian, dan unduh laporan. Notifikasi telegram berhasil terkirim otomatis saat kondisi bahaya dengan terdeteksinya manusia. Database menyimpan seluruh data kejadian secara terstruktur. Kesimpulannya, sistem yang dikembangkan mampu meningkatkan kecepatan deteksi dan akurasi informasi kebakaran, serta memberikan respons adaptif melalui integrasi sensor, kecerdasan buatan, notifikasi, dan pelaporan otomatis. Sistem ini diharapkan dapat diterapkan tidak hanya pada lingkungan rumah, tetapi juga gedung bertingkat maupun perkantoran.
Optimasi K-NN dengan Bayes Search CV untuk Klasifikasi Kanker Payudara Toni Arifin; Ignatius Wiseto Prasetyo Agung; Ilham Rachmat Wibowo; Erfian Junianto
Jurnal Informatika Polinema Vol. 12 No. 3 (2026): Vol. 12 No. 3 (2026)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v12i3.9766

Abstract

Kanker payudara merupakan salah satu penyebab utama mortalitas global pada wanita dan menjadi tantangan serius dalam bidang kesehatan. Sifat penyakit yang heterogen menuntut adanya metode klasifikasi yang akurat dan andal guna mendukung proses diagnosis serta penentuan strategi terapi yang tepat. Penelitian ini bertujuan untuk mengoptimalkan kinerja algoritma K-Nearest Neighbors (KNN) melalui penerapan metode Bayes Search Cross Validation (CV) dalam meningkatkan akurasi klasifikasi berbasis data ekspresi gen messenger Ribonucleic Acid (mRNA). Metodologi penelitian meliputi proses pemodelan KNN yang diintegrasikan dengan optimasi hyperparameter menggunakan Bayes Search CV pada dataset Breast Cancer Gene Expression Profiles (METABRIC) yang terdiri dari 1.904 sampel dan 692 atribut, mencakup data ekspresi gen dan karakteristik klinis pasien. Tahapan penelitian mencakup pengolahan data awal, pembagian data latih dan uji, proses optimasi, serta evaluasi model menggunakan metrik akurasi. Hasil penelitian menunjukkan bahwa penerapan Bayes Search CV mampu meningkatkan akurasi klasifikasi secara signifikan menjadi 78,68%, dibandingkan dengan model dasar tanpa optimasi yang hanya mencapai 66,81%. Temuan ini mengindikasikan bahwa pemilihan hyperparameter yang optimal berkontribusi besar terhadap peningkatan performa model. Dengan demikian, dapat disimpulkan bahwa pendekatan optimasi berbasis Bayes Search CV efektif dalam meningkatkan kinerja algoritma KNN pada data genetik yang kompleks serta berpotensi mendukung pengembangan sistem pendukung keputusan klinis yang lebih akurat, personal, efisien, adaptif, dan relevan dalam mendukung implementasi Precision medicine pada diagnosis kanker payudara modern.
Evaluasi Kinerja Deteksi Penyakit Buah Cabai Rawit Berbasis Citra Ni Wayan Widyasari Damayanti; Putu Manik Prihatini; I Putu Oka Wisnawa
Jurnal Informatika Polinema Vol. 12 No. 3 (2026): Vol. 12 No. 3 (2026)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v12i3.9826

Abstract

Penyakit pada buah cabai rawit sering sulit diidentifikasi secara manual dikarenakan kemiripan gejala visual antar penyakit dan keterbatasan informasi mengenai lokasi gejala pada buah. Riset ini mempunyai tujuan guna melakukan pengembangan sistem deteksi penyakit buah cabai rawit berbasis citra digital memakai metode Single Shot Detector (SSD). Metode ini digunakan karena dapat melakukan klasifikasi objek sekaligus menentukan lokasi gejala dalam satu proses. Dataset yang dipakai mencakup atas 1.200 citra yang digolongkan atas tiga kategori, yakni buah sehat, antraknosa, dan serangan lalat buah, yang diperoleh langsung dari kondisi lapangan. Proses pengembangan meliputi pengumpulan data, anotasi, pembagian dataset, pelatihan model, serta evaluasi memakai metrik precision, recall, F1-Score, serta mean Average Precision (mAP). Hasil pengujian menunjukkan bahwa model terbaik diperoleh pada konfigurasi optimizer AdamW dengan skema learning rate dinamis, dengan nilai mAP sebesar 83,78%. Sistem yang dikembangkan mampu menampilkan hasil deteksi berupa kategori penyakit, confidence score, serta bounding box yang menunjukkan lokasi gejala pada buah. Implementasi dalam aplikasi berbasis web menunjukkan bahwa sistem dapat digunakan untuk proses identifikasi secara praktis. Penelitian ini memberikan kontribusi dalam pemanfaatan metode deteksi objek untuk identifikasi penyakit tanaman berbasis citra lapangan. Pengembangan berikutnya mampu difokuskan terhadap penambahan dataset serta peningkatan kekuatan model guna memberi pembedaan objek dengan karakteristik visual yang serupa.
Analisis Performa DETR untuk Deteksi Penyakit pada Buah Kakao Menggunakan Dataset Lokal Ni Luh Putu Listya Dewi; Putu Manik Prihatini; I Putu Oka Wisnawa
Jurnal Informatika Polinema Vol. 12 No. 3 (2026): Vol. 12 No. 3 (2026)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v12i3.9862

Abstract

Kakao merupakan komoditas perkebunan bernilai ekonomi tinggi, namun ancaman infeksi penyakit pada tanaman seringkali memicu penurunan drastis terhadap kualitas maupun kuantitas hasil panen buah kakao. Selama ini, upaya identifikasi dini cenderung mengandalkan observasi visual secara manual yang tidak hanya memakan banyak waktu, melainkan juga sangat rentan terhadap bias subjektivitas pengamat. Untuk mengatasi permasalahan tersebut, studi ini mengusulkan inovasi otomatisasi deteksi penyakit pada buah kakao dengan memanfaatkan teknologi computer vision, secara khusus mengimplementasikan algoritma Detection Transformer (DETR) berbasis pengolahan citra RGB. Metode penelitian yang dilakukan meliputi pengumpulan dataset citra kakao, preprocessing, anotasi bounding box pada citra, pelatihan model, dan pengujian model. Model DETR dilatih selama 300 epoch dengan menggunakan 720 citra yang dibagi ke dalam data train, validation, dan test dengan perbandingan sebesar 70:15:15. Selanjutnya dilakukan pengukuran kinerja dengan menggunakan metrik mean Average Precision (mAP). Hasil eksperimen menunjukkan performa yang sangat kompetitif, dengan model berhasil memperoleh nilai mean Average Precision (mAP) sebesar 0.86. Kesimpulan dari penelitian ini membuktikan bahwa arsitektur berbasis transformer mampu memberikan keunggulan dalam ekstraksi fitur penyakit kakao dengan tingkat konvergensi yang stabil meskipun dalam keterbatasan parameter pelatihan. Efektivitas yang dihasilkan memberikan kontribusi signifikan bagi pengembangan sistem monitoring pertanian cerdas yang handal dan ekonomis untuk diimplementasikan dalam skala perkebunan secara nyata.
Analisis Sentimen Pengguna Tiktok terhadap Pemilihan Kepala Daerah Kabupaten Situbondo Tahun 2024 Menggunakan Algoritma Naïve Bayes Nur Azise; Ma’ruf Ubaidillah; Achmad Baijuri
Jurnal Informatika Polinema Vol. 12 No. 3 (2026): Vol. 12 No. 3 (2026)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v12i3.9863

Abstract

Media sosial TikTok menjadi platform populer di kalangan masyarakat Situbondo, dan hampir semua lapisan masyarakat menggunakan platform karena kemudahannya dalam membuat dan membagikan video pendek dengan latar musik sebagai sarana hiburan, ekspresi diri, berinteraksi. Pada pemilihan kepala daerah tahun 2024, TikTok tidak hanya digunakan sebagai sarana hiburan, akan tetapi sebagai sarana menyampaikan opini, baik positif, netral, maupun negatif terhadap kandidat. Namun, banyaknya komentar tanpa penyaringan menimbulkan beragam persepsi yang sulit dipetakan. Kondisi ini mendorong penelitian untuk menganalisis sentimen masyarakat melalui pendekatan data mining menggunakan menggunakan Algoritma Naïve Bayes terhadap opnini masyarakat melalui platform Tiktok, sehingga opini publik dapat dikaji secara lebih objektif dan bermanfaat bagi strategi komunikasi politik. Penelitian ini menggunakan metode kuantitatif dengan pendekatan eksperimental, dimana pada penelitian sebelumnya membahas isu nasional pada platform X dan Instagram. Pengumpulan data penelitian ini melalui teknik web scraping dari 494 komentar TikTok yang membahas PILKADA Situbondo. Data yang terkumpul diproses melalui tahapan text preprocessing, kemudian diklasifikasikan menggunakan algoritma Multinomial Naive Bayes. Hasil penelitian menunjukkan bahwa model klasifikasi berbasis Naive Bayes mampu mengklasifikasikan sentimen dengan akurasi sebesar 70,59%. Kinerja model lebih baik dalam mengidentifikasi sentimen positif dibandingkan netral, yang masih sulit diklasifikasikan secara tepat. Temuan ini membuktikan bahwa metode Naive Bayes cukup efektif dalam pemetaan opini publik berbasis media sosial TikTok, meskipun masih terdapat ruang pengembangan melalui optimalisasi algoritma atau penambahan variasi dataset. Temuan ini dapat dimanfaatkan oleh kandidat, tim kampanye, maupun penyelenggara pemilu dalam merancang strategi komunikasi politik yang lebih tepat sasaran.

Page 61 of 61 | Total Record : 606

 57   58   59   60   61 

Filter by Year

2014 2026


Reset
Filter By Issues
All Issue Vol. 12 No. 3 (2026): Vol. 12 No. 3 (2026) Vol. 12 No. 2 (2026): Vol. 12 No. 2 (2026) Vol. 12 No. 1 (2025): Vol. 12 No. 1 (2025) Vol. 11 No. 4 (2025): Vol. 11 No. 4 (2025) Vol. 11 No. 3 (2025): Vol. 11 No. 3 (2025) Vol. 11 No. 2 (2025): Vol. 11 No. 2 (2025) Vol. 11 No. 1 (2024): Vol. 11 No. 1 (2024) Vol. 10 No. 4 (2024): Vol. 10 No. 4 (2024) Vol. 10 No. 3 (2024): Vol. 10 No. 3 (2024) Vol. 10 No. 2 (2024): Vol 10 No 2 (2024) Vol. 10 No. 1 (2023): Vol 10 No 1 (2023) Vol. 9 No. 4 (2023): Vol. 9 No. 4 (2023) Vol. 9 No. 3 (2023): Vol 9 No 3 (2023) Vol. 9 No. 2 (2023): Vol 9 No 2 (2023) Vol. 9 No. 1 (2022): Vol 9 No 1 (2022) Vol. 8 No. 4 (2022): Vol 8 No 4 (2022) Vol. 8 No. 3 (2022): Vol 8 No 3 (2022) Vol. 8 No. 2 (2022): Vol 8 No 2 (2022) Vol. 8 No. 1 (2021): Vol 8 No 1 (2021) Vol. 7 No. 4 (2021): Vol 7 No 4 (2021) Vol. 7 No. 3 (2021): Vol 7 No 3 (2021) Vol. 7 No. 2 (2021): Vol 7 No 2 (2021) Vol. 7 No. 1 (2020): Vol 7 No 1 (2020) Vol. 6 No. 4 (2020): Vol 6 No 4 (2020) Vol. 6 No. 3 (2020): Vol 6 No 3 (2020) Vol. 6 No. 2 (2020): Vol 6 No 2 (2020) Vol. 6 No. 1 (2019): Vol 6 No 1 (2019) Vol. 5 No. 4 (2019): Vol 5 No 4 (2019) Vol. 5 No. 3 (2019): Vol 5 No 3 (2019) Vol. 5 No. 2 (2019): Vol 5 No 2 (2019) Vol. 5 No. 1 (2018): Vol 5 No 1 (2018) Vol. 4 No. 4 (2018): Vol 4 No 4 (2018) Vol. 4 No. 3 (2018): Vol 4 No 3 (2018) Vol. 4 No. 2 (2018): Vol 4 No 2 (2018) Vol. 4 No. 1 (2017): Vol 4 No 1 (2017) Vol. 3 No. 4 (2017): Vol 3 No 4 (2017) Vol. 3 No. 3 (2017): Vol 3 No 3 (2017) Vol. 3 No. 2 (2017): Vol 3 No 2 (2017) Vol. 3 No. 1 (2016): Vol 3 No 1 (2016) Vol. 2 No. 4 (2016): Vol 2 No 4 (2016) Vol. 2 No. 3 (2016): Vol 2 No 3 (2016) Vol. 2 No. 2 (2016): Vol 2 No 2 (2016) Vol. 2 No. 1 (2015): Vol 2 No 1 (2015) Vol. 1 No. 4 (2015): Vol 1 No 4 (2015) Vol. 1 No. 3 (2015): Vol 1 No 3 (2015) Vol. 1 No. 2 (2015): Vol 1 No 2 (2015) Vol. 1 No. 1 (2014): Vol 1 No 1 (2014) More Issue