cover
Contact Name
Rendy Amy Saputra
Contact Email
sisfotenika@gmail.com
Phone
+6285245901320
Journal Mail Official
sisfotenika@gmail.com
Editorial Address
Jl. Merdeka No. 372, Pontianak
Location
Kota pontianak,
Kalimantan barat
INDONESIA
SISFOTENIKA
ISSN : 20877897     EISSN : 24605344     DOI : http://dx.doi.org/10.30700
Jurnal Ilmiah SISFOTENIKAditerbitkan oleh LPPM STMIK Pontianak dan IndoCEISS. Frekuensi Terbit Tengah Tahunan (2 kali dalam setahun, yaitu bulan Januari dan Juli). Jurnal SISFOTENIKA terakreditasi SINTA 4 melalui Surat Keputusan Direktur Jenderal Pendidikan Tinggi, Riset, dan Teknologi Kementerian Pendidikan Kebudayaan, Riset dan Teknologi Nomor 5162/E4/AK.04/2021, tanggal 27 Desember 2021 tentang Pemberitahuan Hasil Akreditasi Jurnal Ilmiah Periode I Tahun 2021. Jurnal SISFOTENIKA Reakreditasi Tetap di Peringkat 4 mulai Volume 11 Nomor 1 Tahun 2021 sampai Volume 15 Nomor 2 Tahun 2025. Topik yang akan dipublikasikan oleh Jurnal Ilmiah SISFOTENIKA berhubungan dengan teknologi informasi, komunikasi dan komputer yang berbentuk kumpulan/akumulasi pengetahuan baru, pengamatan empirik atau hasil penelitian, dan pengembangan gagasan atau usulan baru. Jurnal Ilmiah SISFOTENIKA merupakan Jurnal Keilmuan bidang Sistem Informasi dan Teknologi Informasi yang memuat tulisan-tulisan ilmiah mengenai penelitian-penelitian murni dan terapan di bidang Sistem Informasi dan Teknologi Informasi serta penerapan ilmu di bidang terkait lainnya. Pada setiap terbitannya, tulisan yang dimuat pada jurnal ini oleh penulis baik dari STMIK Pontianak maupun penulis dari kampus-kampus lain yang ada di Kalimantan Barat ataupun dari luar daerah yang menyumbangkan tulisannya untuk diterbitkan pada Jurnal Ilmiah SISFOTENIKA ini.
Articles 63 Documents
Klasifikasi Citra Kebakaran Hutan Menggunakan Arsitektur ResNet-50 Berbasis Transfer Learning: Forest Fire Image Classification Using ResNet-50 Architecture Based on Transfer Learning Aditya Pratama; Candra Gudiato; Denny Primanda; Weli Zuandi; Wahyu Prayitno
SISFOTENIKA Vol. 16 No. 2 (2026): SISFOTENIKA
Publisher : STMIK PONTIANAK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30700/sisfotenika.v16i2.707

Abstract

Kebakaran hutan dan lahan (karhutla) merupakan bencana lingkungan serius yang memerlukan sistem deteksi dini secara akurat dan efisien guna meminimalisir dampak kerusakan. Penelitian ini bertujuan untuk menguji keandalan dan efisiensi arsitektur ResNet-50 berbasis Transfer Learning dalam mengklasifikasikan citra digital kebakaran hutan ke dalam dua kelas biner (wildfire dan nowildfire). Dataset sekunder yang diunduh dari repositori terbuka Kaggle terlebih dahulu melalui tahap pra-pemrosesan, mencakup pemeriksaan integritas data (data integrity check) untuk menangani file gambar yang rusak/korup, pengubahan ukuran citra (resizing) menjadi 128 × 128 piksel, normalisasi nilai piksel, serta teknik augmentasi data acak. Dataset dibagi secara terpisah dengan proporsi rasio 70% data latih (30.250 citra), 15% data validasi (6.300 citra), dan 15% data uji (6.300 citra). Arsitektur ResNet-50 dikombinasikan dengan classification head buatan (Global Average Pooling 2D, Dense Layer 256 unit dengan ReLU, Dropout 0.4, dan Output Sigmoid) serta dilatih selama 5 epoch menggunakan optimizer Adam (default learning rate 1 × 10⁻3) dan fungsi kerugian Binary Cross-Entropy Loss. Evaluasi terhadap 6.300 citra uji independen menunjukkan bahwa model mampu mencapai Akurasi Keseluruhan sebesar 88%. Model terbukti memiliki sensitivitas tinggi terhadap kelas kebakaran (wildfire) dengan Recall sebesar 0.90 dan F1-Score sebesar 0.90 (berhasil mengenali 3.141 dari 3.480 citra kebakaran secara tepat). Pengujian Receiver Operating Characteristic (ROC) Curve menghasilkan nilai Area Under Curve (AUC) sebesar 0.92, yang menegaskan kemampuan pemisahan kelas (class separation ability) yang sangat unggul. Hasil ini membuktikan bahwa pendekatan Transfer Learning berbasis ResNet-50 sangat efektif dan efisien untuk diterapkan sebagai mesin pemrosesan visual utama pada sistem peringatan dini kebakaran hutan
Implementasi Tailwind Css Dalam Perancangan Website Penjualan Berbasis Mobile-First Handy Kusuma; Inggri Eka Pratiwi
SISFOTENIKA Vol. 16 No. 1 (2026): SISFOTENIKA
Publisher : STMIK PONTIANAK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30700/1fy50t81

Abstract

Penelitian ini membahas perancangan dan implementasi website penjualan berbasis mobile-first menggunakan Tailwind CSS dengan studi kasus iOS Store Pontianak. Pendekatan ini bertujuan untuk meningkatkan responsivitas, kecepatan, dan pengalaman pengguna (UX) melalui penerapan Cards & Grid Layout sebagai tata letak utama. Metode penelitian yang digunakan adalah Research and Development (R&D) yang mencakup analisis kebutuhan, perancangan UI/UX, implementasi, serta pengujian performa dan aksesibilitas. Pengujian dilakukan menggunakan Google Lighthouse dan PageSpeed Insights yang menunjukkan skor 99 untuk performa, 93 untuk aksesibilitas, dan 96 untuk best practices. Selain itu, nilai First Contentful Paint (FCP) dan Largest Contentful Paint (LCP) masing-masing sebesar 0,7 detik yang menunjukkan waktu muat website yang sangat cepat. Hasil penelitian menunjukkan bahwa penggunaan Tailwind CSS mendukung pengembangan website yang responsif dan efisien serta menghasilkan performa website yang baik pada perangkat mobile. Meskipun demikian, masih diperlukan optimalisasi SEO dan pengujian aksesibilitas lebih lanjut untuk memastikan pengalaman pengguna yang lebih inklusif. Dengan demikian, penelitian ini dapat menjadi referensi bagi pengembangan website e-commerce berbasis mobile-first yang optimal dan efisien
A Comparative Study of Machine Learning Models For Crop Disease Prediction Under Data Scarcity: Studi Komparatif Model Machine Learning untuk Prediksi Penyakit Tanaman dalam Kondisi Keterbatasan Data Susanti Margaretha Kuway; M. Dzil Kadri
SISFOTENIKA Vol. 16 No. 1 (2026): SISFOTENIKA
Publisher : STMIK PONTIANAK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30700/sisfotenika.v16i1.713

Abstract

In many agricultural settings, particularly in developing regions, access to large, high-quality labeled datasets remains a persistent constraint. This study examines whether reliable crop-disease classification can be obtained when data are scarce, and whether the choice of learning algorithm—rather than the volume of data—is the dominant factor governing accuracy. Using a controlled simulation of 150 samples described by three environmental parameters (temperature, humidity, and soil pH) across eight leaf-disease classes, we train and evaluate five classifiers: K-Nearest Neighbors (KNN), Decision Tree, Random Forest, Support Vector Machine (SVM), and Logistic Regression. Each class is generated from characteristic, overlapping environmental ranges so that a learnable but non-trivial signal exists. Models are assessed on a stratified 30% hold-out set using accuracy, macro precision, recall, and F1-score, with Principal Component Analysis (PCA) used to visualize decision boundaries. At a fixed and small sample size, accuracy varied widely across models (from 51.11% for the Decision Tree to 68.89% for Logistic Regression), all substantially above the 12.50% random baseline for eight balanced classes. Among the three tree-family and instance-based models that motivated the study, Random Forest was the strongest (64.44%). These results support the central premise that, in low-resource conditions, principled model selection contributes more to predictive performance than simply enlarging the dataset.