Jurnal LPPM iSTTS
Not a member yet
189 research outputs found
Sort by
Comparison of CNN Transfer Learning in Detecting Superior Local Fruit Types in Bali
Full text linkBali Province is an island that has unique geographical conditions, as well as the diversity of fruit it has. The specialty of local fruit is not only of economic value for food needs but also for religious ceremonial needs. Bali provincial government is currently actively promoting local fruit so that it can be used as consumption for Bali's increasingly rapid tourism. Several superior fruits were developed as an effort to raise the potential of local fruit in the tourism sector. Some of the superior fruits are Balinese snake fruit and sapodilla. However, snake fruit is one of the superior local fruits in Bali which has not experienced degradation over time. This research aims to detect the types of snake fruit in Indonesia. This fruit is not popular compared to imported fruit. Therefore, an application is needed to recognize this type of snake fruit automatically. This research uses a deep learning method with the CNN (Convolutional Neural Network) algorithm. This algorithm is able to recognize and classify an image well. The fruit images used were 400 fruits for 4 types of snake fruit. Where the training data for snake fruit is special because it has different skin and fruit contents. In this research, 2 transfer learning models from the CNN algorithm were also compared, namely mobilenetv2 and ResNet152. Based on the test results, it was found that the best level of accuracy was obtained using the ResNet152 model with an accuracy value of 92% in identifying images of Balinese snake fruit
Perancangan Aset Visual 3D untuk Mobile Game Bertema Superhero
Full text linkIndustri video game telah berkembang pesat dalam satu dekade terakhir oleh karena ketersediaan video game di berbagai platform, seperti komputer, konsol game, ponsel, dan berbagai perangkat genggam. Indonesia merupakan salah satu pasar game terbesar, sehingga banyak pengembang game bermunculan, salah satunya adalah Artbid Studio. Artbid berencana untuk membuat permainan baru bernama Transforming Superhero Rush yang merupakan jenis endless run. Dalam membuat game tentunya tidak lepas dari aset visual yang menarik. Oleh karena itu dalam penelitian ini akan dibuat aset visual untuk mobile game bertema Superhero. Permainan ini berbasis Android dan dikembangkan dengan Unity. Dalam pembuatan penelitian ini terdapat 4 tahapan dasar untuk mencapai kesuksesan dari tujuan yang ingin dicapai. Tahapan tersebut meliputi pengumpulan data, visual development untuk menentukan desain aset visual, 3D production sebagai proses pembuatan game ready asset, dan implementation to game engine yang merupakan penerapan aset serta tahap testing pada aset yang telah dibuat. Hasil akhir pada penelitian ini terbagi menjadi karya utama yang merupakan aset visual dalam bentuk model 3D. Hasil aset visual ini berupa model 3D karakter dengan rigging yang telah terpasang, environment, dan objek properti yang dirancang pada software 3D modeling dan siap digunakan pada game engine. Hasil karya dievaluasi kepada 50 orang responden dengan kriteria berusia 12-17 tahun, tinggal di Indonesia, dengan nilai bonus jika gemar bermain video game. Mayoritas responden memberikan tanggapan positif terhadap karya penelitian ini. Berdasarkan hasil kuesioner, sebanyak 80,6% responden memberi jawaban positif yang menunjukkan ketertarikan pada pemain terhadap tampilan aset visual. Berdasarkan fungsinya, aset visual 3D pada game ini dinyatakan berhasil yang mana sebanyak 97,43% responden memberi jawaban positif dan menunjukkan tidak adanya kendala yang menghambat alur permainan
Predictive Buyer Behavior Model as Customer Retention Optimization Strategy in E-commerce
Full text linkLazada is one of the rapidly growing E-commerce platforms in this digital era. One of the main challenges faced by Lazada is customer retention, where customers make purchases once or a few times before switching to other platforms. Therefore, it is important to understand buyer behavior in E-commerce through customer prediction to identify factors influencing retention. This study employs the Random Forest (RF) method to analyze Lazada customer data and formulate more effective marketing strategies. The analysis is conducted by loading preprocessed datasets into the KNIME workflow and utilizing various nodes and algorithms available in KNIME to build and evaluate predictive models. The Random Forest model is trained multiple times to achieve the highest Accuracy rate, which is 72.472%, with a fairly high level of agreement and a balanced trade-off between recall and precision. Additionally, this model successfully predicts that customers purchasing electronic equipment are potentially churning at a rate of 3.85%. Subsequently, customer strategy analysis for customer retention optimization in the E-commerce industry is conducted through data visualization using Tableau. Predictive analysis of customer behavior serves as a strong foundation for formulating effective retention strategies in the E-commerce industry. With this approach, Lazada can enhance customer experience and ensure sustainability in facing the increasingly fierce competition in the digital market
Identifying Types of Corn Leaf Diseases with Deep Learning
Full text linkThe government is trying to increase corn yields to meet the Indonesian population's food needs and for export abroad. Some farmers have yet to gain experience with the types of diseases in corn, so they need tools or systems to guide and provide information to new farmers. Many previous studies have developed automatic systems to identify corn leaf diseases, with the goal of increasing corn crop production by early recognition and control. We propose a system for identifying types of corn leaf diseases using the CNN (Convolutional Neural Network) method to be more precise in recognizing corn diseases early on. The methods used in previous research mostly used deep learning with high accuracy results above 90%. CNN is one of the deep learning methods, so we use it to identify types of leaf diseases. Our data comes from Kaggle; we process it first. The Kaggle dataset has corn plants similar to those in Indonesia, so we use this data with identification classes (Blight, Common rust, Gray leaf spot, and Healthy). The training data is 2000 images with 500 images for each class, and the testing data is 120 images with 30 images for each class. The evaluation results show that the classification process using the CNN method has an accuracy of 84.5%. The results we produced for identifying types of corn leaf disease still lack accuracy in their prediction, indicating the need to improve the CNN architecture model
Prediction of Physico-Chemical Characteristics in Batu Tangerine 55 Based on Reflectance-Fluorescence Computer Vision
Full text linkOranges (Citrus sp.) are one of the most abundant agricultural commodities in Indonesia. One of the popular local citruses is Batu Tangerine 55. Harvesting tangerines begins 252 days after the flowers bloom. Conventionally, we still determine the level of maturity by observing the color, shape, and hardness. The results of manual grouping tend to be subjective and less accurate. Destructive testing could be carried out and provide objective results; however, it would require sampling and damaging the fruits. Computer vision could be used to evaluate the maturity level of the fruit non-destructively. Dual imaging computer vision, i.e., reflectance-fluorescence mode, could be used to enhance the accuracy of the prediction. This study aims to develop a classification model and predict the physico-chemical characteristics of Batu Tangerine 55. Destructive testing is still being carried out to determine the value of TPT, the degree of acidity, and the firmness of the fruit. Non-destructive testing was carried out to obtain reflectance and fluorescence images. Once we obtain the destructive and non-destructive data, we will incorporate them into the classification and prediction models. The machine learning method for maturity classification uses three models, namely KNN, SVM, and Random Forest. The best results on the reflectance data (RGB) SVM model resulted in an accuracy of 1 for training data and 0.97 for testing data. The maturity parameter prediction method uses the PLS method. The best results for the predicted Brix/Acidity ratio R2 parameter are 0.81 and RMSE 3.4
Information Extraction Berbasis Rule untuk Laporan Keuangan Perusahaan
Full text linkLaporan keuangan merupakan salah satu sumber informasi penting bagi investor dalam membuat keputusan investasi. Namun, data yang terkandung di dalam laporan keuangan sangat besar sehingga proses untuk mencari informasi penting didalamnya perlu waktu yang cukup lama. Hal ini memunculkan kebutuhan perangkat yang bisa mengidentifikasi dan mengekstrak informasi yang relevan dari laporan keuangan secara otomatis. Oleh karena itu, sebuah model information extraction berbasis rule diusulkan dalam tugas akhir ini. Model ekstraksi informasi yang diusulkan, dirancang supaya dapat mengautomasi proses ekstraksi informasi yang relevan bagi investor seperti posisi keuangan, laba rugi, dan arus kas perusahaan. Model ini menggunakan rule yang sudah ditentukan sebelumnya oleh peneliti untuk mengekstrak informasi tersebut. Salah satu rule yang digunakan adalah regular expression, yang biasa digunakan untuk mengambil informasi yang terkandung dalam teks. Proses evaluasi model akan dilakukan dengan mengukur tingkat accuracy dan f1-score informasi yang didapatkan dari berbagai laporan keuangan. Penelitian ini menghasilkan model information extraction yang mampu mendapatkan nilai accuracy keseluruhan sebesar 86,07% dalam mendapatkan 16 label informasi finansial yang berbeda. Model ini, diharapkan dapat membantu investor dalam pengambilan keputusan investasi dengan memberikan akses yang mudah dan cepat ke informasi yang terdapat dalam laporan keuangan tanpa mengurangi tingkat akurasi informasi yang didapatkan secara signifikan
Implementation of DenseNet Architecture With Transfer Learning to Classify Mango Leaf Diseases
Full text linkMango plants (Mangifera indica) are a significant export commodity in the horticultural industry, offering numerous nutritional and economic benefits. They are rich in essential micronutrients, vitamins, and phytochemicals, contributing to their high demand globally. However, mango plants are susceptible to various diseases that can severely impact their yield and quality. These diseases pose a challenge to mango farmers, many of whom struggle to identify and treat them effectively, leading to potential harvest failures. This study aims to address this challenge by implementing a Deep Learning approach to classify diseases in mango leaves. Specifically, the research utilizes a Convolutional Neural Network (CNN) with DenseNet architecture, known for its efficiency in image classification tasks. The study incorporates Contrast Limited Adaptive Histogram Equalization (CLAHE) for image preprocessing to enhance detail and improve the model’s performance. Transfer Learning is utilized to optimize the DenseNet model, leveraging a pre-trained model to achieve high accuracy even with a relatively small dataset. The dataset used in this research comprises 4000 labeled images of mango leaves, covering seven disease categories and healthy leaves. These images include common diseases such as Anthracnose, Dieback, Powdery Mildew, Red Rust, Cutting Weevil, Bacterial Canker, and Sooty Mould. The DenseNet model achieved an overall accuracy of 99.5% in classifying mango leaf diseases
Information Extraction Pada Pesanan Pembelian Menggunakan RetinaNet dan Tesseract untuk Toko Maju
Full text linkProses jual beli berubah mengikuti perkembangan zaman. Kini, proses transaksi dapat dilakukan dengan sistem pemesanan yang diikuti dengan dokumen pesanan pembelian. Melalui pesanan pembelian, pengusaha dapat memperoleh banyak informasi untuk analisis bisnis. Akan tetapi, banyak dari pengusaha retail masih belum menyimpan data tersebut secara terstruktur, sehingga sulit untuk melakukan analisis dan pelacakan. Meskipun banyak dari pesanan pembelian telah berbentuk digital seperti PDF, pencatatan terstruktur bersumber dari dokumen digital masih memerlukan upaya dalam waktu dan usaha, serta rawan kesalahan jika dilakukan secara manual oleh manusia. Penelitian ini bertujuan untuk membuat model information extraction dari pesanan pembelian berbentuk PDF. Alur kerja dari penelitian ini dimulai dengan pengumpulan data, data pre-processing, information extraction, evaluasi, dan penyimpanan kedalam database. Data yang digunakan pada penelitian ini adalah pesanan pembelian dari “Toko Maju” yang berbentuk PDF. Pesanan pembelian akan dirubah ke format JPEG, sebelum dilakukan proses pelabelan dan pembentukan bounding boxes. Proses information extraction meliputi proses object detection dan OCR. Object detection akan menggunakan model Keras RetinaNet. Setelah letak daerah ekstraksi ditemukan, maka akan dilakukan deteksi karakter atau OCR dengan menggunakan library Tesseract. Informasi hasil ekstraksi akan disimpan ke database MySQL. Model information extraction memperoleh nilai confidence sebesar 95.6% dan nilai accuracy sebesar 95.5%
Evaluasi Penerimaan Teknologi Metaverse Pendekatan Teori Utaut (Studi Kasus : Pojok Statistik Virtual)
Full text linkPenelitian ini bertujuan untuk mengidentifikasi faktor-faktor yang mempengaruhi penerimaan dan penggunaan aplikasi Pojok Statistik Virtual. Model yang digunakan dalam penelitian ini adalah model UTAUT (Unified Theory of Acceptance and Use of Technology). Populasi dalam penelitian ini adalah mahasiswa aktif S1 Universitas Jambi yang pernah menggunakan aplikasi Pojok Statistik Virtual (POSITIV). Pojok Statistik Virtual adalah pelayanan yang dikembangkan oleh BPS Provinsi Jambi menjadi online atau virtual melalui metamesta atau metaverse. Dengan metaverse, Pojok Statistik Virtual dapat digunakan secara bersamaan dan dapat diakses secara luas melalui internet. Adanya pelayanan online Pojok Statistik Virtual yang dikembangkan oleh BPS Provinsi Jambi membuat pengunjung tidak perlu lagi membuang waktu dan tenaganya untuk datang ke Pojok Statistik di Universitas Jambi. Namun, adanya penerapan teknologi pada pelayanan pojok statistik virtual menggunakan teknologi informasi tentu berhubungan dengan penerimaan pengguna (user acceptance). Penerimaan pengguna atau lebih dikenal User Acceptance akan sangat berpengaruh terhadap kesuksesan implementasi Teknologi Informasi. Teknik pengambilan sampel yang digunakan adalah nonprobability sampling dengan metode purposive sampling, dengan jumlah sampel sebanyak 102 responden. Analisis data dilakukan menggunakan PLS-SEM melalui perangkat lunak SmartPLS 4. Berdasarkan hasil pengujian hipotesis, dapat disimpulkan bahwa Performance Expectancy, Social Influence, dan Facilitating Conditions memiliki pengaruh signifikan terhadap Behavioral Intention, adapun Behavioral Intention memiliki pengaruh signifikan terhadap Use Behavior