Journal of Information Technology and Computer Science (JOINTECS)
Not a member yet
168 research outputs found
Sort by
Klasifikasi Penyakit Pada Daun dan Buah Jambu Menggunakan Convolutional Neural Network
Full text linkJambu biji merupakan komoditas tanaman di Jawa Barat dengan jumlah produksi tahun 2021 mencapai 692.488 kuintal. Produksi ini mengalami penurunan sebesar -12,82% dibandingkan dengan tahun 2020 yang sebesar 794.345 kuintal. Penelitian menggunakan teknologi deep learning dengan algoritma Convolutional Neural Network (CNN) dan berarsitektur MobileNetV2 untuk melakukan klasifikasi citra digital daun dan buah jambu biji yang telah diberi label atau disebut supervised learning. Metode pengembangan yang digunakan dalam penelitian ini adalah Cross Industry Standard Process for Data Mining (CRISP-DM). Berdasarkan hasil penelitian ini, model daun jambu biji memiliki hasil evaluasi yang sangat baik, training accuracy sebesar 99,6%, validation accuracy 100%, training loss 3,2%, dan validation loss 3,1%. Confusion matrix model ini memiliki akurasi 100% dari 63 data validasi. Sementara itu, model buah jambu biji memerlukan dropout sebesar 0,2 dan kernel regularizers L2 sebesar 0,01 untuk mengurangi overfitting. Model ini memiliki training accuracy sebesar 98,8%, validation accuracy 91,6%, training loss 19,1%, dan validation loss 38,6%. Hasil confusion matrix menunjukkan akurasi model ini mencapai 91,6% dari 84 data validasi. Kemudian model berhasil diimplementasikan menjadi aplikasi berbasis mobile menggunakan bahasa pemrograman Kotlin
Pengendali Dan Pemantau Arus Tegangan Pada Terminal Listrik Rumah Tangga Berbasis IoT
Full text linkInternet of things (IoT) sangat bermanfaat memberikan peran membantu aktivitas rumah tangga dalam kehidupan sehari-hari. Dengan kecanggihan yang disajikan oleh Internet of Things (IoT), memungkinkan IoT untuk melakukan pengontrolan dan pemantauan penggunaan listrik pada suatu lokasi dari jarak jauh tanpa menggunakan kabel yang dikontrol melalui smart phone yang kita miliki. Korsleting listrik banyak ditemukan di kota-kota besar yang dimana penggunaan listrik berlebih tanpa ada pengontrolan sehingga menimbulkan panas pada suatu perlengkapan elektronik yang mengakibatkan percikan api dan kebakaran rumah. Tujuan dalam penelitian ini yaitu mengembangkan teknologi smart home dalam mengendalikan dengan memanfaatkan smartphone android dan teknologi wifi. Hal ini juga membantu pengguna untuk mengendalikan perangkat smart home hanya dengan smartphone dan memanfaatkan teknologi wifi. Hasil dalam penelitian ini yaitu 223 volt ampere meter dengan arus 1 sebesar 0,03 dan arus 2 sebesar 3,29. Rata-rata waktu dalam penyusutan tegangan sebesar 1,66 detik. Dengan Smart Electric Terminal berbasis Internet of Things kita dapat melakukan pemantauan dan pengendalian penggunaan listrik di rumah kita. Microcontroller NodeMCU dan Arduino Nano dilengkapi dengan dua Sensor Arus ACS712 dan Sensor SCT013 dengan tambahan satu Sensor Tegangan ZMPT1018 memudahkan pengguna untuk mengatur dan memantau pergerakan aktivitas listrik di rumah. Tidak hanya itu Smart Electric Terminal dilengkapi dengan Modul Relay yang dimana dapat memutus arus listrik yang berlebih
Prediksi Gerakan secara Real-Time untuk Pengenalan Bahasa Isyarat menggunakan LSTM
Full text linkBahasa Isyarat merupakan bahasa yang digunakan untuk berkomunikasi khususnya bagi penyandang tunarungu dan tuna wicara agar dapat saling berkomunikasi dengan baik. Namun karena minimnya pendidikan di masyarakat, bahasa isyarat jarang digunakan, bahkan banyak yang tidak mengetahui bahasa isyarat. Maka diperlukan suatu sistem untuk mengenali bahasa isyarat agar lebih banyak orang yang memahami bahasa isyarat. Dalam penelitian ini, kami mengembangkan deteksi gerakan dinamis untuk pengenalan 6 kata dalam bahasa isyarat Indonesia (SIBI) dengan memanfaatkan perubahan koordinat secara real-time yang dideteksi menggunakan MediaPipe Holistic dan model klasifikasi LSTM Neural Network. Dari hasil pengujian yang telah dilakukan dapat disimpulkan bahwa hasil implementasi Sistem Pengenalan Bahasa Isyarat secara real-time dengan memanfaatkan perubahan koordinat menggunakan metode MediaPipe Holistic dan Long Short Term Memory (LSTM) diperoleh sebuah model dengan nilai akurasi 96%. Akurasi yang diperoleh sebesar 96% artinya model tersebut akurat dalam mengklasifikasikan kelas-kelas gerakan. Setiap kelas memiliki nilai presisi, recall, f1-score dan support yang sangat baik dengan rata-rata 96%
Adopsi Pembangkit Kunci Blum Blum Shub Dan Bilangan Euler Pada Algoritma Extended Vigenere
Full text linkAlgoritma Vigenere merupakan model algoritma enkripsi yang sampai saat ini masih dikembangkan dalam bidang keamanan infromasi sampai saat ini. Salah satu aspek yang dipandang penting dalam bidang keamanan informasi adalah confidentiality. Permasalahan pencapaian confidentiality pesan atau informasi yang tinggi menjadi sesuatu yang kritis dalam bidang pengamanan informasi. Extended Vigenere dikenal sebagai evolusi Vigenere yang menggaplikasikan jumlah karakter set yang lebih luas. Salah satu pengembangan dalam algoritma Vigenere adalah dengan memodifikasi pembangkit kunci yang digunakan. Eksperimen ini bertujuan untuk melihat pengaruh confidentiality informasi terhadap penggunaan pembangkit kunci Blum Blum Shub (BBS) dan Bilangan Euler yang diaplikasikan pada Extended Vigenere. Metode pembangkit kunci BBS dan Bilangan Euler digunakan secara berurutan. Sebagai metrik pengukuran digunakan perhitungan entropi terhadap output Extended Vigenere. Hasil yang diperoleh ialah berupa peningkatan confidentiality informasi yang signifikan dengan nilai capaian entropi lebih dari 79% terhadap entropi optimu
Gesture Recognition untuk Deteksi Bahasa Isyarat BISINDO: Pendekatan Mediapipe dan Random Forest
Full text linkGesture Recognition memainkan peran penting dalam memfasilitasi dan meningkatkan aksesibilitas komunikasi bagi individu dengan gangguan pendengaran dan bicara, Namun, dalam menerjemahkan bahasa isyarat yang kompleks menjadi bahasa lisan atau tulisan tetap menjadi tantangan yang signifikan. Berupaya untuk mengatasi hal tersebut, penelitian ini memanfaatkan framework MediaPipe dan algoritma Random Forest Classifier untuk mengklasifikasikan gerakan isyarat berbentuk ungkapan dan kata dalam bahasa isyarat BISINDO. Dengan mempertimbangkan tingkat kesulitan dan kompleksitas gerakan isyarat, 10 label ungkapan/kata dalam BISINDO dipilih dan menghasilkan total 25.000 data yang dipakai pada sistem di penelitian ini. Pendekatan ini melibatkan deteksi bahasa isyarat melalui pengenalan pose, gerakan tangan, dan ekspresi wajah. Hasil evaluasi menunjukkan algoritma Random Forest mencapai tingkat presisi, recall, F1-score, dan akurasi yang sangat tinggi (99,88%). Selain itu, sistem yang dikembangkan juga menunjukkan kinerja baik dengan rata - rata probabilitas prediksi berkisar antara 0,50 hingga 0,70 untuk prediksi yang benar, meskipun terdapat tantangan dalam membedakan gerakan isyarat yang mirip dan menyebabkan beberapa prediksi memerlukan waktu lebih lama untuk mencapai hasil yang tepat. Dengan hasil yang diperoleh, penelitian ini memberikan kontribusi penting dalam meningkatkan pengenalan bahasa isyarat dan mendorong inklusivitas bagi masyarakat dengan gangguan pendengaran dan bicara. Hal ini juga membuka peluang baru untuk pengembangan lebih lanjut dalam teknologi deteksi bahasa isyarat
Analisis SMOTE Pada Klasifikasi Hepatitis C Berbasis Random Forest dan Naïve Bayes
Full text linkMenurut WHO, orang yang terinfeksi virus Hepatitis C tercatat sekitar 71 juta orang pada 2019. Hanya 49,7% orang yang menyadari adanya penyakit Hepatitis C. Pencegahan dini penting dilakukan untuk meminimalisir kemungkinan buruk terjadi. Untuk memaksimalkan upaya ahli medis dalam meminimalisir risiko penularan, dibuat program yang mampu mengklasifikasikan penyakit Hepatitis C dengan sistem deteksi otomatis menggunakan model machine learning. Random Forest dipilih karena mampu menangani outlier dan imbalance data sehingga mampu menghasilkan nilai akurasi yang tinggi serta mampu mengidentifikasi fitur-fitur yang penting. Naïve Bayes dipilih karena algoritmanya yang sederhana, namun mampu menghasilkan nilai akurasi tinggi. Setelah dilakukan pengujian pada kedua model, dilakukan perhitungan terhadap hasil prediksi menggunakan formula confusion matrix. Hasil pengujian menunjukkan dengan menerapkan model Random Forest tanpa SMOTE sebesar 93% dan Naïve Bayes tanpa SMOTE sebesar 88%. Sehubungan dengan adanya imbalance data pada dataset, maka dilakukan teknik oversampling menggunakan metode SMOTE. Hasil pengujian yang diperoleh dari menerapkan model Random Forest dengan SMOTE sebesar 98% dan Naïve Bayes dengan SMOTE sebesar 89%
Pengukuran Usability Pada Learning Management System UMNU Kebumen Menggunakan System Usability Scale
Full text linkLearning Management System (LMS) merupakan media pembelajaran online berbasis website yang umum digunakan pada perguruan tinggi. Kualitas sebuah sistem dapat diukur melalui tingkat usability. Usability sistem penting kaitannya dengan tingkat penerimaan dan kepuasan pengguna sistem karena untuk mengetahui sejauh mana sistem pada LMS tersebut sudah bekerja. Maka dari itu diperlukan adanya evaluasi dan pengujian apakah sistem yang digunakan memiliki kelayakan usability. Penelitian ini bertujuan untuk mengevaluasi LMS Universitas Ma’arif Nahdlatul Ulama Kebumen menggunakan metode System Usability Scale (SUS) dengan jumlah responden 25. Metode SUS merupakan metode yang paling banyak digunakan karen metode SUS sebagai pengukuran yang cepat dan handal, juga merupakan kuesioner valid dan reliabel untuk mengukur atau menguji kepuasan sistem informasi dengan menggunakan sampel yang sedikit dapat memberikan hasil yang baik. Hasil pengujian pada penelitian ini menunjukkan skor rata-rata 61,4. Berdasarkan skor tersebut dianalisis dengan menarik interpretasi yang menunjukkan bahwa LMS UMNU Kebumen memiliki skor 30% untuk percentile ranks, kategori poor untuk adjective rating, dan grade scale D. Sedangkan dalam acceptability menunjukkan kategori marginal dan untuk Net Promoter Score masuk ke dalam kategori detractor
Analisis Sentimen Calon Presiden 2024 Menggunakan Algoritma SVM Pada Media Sosial Twitter
Full text linkAnalisis Sentimen banyak digunakan pemangku kepentingan dalam menilai sentimen terhadap suatu objek. Pada penelitan ini objek yang akan diambil yaitu analisis sentimen terhadap tokoh politik calon presiden 2024 yang sedang marak diperbincangkan oleh warganet, khususnya di twitter. Adapun permasalahan yang diangkat yaitu mengenai ukuran kinerja suatu algoritma dalam melakukan klasifikasi sentimen, beberapa algoritma kerap memiliki tingkat akurasi yang rendah. Penelitian ini bertujuan untuk meningkatkan performance measure dari penelitian sebelumnya dengan menggunakan algoritma Naïve Bayes yang memiliki tingkat akurasi cukup rendah, dan pada penelitian ini digunakan algoritma SVM. Penelitian ini mengambil data Twitter yang berhubungan terhadap calon presiden untuk melihat opini masyarakat kepada setiap calon presiden. Data yang diambil yaitu data twitter dengan kata kunci Ganjar, Anies, Prabowo sebanyak 8.959 data yang diambil pada tanggal 17-25 Oktober 2022. Hasil dari pengujian mendapatkan kesimpulan algoritma SVM mempunyai performance measure atau akurasi cukup tinggi dibandingkan dengan algoritma Naïve Bayes pada penelitian sebelumnya hanya sebesar 73, 86% sementara algoritma SVM mendapat nilai rata-rata accuracy mencapai 98,61% yaitu dataset Ganjar Pranowo, lalu precision 98,81%, recall 99,79%. Dan untuk proporsi sentimen menunjukan sentimen positif yang diperoleh Ganjar lebih tinggi daripada calon presiden lainnya yaitu 55%, Prabowo 30% dan Anies 15%, Sementara sentimen negatif Anies lebih tinggi 89% daripada Ganjar 8% dan Prabowo 3%
Klasifikasi Citra Daun Anggur Menggunakan SVM Kernel Linear
Full text linkPemanfaatan kecerdasan buatan untuk proses pengenalan citra telah dilakukan oleh banyak peneliti. Salah satu bidangnya adalah mengenali penyakit pada daun anggur. Telah dilakukan pemodelan menggunakan augmentasi mendahului pengklasifikasian support vector machine dengan kernel cubic, dengan hasil akurasi yang diperoleh adalah 97.6%. Peningkatan kinerja akurasi prediksi citra melalui pemodelan masih dapat ditingkatkan melalui berbagai cara. Beberapa teknik yang bisa digunakan antara lain adalah menggunakan seleksi fitur, pengolahan awal untuk mencari dan membuang outlier, ataupun pemilihan algoritma pengklasifikasi yang secara khusus mampu menangani dataset dengan karakteristik tertentu. Teknik lainnya adalah melewatkan citra pada proses ekstraksi fitur untuk memperoleh dataset yang berkualitas baik dan mampu dilatih untuk memperoleh model dengan akurasi yang relatif lebih tinggi, dibandingkan penelitian sebelumnya. Penelitian ini bertujuan meningkatkan perolehan angka akurasi dengan menggunakan bantuan proses ekstraksi fitur, serta membandingkan kinerja beberapa pengklasifikasi yaitu k-Nearest Neighbor, Random Forest, Naïve Bayes, Neural Network dan Support Vector Machine. Metode yang digunakan dimulai dari proses ekstraksi fitur memanfaatkan algoritma SqueezNet untuk mendapatkan dataset dengan komposisi 1000 kolom dan 7222 baris. Selanjutnya dilakukan pembagian data latih dan uji dengan perbandingan 60:40. Pelatihan data menggunakan ragam pengklasifikasi yang di validasi menggunakan 2-fold cross validation. Data yang digunakan adalah dataset sekunder daun anggur, yang terdiri dari 7222 citra daun, terbagi dalam empat kelas yang telah tervalidasi dari penelitian terkait. Hasil yang diperoleh mengungguli penelitian sebelumnya yaitu 98.1% pada pengklasifikasi Support Vector Machine menggunakan kernel linear.Â
Sentimen Analisis Aplikasi Belajar Online Menggunakan Klasifikasi SVM
Full text linkGoogle Play Store adalah tempat berbagai macam aplikasi tersedia, baik berbayar ataupun tidak. Halaman Google Play Store menjadi tempat pengguna aplikasi untuk menyampaikan pendapat, ulasan dan penilaian. Ruang Guru, Zenius dan Quipper tersedia di platform tersebut. Data pada ulasan, menjadi sangat bermanfaat untuk dianalisa. Analisa dilakukan dengan menggunakan sentimen analisis dan algoritma SVM. Data diperoleh dengan menggunakan teknik scraping data, dengan menggunakan bantuan library google-play-scraper. Proses web Scraping, dibagi menjadi 3 tahap yaitu Fetching, Extraction, dan Transformation. Data dikumpulkan sebanyak 30.000 data, yang dibagi menjadi 10.000 data Ruang Guru, Zenius dan Quipper. Peneltian diawali dengan Tahap preprocesing data meliputi normalisasi, case folding, cleaning, tokenizing, dan Stopword. kemudian data dibagi menjadi 90% data latih dan 10% data uji. Data latih diberi label dengan nilai 1, 0, dan -1. Nilai 1 berarti positif, nilai 0 berarti netral dan -1 berarti negatif. Hasil sentimen klasifikasi menggunakan SVM, menunjukkan bahwa Ruang Guru memiliki nilai positif tertinggi dibandingkan Zenius dan Quipper. Akan tetapi, respon pengguna sama-sama memberikan nilai positif untuk aplikasi tersebut. Nilai akurasi dari penelitian menunjukkan bahwa, data Klasifikasi sentimen dengan SVM, mempunyai akurasi rata-rata untuk Ruang Guru sebesar 99%, Zenius sebesar 96%, dan Quipper sebesar 82%