Jurnal Teknik Informatika dan Sistem Informasi
Not a member yet
499 research outputs found
Sort by
Klasifikasi Tingkat Kualitas Terung dengan Algoritma Backpropagation Berbasis Fitur Warna dan Tekstur
Full text linkManual quality assessment of eggplant is often inconsistent, takes a long time, and is prone to errors due to worker fatigue. This research aims to develop an automated system based on digital image processing to assess eggplant quality efficiently and accurately. The stages begin with image capture using a mobile phone device designed to ensure stable lighting and uniform background. The acquired image is then processed through segmentation using the Otsu thresholding method as well as morphological operations to separate the main object from the background. Color and texture features are extracted through Gray-Level Co-occurrence Matrix (GLCM) analysis and RGB, HSV, and LAB color spaces. Training data amounting to 90% of the total dataset was used to train an artificial neural network-based classification model with a backpropagation algorithm, while the remaining 10% was used for testing. Experimental results showed that the combination of LAB, RGB, HSV, and texture features gave the best results, with a testing accuracy of 86%, recall of 85%, and precision of 92%. This model is very effective in detecting poor quality eggplants with 100% accuracy. This system can support the application of technology in the horticultural sector.Penilaian kualitas terung secara manual sering kali tidak konsisten, membutuhkan waktu yang lama, serta rentan terhadap kesalahan akibat kelelahan pekerja. Penelitian ini bertujuan mengembangkan sistem otomatis berbasis pengolahan citra digital untuk menilai kualitas terung secara efisien dan akurat. Tahapannya dimulai dengan pengambilan citra menggunakan perangkat handphone yang dirancang untuk memastikan pencahayaan stabil dan latar belakang seragam. Citra yang diperoleh kemudian diproses melalui segmentasi menggunakan metode thresholding Otsu serta operasi morfologi untuk memisahkan objek utama dari latar belakang. Fitur warna dan tekstur diekstraksi melalui analisis Gray-Level Co-occurrence Matrix (GLCM) dan ruang warna RGB, HSV, serta LAB. Data pelatihan sebesar 90% dari total dataset digunakan untuk melatih model klasifikasi berbasis jaringan saraf tiruan dengan algoritma backpropagation, sementara 10% sisanya digunakan untuk pengujian. Hasil eksperimen menunjukkan bahwa kombinasi fitur LAB, RGB, HSV, dan tekstur memberikan hasil terbaik, dengan akurasi pengujian sebesar 86%, recall 85%, dan precision 92%. Model ini sangat efektif mendeteksi terung berkualitas buruk dengan akurasi 100%. Sistem ini dapat mendukung penerapan teknologi di sektor hortikultural
Optimasi Algoritma Support Vector Machine untuk Analisis Sentimen dengan Bayesian Optimization
Full text linkThis study examines the effect of Bayesian Optimization in improving the performance, computational efficiency, and sustainability of Aspect-Based Sentiment Analysis models using Support Vector Machine (SVM). A dataset consisting of 988 customer reviews about Borobudur Temple, classified into six dimensions: Attractiveness, Facilities, Accessibility, Visual Image, Price, and Human Resources is used to compare two scenarios, namely Baseline SVM and SVM enhanced with Bayesian Optimization (BO). Important metrics used include accuracy, computational duration, energy usage, and carbon emissions. The results show that BO significantly improves accuracy, especially on difficult aspects such as Facilities (from 0.7294 to 0.8682) and Price (from 0.8047 to 0.9576). The most complicated aspect, namely visual image due to the very minimal number of datasets (unbalanced), achieved an increase in accuracy from 0.6729 to 0.72. In addition, BO reduces training time, especially for resource-intensive tasks such as the visual image aspect, reducing training time from 13.04 seconds to 9.4 seconds. Substantial reductions in energy consumption and CO₂ emissions are seen in line with sustainable machine learning principles. The hyperparameter adaptability of SVM, with linear kernels performing well in simpler tasks, while polynomial and sigmoid kernels improve performance for more complex parts. BO substantially alleviates the limitations of Baseline SVM, offering a robust, efficient, and environmentally friendly solution for ABSA. Future research can explore more enhancements for complex tasks to improve performance and efficiency.Penelitian ini menguji pengaruh Optimasi Bayesian dalam meningkatkan kinerja, efisiensi komputasi, dan keberlanjutan model Analisis Sentimen Berbasis Aspek menggunakan Support Vector Machine (SVM). Dataset terdiri dari 988 ulasan pelanggan tentang Candi Borobudur, diklasifikasikan ke dalam enam dimensi: Daya Tarik, Fasilitas, Aksesibilitas, Citra Visual, Harga, dan Sumber Daya Manusia digunakan untuk membandingkan dua scenario yaitu Baseline SVM dan SVM yang ditingkatkan dengan Bayesian Optimization (BO). Metrik penting yang digunakan meliputi akurasi, durasi komputasi, penggunaan energi, dan emisi karbon. Hasil penelitian menunjukkan bahwa BO secara nyata meningkatkan akurasi, terutama pada aspek yang sulit seperti Fasilitas (dari 0,7294 menjadi 0,8682) dan Harga (dari 0,8047 menjadi 0,9576). Aspek yang paling rumit yaitu visual image karena jumlah dataset yang sangat minim (tidak seimbang), mencapai peningkatan akurasi dari 0,6729 menjadi 0,72. Selain itu, BO mengurangi waktu pelatihan, terutama untuk tugas-tugas yang membutuhkan sumber daya yang besar seperti pada aspek visual image, mengurangi waktu pelatihan dari 13,04 detik menjadi 9,4 detik. Pengurangan substansial dalam penggunaan energi dan emisi CO₂ terlihat selaras dengan prinsip-prinsip pembelajaran mesin yang berkelanjutan. Kemampuan adaptasi hiperparameter SVM, dengan kernel linear berkinerja baik dalam tugas-tugas yang lebih sederhana, sementara kernel polinomial dan sigmoid meningkatkan kinerja untuk bagian yang lebih kompleks. BO secara substansial mengurangi keterbatasan Baseline SVM, menawarkan solusi yang tangguh, efisien, dan ramah lingkungan untuk ABSA. Penelitian mendatang dapat mengeksplorasi lebih banyak peningkatan untuk tugas-tugas kompleks untuk meningkatkan kinerja dan efisiensi
Penerapan Metodologi Terpadu pada Rekayasa Proses Akademik Universitas
No full textRapid technological developments in the era of globalization require universities to continuously improve their academic systems. When academic systems undergo renewal, related business processes must also be reengineered to align with ongoing activities. This study aims to analyze the effectiveness of integrating four methods—Value Stream Mapping (VSM), Voice of Customer (VOC), Voice of Business (VOB), and Pick Chart—in reengineering academic business processes at a university in Bandung. The research methodology consists of three phases: problem formulation, theoretical review, and business process reengineering design. Data was collected through interviews with stakeholders, including academic staff, lecturers, and students, as well as direct observation of 14 (fourteen) Standard Operating Procedures. The VSM method was used to map the current process and identify problems, VOC captured customer complaints, VOB measured institutional-level problems, and Pick Chart prioritized solutions based on difficulty and impact of implementation. The results of the study show that this integrated framework effectively identifies inefficiencies and proposes targeted improvements. For the grade revision process, the re-engineered business process reduced processing time from approximately one week to 55 (fifty-five) minutes, while eliminating paper waste through the implementation of digital forms. This study concludes that the integration of VSM, VOC, VOB, and Pick Chart provides a comprehensive and systematic framework for re-engineering academic business processes that can be replicated by other higher education institutions.Lembaga pendidikan tinggi harus terus menyesuaikan proses administrasi akademik yang dimiliki agar tetap responsif, efisien, dan berpusat pada mahasiswa. Studi ini menyajikan desain ulang komprehensif administrasi akademik universitas menggunakan pendekatan metodologis terintegrasi yang menggabungkan Voice of Customer (VoC), Voice of Business (VoB), Value Stream Mapping (VSM), dan bagan PICK. Tujuannya adalah untuk mengidentifikasi inefisiensi, menyelaraskan tujuan institusi dengan kebutuhan pemangku kepentingan, dan memprioritaskan perbaikan dengan dampak dan kelayakan yang tinggi. Data dikumpulkan dari berbagai pemangku kepentingan di sebuah universitas di Bandung, Indonesia, termasuk mahasiswa, staf akademik, dan administrator. Analisis tersebut mengungkapkan langkah-langkah yang berulang, penundaan pemrosesan manual, dan ekspektasi layanan yang tidak selaras. Dengan mengintegrasikan VoC dan VoB ke dalam VSM, proses yang didesain ulang meningkatkan waktu penyelesaian, mengurangi aktivitas yang tidak bernilai tambah, dan meningkatkan kepuasan pemangku kepentingan. Bagan PICK selanjutnya memfasilitasi pengambilan keputusan dengan memetakan ide-ide perbaikan berdasarkan kemudahan implementasi dan dampak potensial. Pendekatan terpadu ini menawarkan kerangka kerja yang dapat ditiru dan ditingkatkan skalanya bagi universitas lain yang ingin memodernisasi proses akademis di tengah meningkatnya digitalisasi dan ekspektasi pemangku kepentingan
Simulasi Dinamis Single Qubit dan Multi Qubit: Sebuah Pendekatan Python
No full textThis study developed a dynamic simulation system for single qubit and multi qubit using a Python-based approach, leveraging quantum computing libraries such as Qiskit, NumPy, and Matplotlib. The system is designed to simulate various quantum operations, including Hadamard, Pauli-X, Pauli-Y, Pauli-Z, CNOT, and Toffoli, with integration into a Flask-based web interface for easy user interaction. The simulation results show a high level of accuracy, with a difference of only 0.2% in measurement probabilities for single qubit operations like Hadamard and less than 0.4% for multi qubit operations like CNOT and Toffoli. The tests also demonstrated efficient execution times, ranging from 12 to 25 milliseconds, even for complex quantum operations. Validation against established literature confirms that the system is accurate, efficient, and reliable, making it a valuable tool for supporting learning and research in quantum computing.Penelitian ini mengembangkan sistem simulasi dinamis untuk single qubit dan multi qubit menggunakan pendekatan Python, memanfaatkan pustaka komputasi kuantum seperti Qiskit, NumPy, dan Matplotlib. Sistem ini dirancang untuk mensimulasikan berbagai operasi kuantum, termasuk Hadamard, Pauli-X, Pauli-Y, Pauli-Z, CNOT, dan Toffoli, dengan integrasi antarmuka web berbasis Flask untuk memudahkan interaksi pengguna. Hasil simulasi menunjukkan tingkat akurasi tinggi, dengan perbedaan hanya 0,2% pada probabilitas pengukuran untuk operasi single qubit seperti Hadamard dan kurang dari 0,4% untuk operasi multi qubit seperti CNOT dan Toffoli. Pengujian juga menunjukkan waktu eksekusi yang efisien, berkisar antara 12 hingga 25 milidetik, bahkan untuk operasi kuantum yang kompleks. Validasi terhadap literatur yang diakui menunjukkan bahwa sistem ini akurat dan efisien, serta dapat diandalkan untuk mendukung pembelajaran dan penelitian dalam komputasi kuantum
Implementasi K-Means dalam Segmentasi Pelanggan Usaha Aluminium dan Kaca Berdasarkan Perilaku Pembelian
Full text link— Mulia Jasa Aluminium dan Kaca is a business in the retail and service sector, offering Aluminium and glass materials and services for manufacturing, installation, and repair. Currently, competition in this field is quite intense, leading the business owner to admit difficulties in increasing sales. Therefore, the business owner needs to implement marketing and service strategies to boost sales. However, the diversity of customers with varying characteristics and behaviors makes it challenging to establish effective marketing and service strategies. Thus, this study conducts customer segmentation based on purchasing behavior. The aim is to understand customer behavior and loyalty using sales report data from the business. The variables used to assess a customer's value are Length, Recency, Frequency, and Monetary (LRFM). These variables are grouped using the K-means clustering algorithm. The objective of this study is to group customers based on their purchasing behavior, thereby assisting the business in developing more effective marketing and service strategies, enhancing customer satisfaction, and ultimately increasing sales and loyalty. Using the Silhouette method to determine the optimal number of clusters, three customer groups were identified, with the highest coefficient value of 0.663063. Cluster 0 is the “Lost Customer Group”, Cluster 1 is the “New Customer Group”, and Cluster 2 is the “Core Customer Group”.
Mulia Jasa Aluminium dan Kaca adalah Usaha di sektor ritel dan jasa, yang menawarkan bahan dan layanan aluminium dan kaca untuk pembuatan, pemasangan, dan perbaikan. Saat ini, persaingan usaha pada bidang tersebut cukup ketat, sehingga pemilik mengaku kesulitan meningkatkan penjualannya. Oleh sebab itu, pemilik usaha perlu menerapkan strategi pemasaran dan pelayanan untuk meningkatkan penjualannya. Namun, banyaknya pelanggan dengan karakteristik dan perilaku yang berbeda membuat sulitnya penetapan strategi pemasaran maupun pelayanan. Sehingga, pada penelitian ini dilakukan segmentasi pelanggan berdasarkan perilaku pembelian. Hal tersebut bertujuan mengetahui perilaku serta loyalitas pelanggan menggunakan data laporan penjualan usaha tersebut. Variabel yang digunakan untuk menilai seberapa bernilai seorang pelanggan adalah variabel Length, Recency, Frequency dan Monetary atau yang dikenal dengan model LRFM. Variabel-variabel tersebut dikelompokkan menggunakan algoritma pengelompokan K-Means. Tujuan penelitian ini adalah untuk mengelompokkan pelanggan berdasarkan perilaku pembelian mereka, sehingga membantu bisnis dalam menyusun strategi pemasaran dan layanan yang lebih efektif, meningkatkan kepuasan pelanggan, dan pada akhirnya meningkatkan penjualan dan loyalitas. Dengan menggunakan metode Silhouette untuk menentukan jumlah cluster optimal, tiga kelompok pelanggan diidentifikasi, dengan nilai koefisien tertinggi sebesar 0,663063. Cluster 0 adalah “Lost Customer Group”, Cluster 1 adalah “New Customer Group” dan Cluster 2 adalah “Core Customer Group”
Perancangan dan Implementasi E-Commerce Corrugated Carton Box Menggunakan Metode Rapid Application Development
Full text linkPT Hora Cipta Jaya is a company specializing in the sale of corrugated cardboard boxes. PT Hora Cipta Jaya typically uses corrugated cardboard boxes to package goods or products for shipping. Due to their strength, durability, and recyclability, many industrial companies use them to package their products. PT Hora Cipta Jaya still conducts sales processes manually, starting from transactions, marketing, to recording and reporting. Employees still need to manually record all company data during sales using Excel. Errors often occur during the purchase and sale of products, such as mistakes in recording and pricing calculations, as well as errors in order data entry and shipping. The aim of this research is to assist the company in managing data and designing a system that features online ordering, payment, shipping, reporting, and product promotion. We developed this system using the RAD method, utilizing PHP programming language and MySQL database. The system development process is divided into four stages: requirements analysis, system design, system implementation, and application feasibility analysis. The research resulted in an e-commerce system that helps the company manage data, facilitates online product sales transactions and broader product marketing, and automatically records invoices and reports. All features of this system are now operational after successfully completing testing phases for both admin and customer parts using the black box testing method. The system scored 78 for the admin section and 79.5 for the customer section from each respondent using the System Usability Scale, achieving a class B rating (good category).PT Hora Cipta Jaya merupakan perusahaan yang khusus menjual kotak karton bergelombang. PT Hora Cipta Jaya biasanya menggunakan kotak karton bergelombang untuk mengemas suatu barang atau produk untuk pengiriman. Karena kotak karton bergelombang kuat, tahan lama, dan mudah didaur ulang, banyak perusahaan industri menggunakannya untuk mengemas produknya. PT Hora Cipta Jaya masih melakukan proses penjualan secara manual, mulai dari transaksi, pemasaran, serta pencatatan dan pembuatan laporan. Karyawan tetap perlu merekap seluruh data perusahaan saat melakukan penjualan menggunakan excel. Kesalahan masih sering terjadi selama proses pembelian dan penjualan produk seperti kesalahan pada saat pencatatan dan perhitungan harga serta kesalahan pengisian data pesanan dan pengiriman. Tujuan dari penelitian ini adalah untuk membantu perusahaan dalam mengelola data dan merancang sistem yang menampilkan pemesanan online, pembayaran, pengiriman, pelaporan, dan promosi produk. Sistem ini kami buat dengan menggunakan metode RAD, memanfaatkan bahasa pemrograman PHP dan database MySQL. Kami membagi proses pembuatan sistem ini menjadi empat tahap diantaranya analisis kebutuhan, desain sistem, implementasi sistem, dan analisis kelayakan aplikasi. Hasil dari penelitian ini menghasilkan sebuah sistem e-commerce yang dapat membantu perusahaan dalam pengelolaan data, kemudahan transaksi penjualan produk secara online dan pemasaran produk dengan cakupan yang lebih luas, serta pencatatan invoice dan laporan secara otomatis. Seluruh fitur sistem ini kini dapat beroperasi setelah berhasil menyelesaikan tahap testing pada sistem bagian admin dan pelanggan dengan menggunakan metode pengujian black box. Sistem ini mendapat skor 78 pada bagian admin dan skor 79,5 pada bagian customer dari tiap responden dengan metode System Usability Scale, dan masuk kelas B (kategori baik)
Implementasi Retrieval Augmented Generation dalam Sistem Chatbot Dermatologi Berbasis Website
Full text linkIndonesia’s tropical climate, poor sanitation, and limited access to medical services especially in remote areas are key factors contributing to the high prevalence of skin diseases. Direct access to dermatologists remains difficult for many people. This study aims to develop a dermatological consultation Chatbot using a Retrieval Augmented Generation (RAG) approach, leveraging the LangChain framework, the LLaMA model, and the Qdrant vector database. The dataset includes 30 types of skin diseases sourced from the National Library of Medicine. The preprocessing stage involved whitespace normalization, removal of special characters, and handling of missing values to ensure data consistency before vectorization. Evaluation results showed high scores for Faithfulness (0.9429) and LLMContextRecall (0.9600), indicating that the responses were relevant and aligned with the source documents. However, a relatively low Precision score (0.4720) suggests a need for improved information accuracy. The Chatbot is integrated with the Chainlit platform, offering an interactive user interface that supports login, conversation history, and user feedback features to facilitate system development based on user input. The system demonstrated fast retrieval times (0.08–0.29 seconds), though answer generation remains slow due to CPU infrastructure limitations (255–283 seconds). Future improvements should focus on enhancing answer accuracy, optimizing the model's performance, enriching the medical reference dataset, and adding automated medical validation features to ensure the reliability of consultations. Therefore, this Chatbot system is expected to serve as a cost-effective and efficient alternative for providing initial information on skin conditions to individuals with limited access to healthcare services.
Indonesia yang beriklim tropis, memiliki sanitasi yang kurang memadai, serta terbatasnya akses terhadap layanan medis, khususnya di daerah terpencil, menjadi faktor utama penyebab tingginya kasus penyakit kulit. Akses langsung ke dokter spesialis kulit masih menjadi kendala bagi sebagian masyarakat. Penelitian ini bertujuan untuk mengembangkan Chatbot konsultasi penyakit kulit dengan pendekatan Retrieval Augmented Generation (RAG), menggunakan framework LangChain, model LLaMA, dan database vektor Qdrant. Dataset penelitian mencakup 30 jenis penyakit kulit yang diambil dari National Library of Medicine. Tahapan preprocessing data meliputi normalisasi spasi, penghapusan karakter non-standar, serta penanganan data kosong agar konsisten sebelum proses vektorisasi. Hasil evaluasi menunjukkan skor Faithfulness sebesar 0,9429 dan LLMContextRecall sebesar 0,9600, yang mencerminkan kualitas jawaban yang relevan dan sesuai dengan dokumen sumber. Namun, skor Precision yang masih rendah (0,4720) menunjukkan bahwa aspek ketepatan informasi perlu ditingkatkan. Chatbot ini diintegrasikan dengan platform Chainlit untuk menyediakan antarmuka pengguna yang interaktif, termasuk fitur login, histori percakapan, dan pemberian umpan balik, yang mendukung pengembangan sistem berbasis masukan pengguna. Waktu pengambilan informasi terbilang cepat (0,08–0,29 detik), meskipun proses pembuatan jawaban masih cukup lama karena keterbatasan penggunaan CPU (255–283 detik). Pengembangan ke depan disarankan mencakup peningkatan akurasi jawaban, optimalisasi performa model, penambahan referensi data medis, serta fitur validasi medis otomatis guna meningkatkan keandalan sistem. Dengan demikian, Chatbot ini berpotensi menjadi solusi alternatif yang terjangkau dan efektif untuk memberikan informasi awal terkait penyakit kulit bagi masyarakat dengan akses terbatas ke layanan medis
Analisis Ulasan Daring Menggunakan Metode Density-Based Spatial Clustering of Applications with Noise
Full text linkThis study applies a density-based clustering method to analyze user perceptions based on reviews on Google Maps. The focus of this research lies in processing dynamic, unlabeled review data to address managers' needs in understanding public sentiment. A total of 399 data sets were collected through Apify, then the data were processed through cleaning, normalization, and stemming stages. Text representation was performed by weighting word frequencies across documents, while WordCloud visualization was utilized to identify dominant words reflecting positive perceptions to help understand the context before the clustering process. The Density-Based Spatial Clustering of Applications with Noise method was applied to form review clusters. The analysis results show that this method is able to group reviews into clusters based on content similarity, although some data were identified as noise. These findings provide useful insights in understanding public perception, thus aiding in strategic decision-making. With the right parameter selection, this method can be an effective approach for further public review sentiment analysis.Penelitian ini menerapkan metode klaster berbasis kepadatan untuk menganalisis persepsi pengguna berdasarkan ulasan di Google Maps. Fokus penelitian ini terletak pada pengolahan data ulasan yang bersifat dinamis dan tidak memiliki label untuk menjawab kebutuhan pengelola dalam memahami sentimen publik. Sebanyak 399 data telah dikumpulkan melalui Apify, kemudian data diproses melalui tahap pembersihan, normalisasi, dan stemming. Representasi teks dilakukan dengan pembobotan frekuensi kata terhadap dokumen, sementara visualisasi WordCloud dimanfaatkan untuk mengidentifikasi kata-kata dominan yang mencerminkan persepsi positif sehingga dapat membantu memahami konteks sebelum proses pengelompokan. Metode Density-Based Spatial Clustering of Applications with Noise diterapkan untuk membentuk klaster ulasan. Hasil analisis menunjukkan bahwa metode ini mampu mengelompokkan ulasan dalam klaster berdasarkan kemiripan konten, meskipun sebagian data teridentifikasi sebagai gangguan. Temuan tersebut memberikan wawasan yang bermanfaat dalam memahami persepsi masyarakat, sehingga dapat membantu dalam pengambilan keputusan strategis. Dengan pemilihan parameter yang tepat, metode ini mampu menjadi pendekatan efektif untuk analisis sentimen ulasan publik lebih lanjut
Implementasi Regularized Singular Value Decomposition dalam Sistem Rekomendasi Buku Collaborative Filtering
Full text linkAt the school level, time is limited by the system of lesson hours. This makes students have to use their time wisely before changing lesson. However, choosing appropriate reading material often requires more time which results in wasted class hours. The development of a recommendation system using the Collaborative Filtering (CF) and Regularized Singular Value Decomposition (SVD) methods was chosen to solve the problem of students having difficulty finding books in the library. The data used is student interaction data with books in the form of ratings which are collected directly and processed to provide recommendations. The results of applying SVD in predicting ratings and looking for appropriate latent features to describe the characteristics of students and books produce MAE and RMSE values of 0.478 and 0.686. The research conducted also shows that the appropriate number of latent factors or features and the addition of regularization have an effect on increasing prediction accuracy. The predicted value of the rating is then used to provide personal book recommendations and the latent feature values of the books found are used in calculating cosine similarity to provide non-personal recommendations.Pada tingkat sekolah, waktu dibatasi oleh sistem jam pelajaran. Hal ini membuat siswa harus menggunakan waktunya dengan bijak sebelum berpindah pelajaran. Namun, memilih bahan bacaan yang tepat sering kali membutuhkan lebih banyak waktu sehingga mengakibatkan jam pelajaran terbuang percuma. Pengembangan sistem rekomendasi dengan metode Collaborative Filtering (CF) dan Regularized Singular Value Decomposition (SVD) dipilih untuk mengatasi permasalahan sulitnya siswa mencari buku di perpustakaan. Data yang digunakan adalah data interaksi siswa dengan buku berupa rating yang dikumpulkan secara langsung dan diolah untuk memberikan rekomendasi. Hasil penerapan SVD dalam memprediksi rating dan mencari fitur laten yang sesuai untuk menggambarkan karakteristik siswa dan buku menghasilkan nilai MAE dan RMSE sebesar 0,478 dan 0,686. Penelitian yang dilakukan juga menunjukkan bahwa jumlah faktor atau fitur laten yang tepat dan penambahan regularisasi berpengaruh terhadap peningkatan akurasi prediksi. Nilai prediksi rating tersebut kemudian digunakan untuk memberikan rekomendasi buku personal dan nilai fitur laten dari buku yang ditemukan digunakan dalam perhitungan cosine similarity untuk memberikan rekomendasi buku non-personal
Deteksi Tingkat Kematangan Buah Mangga Berdasarkan Fitur Warna Menggunakan Pengolahan Citra Digital
Full text linkThe classification of mango Golek ripeness is crucial for ensuring product quality and its economic value, especially in industrial applications. Manual and subjective ripeness determination often leads to inconsistency, resulting in decreased harvest quality and market value. This study aims to classify the ripeness of Golek mangoes into three categories: unripe, semi-ripe, and ripe, using digital image processing based on HSV and LAB color features combined with the K-Nearest Neighbor (KNN) algorithm. The dataset consists of 300 images, split into 80% training data and 20% testing data. The proposed method includes image acquisition, preprocessing, segmentation, morphological operations, feature extraction, and classification. The results show that the combination of HSV and LAB color features is effective in distinguishing ripeness levels, with an accuracy of 81.67% on the testing data and an average precision, recall, and F1-Score of 82%. Consistent color patterns in the unripe and semi-ripe categories enhance accuracy, while fluctuations in color intensity in the ripe category pose challenges. This approach shows potential for implementation in automatic sorting systems in industry.Klasifikasi tingkat kematangan buah mangga Golek penting untuk memastikan kualitas dan nilai ekonomisnya, terutama dalam industri. Penentuan kematangan secara manual dan subjektif sering tidak konsisten, mengakibatkan penurunan kualitas panen dan nilai jual. Penelitian ini bertujuan untuk mengklasifikasikan tingkat kematangan mangga Golek menjadi tiga kategori: muda, mengkal, dan matang, dengan menggunakan pengolahan citra digital berbasis fitur warna HSV dan LAB yang dikombinasikan dengan algoritma K-Nearest Neighbor (KNN). Dataset yang digunakan terdiri dari 300 citra, yang dibagi menjadi 80% data pelatihan dan 20% data pengujian. Metode yang diusulkan meliputi akuisisi citra, preprocessing, segmentasi, operasi morfologi, ekstraksi fitur, dan klasifikasi. Hasil pengujian menunjukkan bahwa kombinasi fitur warna HSV dan LAB efektif dalam membedakan tingkat kematangan, dengan akurasi 81,67% pada data pengujian dan rata-rata precision, recall, dan F1-Score sebesar 82%. Pola warna yang konsisten pada kategori muda dan mengkal meningkatkan akurasi, sementara fluktuasi intensitas warna pada kategori matang menjadi tantangan. Pendekatan ini memiliki potensi untuk diterapkan dalam sistem penyortiran otomatis di industri