Jurnal Buana Informatika
Not a member yet
274 research outputs found
Sort by
Perbaikan Kualitas Gambar untuk Deteksi Plat Nomor Kendaraan dengan Metode Super Resolution GANs
Full text linkPenelitian tentang pembelajaran mendalam yang dapat meningkatkan resolusi gambar dapat diterapkan di berbagai bidang. Salah satu implementasinya adalah dalam deteksi plat nomor kendaraan. Dengan menggunakan teknologi Deep Learning SRGAN yang mampu meningkatkan resolusi gambar, membuat proses pengenalan objek menjadi lebih mudah. Dalam studi ini, model dilatih dengan 1.070 gambar, termasuk 535 gambar beresolusi rendah dan 535 gambar beresolusi tinggi. Model kemudian diuji dengan 10 gambar beresolusi rendah. Hasilnya menunjukkan bahwa model dapat meningkatkan resolusi gambar hingga 2x dari gambar masukan. Evaluasi model menghasilkan nilai PSNR rata-rata sebesar 20,1587 dB untuk input image dan 21,1831 dB untuk output model. Nilai SSIM rata-rata adalah 0,5215 untuk input image dan 0,6331 untuk output model
Inspired GWO-based Multilevel Thresholding for Color Images Segmentation via M. Masi Entropy
Full text linkImage segmentation is crucial in image processing and computer vision, with multilevel thresholding (ML-ISP) offering robust solutions for complex images. However, effectively applying ML-ISP to RGB color images remains a challenge due to computational complexity and the limitations of traditional optimization algorithms, such as the Grey Wolf Optimizer (GWO). This study proposes an Inspired Grey Wolf Optimizer (IGWO) to address these issues and enhance ML-ISP for RGB color images. The performance stability of IGWO is comprehensively evaluated using three distinct objective functions: the Otsu method, the Kapur Entropy, and the M. Masi Entropy. Qualitative and quantitative analyses using PSNR, SSIM, and UQI were conducted on benchmark images. Results consistently demonstrate that IGWO, particularly with M. Masi Entropy, achieves superior segmentation quality. This research incorporates GridSearch-based hyperparameter tuning. The findings highlight the effectiveness and robustness of the proposed IGWO approach for complex ML-ISP tasks on color images
Malicious JavaScript Detection using Obfuscation Analysis and String Reconstruction Techniques
Full text linkDetecting malicious JavaScript remains a persistent challenge in cybersecurity, particularly as obfuscation techniques become more sophisticated. This study presents a dual-model detection framework that separates the analysis of obfuscation from malicious behavior to enhance precision. The first model detects obfuscated scripts using 20 features, including entropy, string ratios, and syntax. The second model classifies malicious code based on 92 features, incorporating outputs from the first model and semantically meaningful strings reconstructed using a novel technique called atomic search. Both models utilize the random forest algorithm and are trained on balanced datasets of labeled JavaScript samples. Experimental results demonstrate high performance, with the obfuscation model achieving 99.1% accuracy and the malicious detection model reaching 99.52%. The proposed approach provides a scalable and effective solution for detecting hidden threats in modern web environments by clearly addressing obfuscation and incorporating semantic reconstruction
Sistem Pakan Cerdas Berbasis IoT Untuk Optimalisasi Peternakan Kambing Umbaran di Era Digital Farm
Full text linkPenelitian ini bertujuan untuk mengembangkan sistem pakan cerdas berbasis Internet of Things (IoT) yang dirancang untuk meningkatkan efisiensi pemberian pakan di peternakan kambing umbaran. Sistem ini secara otomatis mengatur dispenser pakan sesuai dengan jadwal yang telah ditentukan, sehingga memudahkan peternak dalam manajemen pakan. Pengujian sistem menunjukkan efektivitas dalam mengurangi waktu pemberian pakan dan meminimalkan pemborosan. Selain itu, sistem dilengkapi dengan layar LCD yang menampilkan status dispenser, memberikan informasi real-time kepada peternak. Teknologi ini juga memungkinkan pemantauan jarak jauh, sehingga peternak dapat mengelola pakan dengan lebih baik. Dengan penerapan sistem ini, diharapkan dapat meningkatkan produktivitas dan kesejahteraan ternak, serta mendorong modernisasi dalam praktik peternakan di Indonesia. Inovasi ini diharapkan menjadi solusi yang berkelanjutan untuk tantangan dalam manajemen pakan, memberikan manfaat jangka panjang bagi peternak dan industri peternakan secara keseluruhan.
Penerapan State Pattern dan Retrieval-based Chatbot pada NPC Game Visual Novel di Unity Engine
Full text linkPenelitian ini membahas integrasi antara State Design pattern dan chatbot berbasis retrieval dalam Non-Playable Character (NPC) untuk meningkatkan interaksi pemain dalam Unity Game Engine. NPC dirancang memiliki tiga kondisi emosional utama: Happy, Normal, dan Angry, yang masing-masing memengaruhi dataset percakapan yang digunakan. Chatbot menggunakan algoritma cosine similarity untuk mencocokkan masukan pemain dengan respons yang paling relevan dari dataset berdasarkan emosi aktif. Metodologi penelitian yang digunakan adalah model waterfall, dengan tahapan implementasi, pengujian transisi state, dan evaluasi respons chatbot. Hasil menunjukkan akurasi pemilihan respons sebesar 95,65% dari 230 data uji, serta tingkat adaptabilitas chatbot sebesar 45% terhadap konteks emosi. Penelitian ini membuktikan bahwa integrasi state emosi dengan chatbot berbasis retrieval mampu menciptakan interaksi NPC yang lebih realistis dan kontekstual, meskipun masih terdapat keterbatasan dalam pemahaman semantik dan keberagaman respons
Two-Sided RRT* Planner Considering Inter-Node Maximum Length Connection on Adversarial Workspaces for AGV
Full text linkThis paper presents a two-sided Rapidly-Explored Random Tree (RRT*) which is a variant of RRT* path planning algorithm that utilizes a start and a target node as the bases for generating paths. The advantage of this method is in the capability to make a connection between start and target nodes under adversarial workspace. In this type of workspaces, the main problem in RRT* is the success rate of constructing a complete and optimized route and reducing path-generation processing time. The proposed algorithm is purposed to increase the route generation success rate and reduce the processing time. The technique consists of two-fold: the application of maximum length of inter-node path and two-sided node generation, i.e., from the start and target nodes. Simulation results conclude that the application of large maximum length of inter-node path can increase the success rate of complete route construction
Implementasi Algoritma Apriori sebagai Association Rule Learning untuk Mengidentifikasi Pola Item Dataset Penjualan
Full text linkPersaingan toko retail semakin ketat, pemasaran dan penataan produk penting untuk efisiensi belanja, menjaga kenyamanan, dan meningkatkan profit. Analisis kebiasaan berbelanja konsumen terhadap barang pada setiap transaksi dengan melakukan market basket analysis. Algoritma Apriori merupakan salah satu teknik untuk menemukan frequent item dalam membangun association rule yaitu hubungan antara kombinasi item dalam suatu dataset. Penelitian ini bertujuan untuk implementasi algoritma Apriori sebagai association rule learning untuk mengidentifikasi pola item dataset penjualan pada toko retail. Association rule itemset dengan algoritma Apriori akan dibandingkan dengan Frequent Pattern Growth (FP-Growth) yang merupakan algoritma untuk menemukan himpunan data yang paling sering muncul pada dataset. Berdasarkan pengujian yang dilakukan rerata nilai lift ratio algoritma Apriori sebesar 1,58 dan rerata nilai lift ratio algoritma FP-Growth sebesar 1,28. Hal ini menunjukkan bahwa algoritma Apriori memiliki kinerja lebih tinggi jika dibandingkan dengan algoritma FP-Growth.
Penerapan Graph Neural Network dalam Pengenalan Alfabet BISINDO dengan Fokus pada Gerakan Dinamis
Full text linkSebagian besar studi pengenalan alfabet Bahasa Isyarat Indonesia (BISINDO) masih terbatas pada gesture statik, meskipun beberapa huruf seperti R dan J memiliki karakteristik gerakan dinamis yang tidak dapat direpresentasikan secara statis. Penelitian ini menggunakan MediaPipe untuk mendeteksi 21 keypoints tangan sebagai input fitur. Titik-titik ini dimodelkan dalam bentuk graf dan diproses menggunakan Graph Neural Networks (GNNs) guna mengenali alfabet secara simultan, termasuk huruf-huruf dinamis. Proses pelatihan menggunakan K-Fold Cross Validation untuk menguji konsistensi performa model. Model GNN menghasilkan akurasi sebesar 96% pada pengujian data alfabet BISINDO. Prototipe sistem dalam bentuk aplikasi web berhasil mengenali 26 huruf BISINDO secara dinamis dengan tingkat akurasi prediksi mencapai 91%, menunjukkan potensi implementasi nyata dari pendekatan GNN dalam mendukung aksesibilitas komunikasi inklusif
Network Reduction Strategy on YOLOv8 Model for Mango Leaf Disease Detection
Full text linkDetecting diseases on mango leaves is a crucial step in maintaining plant health and enhancing agricultural productivity, considering that leaves are one of the vital parts involved in the photosynthesis process and plant growth. Diseases that affect mango leaves can cause damage that hinders the growth of the plants, making the development of an accurate and efficient detection system essential to assist farmers in identifying and addressing these issues early on. The objective of this research is to develop a disease detection model for mango leaves using the YOLOv8 model optimized with a network reduction. The data used consists of images of mango leaves with four classes of diseases. The results of the study indicate that the optimized YOLOv8 model can produce a model with low complexity without compromising model performance. The model optimized with network reduction achieved the highest mAP50-95 value of 0.988, surpassing the baseline model by 0.3%
Pengaruh Jenis Stopwords terhadap Akurasi Model Multinomial Naïve Bayes dalam Proses Sentimen Analisis
Full text linkPenerapan dari machine learning dalam bisnis telah memungkinkan produsen atau penjual untuk mengetahui kualitas produk dagangan mereka berdasarkan pada analisis ulasan pelanggan menggunakan Sentiment Analysis (SA). Penelitian ini bertujuan untuk mengetahui pengaruh dari jenis stopword terhadap akurasi dari metode Multinomial Naïve Bayes (MNB) dalam proses SA. Terdapat 10 jenis stopword yang digunakan dalam penelitian ini: umum, konjungsi, bahasa gaul, keterangan waktu, kata benda, kata ganti orang, kata seruan, kata kerja, dan kata dengan satu huruf. Berdasarkan pada uji Friedman pada tiga ulasan dari tiga produk sepatu, diketahui bahwa menghilangkan stopword konjungsi (MNB-konjungsi) dapat meningkatkan akurasi model MNB dalam proses SA sebesar 1%. Hasil uji T pada dua dari tiga himpunan data menunjukkan bahwa MNB-konjungsi memiliki akurasi yang lebih baik ketimbang MNB tanpa menghilangkan stopword.