Journal of Computer and Information System ( J-CIS )

Perbandingan Fungsi Aktivasi Terhadap Kinerja Algoritma Neural Network Pada Klasifikasi Data Diabetes

2025-06-28T17:38:49+08:00

Penelitian ini menggunakan algoritma backpropagation dengan membandingkan tiga fungsi aktivasi Sigmoid biner, Sigmoid bipolar, dan Tanh dalam mengklasifikasikan Data Diabetes. Dataset terdiri dari 70.692 data dengan 18 atribut, dengan 17 atribut sebagai input dan 1 atribut (Diabetes) sebagai target klasifikasi. Algoritma ini mampu melakukan klasifikasi pada kasus diabetes berdasarkan pengujian kinerja yang dilakukan dengan hasil perbandingan akurasi dengan rasio data terbaik pada 90:10 dengan tiga jenis fungsi aktivasi. sigmoid biner dengan arsitektur 17-5-1 didapatkan akurasi sebesar 76,22% dengan precision sebesar 83,07% untuk kelas 0 dan 71,63% untuk kelas 1, recall didapatkan hasil sebesar 66, 23% untuk kelas 0, untuk fungsi aktivasi sigmoid bipolar dengan arsitektur 17-15-1 didapatkan hasil akurasi sebesar 76,02% dengan precision kelas 0 dan 1 sebesar 80,97% dan 72,42% dan recall untuk kelas 0 dan 1 berturut-turut sebesar 68,08% dan 83,97%, sedangkan untuk akurasi dengan fungsi aktivasi TanH dengan arsitektur 17-15-1 didapatkan hasil sebesar 76,02% dengan presisi sebesar 80,97% untuk kelas 0 dan 72,42% untuk kelas 1 dengan nilai recall sebesar 68,08% untuk kelas 0 dan 83,97%. Berdasarkan hasil akurasi tersebut maka disimpulkan fungsi aktivasi sigmoid biner memberikan nilai akurasi terbaik pada dataset diabetes

Visualisasi Serta Efektifitas Colour Clustering dengan K-Means dan Bee Algorithm

2025-06-28T17:38:49+08:00

Klasterisasi citra digital merupakan dasar utama dalam analisis citra dan pengenalan pola yang dimungkinkan dalam proses segmentasi objek dalam gambar secara otomatis berdasarkan kemiripan warna, tekstur, atau intensitas. Klasterisasi umumnya dilakukan dengan algoritma K-Means karena kemampuannya yang sederhana dan efisien dalam mengelompokkan data, namun memiliki kelemahan seperti ketergantungan pada inisialisasi awal dan mudah terjebak pada solusi lokal, sedangkan Bee Algorithm menawarkan pendekatan optimasi yang lebih adaptif dan eksploratif sehingga dapat menghasilkan hasil klaster yang lebih optimal. Penelitian ini bertujuan untuk membandingkan kinerja algoritma K-Means dan Bee Algorithm (BA) dalam proses klasterisasi warna pada citra digital. Evaluasi dilakukan berdasarkan dua indikator utama, yaitu total jarak antar piksel ke pusat klaster dan sebaran kuantitas warna pada masing-masing klaster. Hasil eksperimen menunjukkan bahwa BA menghasilkan nilai jarak total yang lebih kecil dibandingkan K-Means pada semua jumlah klaster yang diuji. Nilai jarak yang lebih kecil menunjukkan bahwa BA mampu menemukan pusat klaster yang lebih optimal. Selain itu, distribusi kuantitas warna pada klaster hasil BA tampak lebih seimbang dibandingkan K-Means. Hal ini menunjukkan bahwa BA dapat memisahkan warna-warna dominan dengan lebih akurat. Berdasarkan hasil analisis dari gambar segmentasi dengan 2, 4, 8, dan 16 kluster, terlihat bahwa metode Bee Algorithm (BA) secara konsisten menghasilkan segmentasi warna yang lebih halus dan mendekati tampilan asli objek dibandingkan dengan metode K-Means. Dengan peningkatan jumlah kluster, kedua metode memang mengalami peningkatan kualitas visual, namun BA lebih unggul dalam mempertahankan detail halus seperti tekstur bulu dan gradasi warna alami. Sementara itu, K-Means cenderung menghasilkan pembagian warna yang lebih kaku dan berbentuk blok, yang mengurangi kealamian visual terutama pada jumlah kluster yang rendah.

Prediksi Hasil Panen Kakao Di Desa Minanga Menggunakan Algoritma Random Forest Regression

2025-06-28T17:38:49+08:00

Hasil produksi tanaman kakao di Desa Minanga sering mengalami fluktuasi, baik dalam bentuk penurunan maupun peningkatan yang tidak menentu disetiap musimnya. Kondisi ini berdampak pada ketidakpastian pendapatan, sehingga para petani kesulitan dalam merencanakan keuangan mereka dengan baik. Penelitian ini menggunakan algoritma random forest regression dengan tujuan untuk membantu dalam memprediksi hasil panen kakao pada petani Desa Minanga, dengan menggunakan kriteria luas lahan, jumlah tanaman kakao, jenis bibit, jenis pupuk, hama dan penyakit, penanggulangan hama dan penyakit, tingkat curah hujan, tenaga kerja, dan hasil. Data yang digunakan dalam penelitian ini merupakan data hasil panen kakao dari tahun 2019 hingga 2023, dengan total 2980 data yang akan diolah. Berdasarkan hasil pengujian jumlah pohon yang paling optimal adalah 100 pohon, dengan tingkat akurasi sebesar 98.95% dengan nilai Mean Absolute Percentage Error (MAPE) diperoleh adalah 1.04%, Root Mean Square Error (RMSE) yaitu 6.26 dan Koefisien Determinasi (R2) sebesar 0.99 pada rasio data 80:20. Variabel yang memiliki nilai importance paling tinggi yaitu variabel hama dan penyakit.

Identifikasi Status Stunting menggunakan Metode Klasifikasi Pemrosesan Citra: Systematic Literature Review

2025-06-28T17:38:50+08:00

Stunting adalah masalah kesehatan yang signifikan di Indonesia yang memengaruhi pertumbuhan fisik, perkembangan kognitif, dan kualitas sumber daya manusia di masa depan. Laporan dari Organisasi Kesehatan Dunia (WHO) menyatakan bahwa prevalensi stunting di Indonesia mencapai 21,6% pada tahun 2022. Untuk mengklasifikasikan stunting, metode konvensional seperti pengukuran antropometri manusal masih digunakan, tetapi memiliki keterbatasan seperti bergantung pada tenaga medis, memiliki kemungkinan kesalahan, dan sulit diakses di daerah terpencil. Tujuan dari penelitian ini adalah untuk mengevaluasi teknologi dan pemrosesan citra sebagai alternatif untuk metode deteksi stunting yang lebih akurat dan efektif. Hasil penelitian menunjukkan bahwa teknologi dan algoritma seperti MediaPipe Pose memiliki akurasi 98,48%, Deep Neural Nets (DNN) 93,83%, dan Support Vector Machine (SVM) 91,1%. Algortima CNN lebih efektif dalam menganalisis gambar secara otomatis terutama untuk dataset besa dan algortima SVM efektif untuk dataset kecil-menengah dengan dukungan ekstraksi fitur. Peneliti merekomendasikan untuk menggabungkan kedua metode ini untuk membuat sistem deteksi stunting yang lebih cepat, akurat, dan efisien. Temuan ini diharapkan dapat berfungsi sebagai titik acuan penting dalam proses pengembangan inovasi di bidang kesehatan anak di Indonesia.

Perancangan Prototype Smart Monitoring System Tingkat Kekeringan Kakao Berbasis Internet of Things (IoT)

2025-06-30T11:13:23+08:00

Konsep dasar manajemen proses pengeringan biji kakao khususnya pada kelompok tani di kabupaten majene, setelah diteliti sampai saat ini masih dilakukan secara manual, mulai dari proses penjemuran dibawah terik matahari, hingga pengecekan terhadap kering tidaknya biji kakao yang dijemur tersebut. Penelitian ini bermaksud untuk lebih memudahkan petani dalam proses pengontrolan pengeringan biji kakao. Penelitian ini memberikan kemudahan dalam proses monitoring pengeringan biji kakao itu sendiri baik dalam keadaan bepergian. Dengan menciptakan rumah cerdas yang otomatis dapat membuka/menutup atap dengan memanfaatkan sensor ldr, dht11 dan load cell. sistem ini menggunakan ambang batas/threshold dalam pengambilan keputusan, serta monitoring jarak jauh berbasis IoT. Dengan alat ini proses pengeringan biji kakao menjadi lebih efisien karena petani kakao tidak khawatir lagi memikirkan jemuran biji kakao saat berpergian karena adanya sistem IoT didalamnya. Informasi secara realtime juga disampaikan ke aplikasi Blynk yang mencakup suhu kelembaban, berat, serta intensitas cahaya yang didapatkan. Kemudian ketika didapatkan data biji kakao telah kering dengan kelembaban 65%, proses pengeringan dapat dihentikan dengan memanfaatkan button On/Off pada aplikasi

Klasifikasi Kesehatan Rambut Menggunakan Algoritma Artificial Neural Network

2025-07-04T12:08:16+08:00

Dalam penelitian ini menggunakan metode Artificial Neural Network (ANN) dengan algoritma backpropagation untuk mengklasifikasi kesehatan rambut yang berisi faktor- faktor yang menyebabkan rambut rontok yang berkontribusi terhadap kebotakan. Data yang digunakan untuk pengujian ini terdiri dari 999 data dengan 13 atribut. Berdasarkan atribut-atribut tersebut 12 dijadikan Input dan 1 atribut (Hair Loss) akan dijadikan target dalam klasifikasi. Hasil klasifikasi kesehatan rambut menggunakan Backpropagation dengan Confusion matrix menghasilkan akurasi tertinggi yaitu 63.81%, dengan presisi untuk kelas 0 (No Hair Fall) yaitu 51.68%, presisi 1 (Hair Fall) yaitu 73.63%, dengan recall kelas 0 (No Hair Fall) yaitu 61.33%, dan recall kelas 1 (Hair Fall) yaitu 65.32% pada rasio data 80:20, dengan hyperparameter Learning Rate 0.001, neuron hidden 10 dan max epoch 2000 dengan arsitektur 12-10-1.