Jurnal Ilmiah Teknologi Informasi dan Robotika

Klasifikasi Golongan Kendaraan Tol menggunakan CNN Tensorflow

2025-05-21T08:19:02+00:00

Pengelolaan lalu lintas di jalan tol memerlukan strategi yang efektif dalam mengidentifikasi jenis kendaraan untuk meningkatkan keamanan dan efisiensi transportasi. Artikel ini membahas implementasi Convolutional Neural Network (CNN) menggunakan TensorFlow untuk klasifikasi kendaraan di jalan tol. CNN telah terbukti efektif dalam mengenali pola visual kompleks, memungkinkan identifikasi kendaraan secara akurat tanpa perlu ekstraksi fitur manual. Dengan memanfaatkan arsitektur deep learning, CNN dapat mempelajari representasi fitur dari data citra dengan tingkat akurasi yang tinggi. Penggunaan TensorFlow sebagai framework deep learning memberikan keunggulan dalam pengembangan model dengan performa tinggi. Implementasi CNN dengan TensorFlow meningkatkan efisiensi dan akurasi klasifikasi kendaraan, membantu dalam mengelola lalu lintas dengan lebih efektif. Solusi ini meminimalkan kesalahan manusia, mempercepat proses klasifikasi, dan meningkatkan pengalaman pengguna jalan tol. Integrasi TensorFlow dalam sistem pengelolaan lalu lintas dapat menciptakan solusi yang lebih efektif dalam mengatasi tantangan di jalan tol. Model klasifikasi kendaraan ini mencapai 90.6% akurasi pada data uji. Sehingga dapat disimpulkan bahwa metode ini dapat secara efektif meningkatkan akurasi dan efisiensi dalam klasifikasi jenis kendaraan di jalan tol

Evaluasi Keamanan Aplikasi Mobile Banking: Ancaman, Perlindungan dan Studi Kasus Pada Sistem Perbankan Digital

2025-05-19T08:00:53+00:00

Keamanan aplikasi mobile banking merupakan isu krusial di era digital, seiring dengan meningkatnya jumlah pengguna dan kompleksitas ancaman siber yang dapat membahayakan integritas serta kerahasiaan data nasabah. Penelitian ini bertujuan untuk mengevaluasi tingkat keamanan aplikasi mobile banking dengan mengidentifikasi potensi ancaman serta menelaah strategi mitigasi yang diterapkan. Kebaruan dari penelitian ini terletak pada pendekatan komprehensif terhadap celah keamanan yang belum banyak dibahas secara mendalam dalam studi sebelumnya, terutama yang berkaitan dengan manajemen sesi pengguna dan eksploitasi perangkat lunak berbahaya. Metode yang digunakan adalah library research, dengan menganalisis berbagai literatur akademik, laporan industri keamanan, dan hasil penelitian terdahulu terkait sistem perbankan digital. Hasil menunjukkan bahwa sebagian besar aplikasi telah menerapkan enkripsi data dan autentikasi berlapis, namun masih rentan terhadap serangan man-in-the-middle, injeksi kode berbahaya, serta serangan berbasis malware. Kesimpulan dari penelitian ini menekankan pentingnya penguatan sistem keamanan melalui penerapan autentikasi multifaktor, algoritma enkripsi yang lebih kuat, serta peningkatan literasi dan kesadaran pengguna terhadap praktik keamanan digital yang baik.

Optimalisasi Model CNN EfficientNet-B0 dengan Fine Tuning untuk Klasifikasi Penyakit Buah Jeruk

2025-05-21T06:11:18+00:00

Jeruk merupakan tanaman yang rentan terkena penyakit, yang tanda penyakit tersebut dapat dilihat dari corak kulit jeruk tersebut. Virus-virus yang menyerang buah jeruk menjadi penyebab paling tinggi bagi para petani buah jeruk yang hanya mengandalkan ahli tanaman untuk melakukan pemeriksaan tanaman tersebut. Artificial Intelligent (AI) sudah diterapkan pada bidang kedokteran, peternakan, bahkan pertanian. Salah satu dari implementasi AI tersebut adalah Deep Learning. Salah satu Model Deep Learning dalam pengenalan citra yakni Convolutional Neural Network (CNN). Peneliti akan menggunakan arsitektur EfficientNet-B0 yang menyesuaikan banyaknya dataset yang dipakai, yakni sebanyak 986 data dengan beberapa skenario. Skenario yang digunakan yakni pembagian 90:10, 80:20, dan 70:30. Maka dari itu, peneliti berharap bahwa model EfficientNet-B0 masih dapat ditingkatkan lagi dengan membandingkannya dengan fine tuning. Secara keseluruhan, dapat disimpulkan bahwa penerapan teknik fine-tuning pada model pre-trained EfficientNet-B0 terbukti efektif dalam meningkatkan tingkat akurasi model pada seluruh skenario yang diuji. Hasil dari pengujian Teknik fine-tuning pada skenario pembagian data 80% data training dan 20% data validation, model dengan fine-tuning mencapai akurasi tertinggi sebesar 0.9878 dengan nilai loss terendah sebesar 0.0904, yang lebih baik dibandingkan dengan model tanpa fine-tuning yang hanya menghasilkan akurasi 0.9600 dengan nilai loss 0.1199. Peningkatan ini menunjukkan bahwa fine-tuning dapat memanfaatkan pengetahuan yang telah ada dalam model pre-trained seperti EfficientNet-B0 dan menyesuaikannya dengan dataset tertentu untuk menghasilkan prediksi yang lebih akurat.