Article Per Year (5 Year)
p-Index From 2019 - 2024
0.444
P-Index
This Author published in this journals
All Journal Jurnal Bina Komputer Jurnal Ilmiah Teknik Informatika dan Komunikasi
Anissa Ollivia Cahya Pratiwi
Universitas PGRI Madiun
Computer Science & IT Electrical & Electronics Engineering Engineering

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Implementasi Augmented Reality (AR) sebagai Sarana Media Pembelajaran Interaktif Algoritma Pemrograman Sekreningsih Nita; Anissa Ollivia Cahya Pratiwi
Jurnal Bina Komputer Vol 4 No 1 (2022): JBKom (Juni 2022)
Publisher : Jurnal Ilmiah Terpadu Universitas Bina Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (812.439 KB) | DOI: 10.33557/jbkom.v4i1.1723

Abstract

Algoritma Pemrograman adalah salah satu matakuliah keahlian dasar yang wajib harus ditempuh oleh mahasiswa teknik informatika di semester 1. Permasalahan yang selalu muncul mahasiswa sulit untuk memahami materi algoritma tersebut. Dari 30 mahasiswa dalam satu kelas yang dapat memahami hanya 50%. Banyak faktor penyebab antara lain background pendidikan mahasiswa yang berbeda-beda jurusan dan belum pernah belajar tentang algoritma program yang bersifat abstrak. Oleh karena itu penulis ingin membangun metode pembelajaran algoritma secara visual. Augmented Reality (AR) adalah satu teknologi yang dapat berkolaborasi dengan cara menghubungkan benda maya 2 atau 3 dimensi kedalam dunia nyata yang dapat dimunculkan serta diproyeksikan secara bersamaan (realtime). Teknologi AR sangat membantu dalam mewujudkan bentuk yang tidak jelas (abstrak) menjadi bentuk yang mudah dipahami. Sedangkan metode dalam membangun AR menggunakan Marker Based Tracking (MBT). dengan menggunakan pendekatan FAST (Feature from Accelerated Segment Test) Cornder Detection. Tujuan dari penelitian ini dapat menerapkan teknologi AR sebagai media pembelajaran yang dapat membantu menjelaskan materi secara visual dan mudah dipahami oleh mahasiswa. Hasil akhir setelah penerapan AR, tingkat pemahaman mahasiswa naik menjadi 80%. Jadi teknologi AR sangat membantu dalam proses belajar secara interaktif
Klasifikasi Jenis Anggur Berdasarkan Bentuk Daun Menggunakan Convolutional Neural Network Dan K-Nearest Neighbor Anissa Ollivia Cahya Pratiwi
Jurnal Ilmiah Teknik Informatika dan Komunikasi Vol. 3 No. 2 (2023): Juli : Jurnal Ilmiah Teknik Informatika dan Komunikasi
Publisher : Barenlitbangda Kabupaten Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55606/juitik.v3i2.535

Abstract

. Grapes belong to the Vitacaee family group whose vines grow and produce dense fruit on their branches, grapes have health benefits for the body's metabolism. Wine has different types of variants, in this study there were 11 types of grape variants used consisting of Auxerrois grapes, Cabernet Franc, Cabernet Sauvignon, Chardonnay, Merlot, Muller Thurgau, Pinot Noir, Resling, Sauvignon Blanc, Syrah and Tempranillo. There are several ways to distinguish the types of grapes, one of which is by looking at the shape of the leaves of the tree. Grape leaves can be observed with the naked eye if people know and understand grape leaves, but if people who don't know or are still beginners don't understand grape leaves, the accuracy is not perfect because there are shapes of grape leaves that have a resemblance. To overcome this problem, an application is needed that makes it easier for the public to classify types of grapes automatically through a series of processing processes for the taste of grape leaves by recognizing the characteristics of the leaves such as the shape of the leaves. This study aims to classify types of grapes based on the shape of the leaves using the convolutional neural network (CNN) and K-nearest neighbor (KNN) methods to determine the types of grapes planted based on the shape of the leaves. The test results for the CNN and KNN methods were measured using a confusion matrix and obtained a result of 99% for CNN and 53% for KNN.
Co-Authors Nita, Sekreningsih