Jurnal Informatika dan Sistem Informasi (JIFoSI)

OPTIMASI STRATEGIS INFERENSI U-NET EFISIEN UNTUK SEGMENTASI PEMBULUH DARAH RETINA

Wisanggeni Atthoriq Kuswirasatya, Faisal Muttaqin — Mon, 31 Aug 2026 00:00:00 +0700

Segmentasi pembuluh darah retina merupakan tahapan krusial dalam diagnosis penyakit oftalmologi seperti diabetic retinopathy, glaukoma, dan degenerasi makula. Arsitektur U-Net telah terbukti efektif untuk tugas segmentasi pada citra medis, namun implementasi konvensionalnya seringkali memerlukan sumber daya komputasi yang besar dan waktu inferensi yang lama. Penelitian ini mengusulkan serangkaian optimasi pada arsitektur U-Net baseline untuk segmentasi pembuluh darah retina dengan fokus pada efisiensi komputasi tanpa mengorbankan akurasi secara signifikan. Optimasi yang dilakukan meliputi: (1) penerapan Contrast Limited Adaptive Histogram Equalization (CLAHE) pada tahap preprocessing, (2) penggunaan fungsi aktivasi LeakyReLU sebagai pengganti ReLU, (3) reduksi kanal pada bottleneck dari 1024 menjadi 512, (4) perbaikan fungsi loss dengan Binary Cross Entropy with Logits, (5) penerapan Automatic Mixed Precision (AMP) selama pelatihan, dan (6) konvolusi-BatchNorm fusion pada tahap inferensi. Eksperimen dilakukan pada dataset DRIVE (Digital Retinal Images for Vessel Extraction) menggunakan lingkungan Google Colab dengan GPU NVIDIA T4. Hasil menunjukkan bahwa model teroptimasi mencapai peningkatan kecepatan inferensi hingga 3,51 kali (dari 6,90 FPS menjadi 24,26 FPS) dan pengurangan waktu pelatihan sebesar 57,1% (dari 17 menit 11 detik menjadi 7 menit 22 detik) dengan penurunan Jaccard Index yang minimal dari 0,6571 menjadi 0,6404. Temuan ini menunjukkan bahwa optimasi yang diusulkan berhasil menciptakan model yang lebih efisien dan cocok untuk deployment pada perangkat dengan sumber daya terbatas.

PERANCANGAN DAN EVALUASI ANTARMUKA WEB VOICE ASSISTANT KASIR MENGGUNAKAN METODE UAT

Mon, 31 Aug 2026 00:00:00 +0700

Abstrak

Perkembangan teknologi informasi dalam bisnis kuliner telah mendorong penggunaan sistem kasir mandiri (self-service). Namun, mayoritas sistem tersebut masih sangat bergantung pada interaksi visual melalui layar sentuh, sehingga memunculkan hambatan aksesibilitas bagi penyandang disabilitas visual (tunanetra). Penelitian ini bertujuan untuk merancang antarmuka sistem kasir cerdas berbasis perintah suara (voice assistant) bernama VERA guna menghadirkan solusi operasional yang inklusif. Perancangan antarmuka dilakukan menggunakan metode Design Thinking yang berpusat pada pengguna, meliputi tahapan empati, pendefinisian, ideasi, pembuatan prototipe, dan pengujian. Konsep visual yang dihasilkan kemudian ditransformasikan menjadi purwarupa High-Fidelity interaktif menggunakan perangkat lunak Figma. Evaluasi tingkat penerimaan pengguna terhadap purwarupa dilakukan menggunakan metode User Acceptance Testing (UAT) berbasis Skala Guttman yang melibatkan 18 responden. Hasil pengujian menunjukkan bahwa tingkat keberhasilan tugas (Task Success Rate) mencapai angka 88,88%. Angka ini mengonfirmasi bahwa rancangan antarmuka VERA berada pada kategori sangat layak. Kesimpulan dari penelitian ini membuktikan bahwa perancangan antarmuka suara berbasis kecerdasan buatan berhasil mengakomodasi fungsionalitas interaksi transaksi secara intuitif, efisien, dan inklusif bagi berbagai kalangan pengguna.

Implementasi Reusable Components pada Aplikasi Multi-Bisnis Berbasis React

TAHTA PRAMESWARI, DINDA SELVIRA, AMRIZA SASKIRANA — Mon, 31 Aug 2026 00:00:00 +0700

inkonsistensi antarmuka pada enam modul operasionalnya. Penelitian ini mengusulkan implementasi arsitektur reusable components terpusat berbasis React dan TypeScript menggunakan kontrak data statis (props) serta mekanisme tema dinamis via custom hook useTheme(). Karena dilakukan secara retroaktif, evaluasi kuantitatif diukur menggunakan pendekatan Hypothetical Baseline. Hasil pengujian runtime menunjukkan komponen tunggal mampu mengadaptasi identitas visual tiap jenis usaha secara presisi. Secara struktural, arsitektur ini memberikan dampak efisiensi signifikan dengan estimasi reduksi redundansi kode mencapai 84,9% pada komponen Button dan 79,2% pada Header. Penelitian ini membuktikan bahwa sentralisasi komponen berbasis modular efektif meningkatkan maintainability basis kode dan konsistensi antarmuka sistem multi-bisnis.

Penerapan Algoritma K-Means Clustering untuk Segmentasi Pelanggan pada Sistem Informasi E-Commerce

AhmadRafli Yuliarti — Mon, 31 Aug 2026 00:00:00 +0700

Penelitian ini berhasil mengimplementasikan algoritma K-Means Clustering berbasis analisis RFM (Recency, Frequency, Monetary) untuk segmentasi pelanggan e-commerce, menghasilkan tiga segmen pelanggan yang terdefinisi jelas dengan kualitas pengelompokan baik (Silhouette Score 0,612). Dari 600 pelanggan yang dianalisis (sampel acak dari dataset Online Retail), terbentuk tiga kelompok: Pelanggan Aktif (418 orang, 70,4%), Pelanggan Potensial (93 orang, 15,7%), dan Pelanggan Pasif (83 orang, 14,0%). Hasil segmentasi ini telah berhasil diintegrasikan ke dalam sistem informasi e-commerce melalui REST API berbasis Flask, sehingga tim manajemen dapat langsung memanfaatkannya untuk strategi pemasaran yang lebih terarah. Secara metodologis, data yang digunakan adalah Online Retail Dataset periode Desember 2010 sampai Desember 2011 (68.636 record awal dari 600 pelanggan terpilih), yang setelah preprocessing menyisakan 67.198 record valid. Jumlah klaster optimal ditentukan dengan metode Elbow pada k=3, diimplementasikan dengan Python dan Scikit-learn. Temuan ini menunjukkan bahwa kombinasi K-Means dan RFM efektif sebagai dasar sistem rekomendasi strategi pemasaran berbasis data pada platform e-commerce.

Optimasi Hyperparameter LightGBM Menggunakan Particle Swarm Optimization untuk Klasifikasi Kanker Payudara

Akbar Umar Alfaroq — Mon, 31 Aug 2026 00:00:00 +0700

Performa model Light Gradient Boosting Machine (LightGBM) pada proses klasifikasi sangat dipengaruhi oleh konfigurasi hiperparameter yang digunakan. Penelitian ini mengusulkan penerapan Particle Swarm Optimization (PSO) untuk memperoleh kombinasi hiperparameter yang optimal pada model LightGBM dalam klasifikasi kanker payudara. Pengujian model dilakukan menggunakan skema 3-fold cross-validation. Hasil eksperimen menunjukkan bahwa model LightGBM dengan hiperparameter default menghasilkan akurasi rata-rata sebesar 95,96%, sedangkan optimasi menggunakan PSO meningkatkan akurasi hingga 97,54% pada konfigurasi swarm size 60 dan max iteration 250. Temuan tersebut menunjukkan bahwa PSO efektif dalam meningkatkan performa klasifikasi model LightGBM.

Kata Kunci: Particle Swarm Optimization, Hiperparameter Tuning, Breast Cancer Classification, LightGBM