Journal of Internet and Software Engineering

Optimisasi Hyperparameter YOLO untuk Purwarupa Aplikasi Ekstraksi Judul dan Isi pada Surat Kabar di Monumen Pers Nasional

Hendarto Kurniawan — 2026-07-06

Monumen Pers Nasional mempunyai salah satu layanan yang menyediakan informasi bahan-bahan, dokumen-dokumen, artefak-artefak dan sejarah pers nasional yang dapat digunakan untuk pembelajaran. Untuk memudahkan akses data, artefak dan koleksi lainnya, Monumen Pers Nasional membangun Sistem Informasi Database Koleksi (SIDAK) dengan penerapan teknologi Object Character Recognition (OCR). Namun dalam penerapannya teknologi OCR yang dibagun kerap kali menghasilkan data yang kurang akurat dalam proses ekstraksi data dari koleksi surat kabar. Salah satu solusi yang digunakan untuk mengatasi permasalahan ini adalah dengan mengadopsi metode deteksi judul dan konten menggunakan You Only Look Once (YOLO). Dengan melakukan analisis perbandingan optimizer menggunakan data koleksi surat kabar yang diperoleh dari Museum Monumen Pers Nasioal, hasil optimizer paling baik akan diimplementasikan pada purwarupa aplikasi berbasis website. Adapun optimizer yang dianalisis adalah Stocasthic Gradient Descent (SGD), Adaptive Moment Estimation (Adam), Adam with Weight Decay (AdamW). Hasil analisis menunjukkan optimizer AdamW mengungguli SGD dan Adam dalam nilai f1-score dan mAP secara keseluruhan, sehingga diimplementasikan pada purwarupa aplikasi. Kemudian purwarupa diuji menggunakan User Acceptance Test acuan Skala Likert dan mendapatkan nilai 84,8% kategori sangat baik, sehingga dapat membantu dalam melakukan ekstraksi informasi judul dan isi pada surat kabar di Monumen Pers Nasional.

Sistem Pendeteksi Sampah Plastik Menggunakan Algoritma YOLOv8

Alief Rahman Hakim — 2026-07-06

Sampah plastik merupakan permasalahan global dengan volume yang terus meningkat. Penelitian ini menggunakan sampel data dari wilayah Yogyakarta, dengan volume yang terus meningkat namun belum diimbangi penanganan memadai. Identifikasi serta pemilahan sampah plastik berdasarkan gambar pada jenis resin diperlukan untuk memfasilitasi daur ulang efektif. Penelitian ini mengembangkan sistem pendeteksi pemilahan sampah plastik menggunakan pendekatan deep learning dengan arsitektur YOLOv8-cls untuk mengklasifikasikan plastik High Density Polyethylene, Polyethylene Terephthalate, Polypropylene, dan Polystyrene. Karena objek sampah plastik memiliki karakteristik yang dinamis dan munculnya bentuk-bentuk baru, penelitian melakukan retraining pada model baseline YOLOv8n-cls dengan membandingkan metode replay dan fine-tuning, serta mengeksplorasi variasi freeze layer dari 0 hingga 9. Hasil menunjukkan metode replay menunjukkan kinerja terbaik dengan F1-score pada data lama stabil di kisaran 98–99%, bahkan pada beberapa kasus setara atau melebihi model baseline dengan F1-score 99,16%–99,29%, menandakan model tetap andal mengenali objek lama. Sementara itu, F1-Score pada data baru berada di rentang 85–88%, yang masih tergolong tinggi. Analisis dan evaluasi menunjukkan metode replay lebih efektif dan stabil dalam mempertahankan pengetahuan objek lama sekaligus mempelajari objek baru. Pengujian sistem menggunakan user acceptance testing mendapat nilai 98,4% terhadap kemampuan sistem dalam memilah sampah plastik. Sistem pendeteksian ini diharapkan dapat membantu industri pemilahan sampah plastik dengan cepat dan akurat dalam menangani sampah plastik yang belum tertangani dengan baik.

Implementasi Load Balancing pada Platform Artificial Intelligence Berbasis Website Menggunakan HAProxy

Sri Ayu Rahmadani — 2026-08-05

Seiring meningkatnya kebutuhan akan konten media sosial, tantangan dalam memverifikasi kebenaran berita yang dikonsumsi publik juga semakin tinggi akibat penyebaran berita palsu. Permintaan akan teknologi AI untuk klasifikasi berita meningkat sebagai solusi atas masalah ini. AI untuk klasifikasi berita diimplementasikan melalui website dengan infrastruktur virtual machine. Namun, tingginya permintaan dapat menyebabkan penurunan kinerja atau downtime. Penelitian ini mengkaji penggunaan HAProxy sebagai solusi load balancing pada platform AI berbasis web. Tujuan utamanya adalah mengembangkan platform AI yang dapat mengklasifikasikan berita dan menerapkan teknologi load balancing agar platform dapat menangani lalu lintas tinggi dengan efisiensi dan responsivitas memadai. Pengujian menggunakan Apache JMeter menunjukkan bahwa sistem dapat menangani peningkatan beban dari 100 hingga 10.000 pengguna tanpa kesalahan, dengan waktu respons rata-rata 95 ms untuk 100 pengguna, 104 ms untuk 1,000 pengguna, dan 225 ms untuk 10,000 pengguna. Meskipun waktu respons meningkat seiring bertambahnya pengguna, tetap dalam batas yang dapat diterima. Model AI ini terbukti berhasil mengklasifikasikan berita dengan dukungan verifikasi dari sumber berita lain, menunjukkan bahwa HAProxy efektif meningkatkan kinerja dan keandalan platform AI, berkontribusi pada akurasi informasi publik.

Implementasi Sistem Monitoring Server Menggunakan Prometheus dan Grafana Dengan Notifikasi Email

Umi Nasiyatun Nauha — 2026-08-05

Era teknologi yang terus berkembang membuat perusahaan semakin bergantung pada infrastruktur IT yang menjadikan monitoring server sebagai aspek penting untuk menjaga stabilitas operasional. Proses memantau 74 server secara manual tidak efektif sehingga menyulitkan administrator mendeteksi anomali secara real-time. PT HMMI telah menggunakan Zabbix untuk monitoring seluruh perangkat jaringan namun, performa server menurun ketika ditambahkan dashboard monitoring server. Pada penelitian ini akan dilakukan implementasi sistem monitoring server menggunakan Prometheus dan Grafana dengan notifikasi email. Prometheus mengumpulkan data metrik seperti CPU, memori, penyimpanan, dan throughput secara terpusat, sementara Grafana menyediakan visualisasi data yang interaktif dan mudah dipahami. Sistem ini menggantikan metode manual yang kurang efisien dengan tujuan guna mempermudah administrator dalam memantau resource server secara real-time. Hasil pengujian menunjukkan bahwa sistem monitoring Grafana berhasil menampilkan data secara real-time dan mengirimkan notifikasi email dengan tingkat keberhasilan 100%. Selain itu, akurasi data pengujian menunjukkan penggunaan CPU mencapai 95,20%, memori 99,71%, disk 99,71%, dan throughput 91,42%. Pengujian performa server mencatat penggunaan CPU tertinggi sebesar 2,11%, memori maksimum 22,48%, ruang disk terbesar 20,85%, dan throughput tertinggi mencapai 203,56 Kbps saat memantau enam server selama enam jam. Sistem ini terbukti efektif dalam mendeteksi anomali dan membantu menjaga stabilitas layanan perusahaan.

Pose-Based Suspicious Activity Detection Using YOLOv12n and MediaPipe in Smart Surveillance Systems

Bowo Nugroho — 2026-08-05

Detecting suspicious activity in video surveillance is critical for public safety. Early identification of pre-incident behaviors, such as "looking around" nervously, can prevent crimes before they occur. However, traditional surveillance relies on continuous human monitoring, which is prone to error and resource-intensive. Existing automated methods struggle with real-time stability and produce flickering predictions. We present a two-stage pose-based detection system: YOLOv12n detects humans in each frame, and MediaPipe Holistic extracts pose features. A Support Vector Classifier (SVC) and Neural Network (NN) then classify 15-frame temporal segments as either "still" or "looking around." On our custom dataset, SVC achieves 97.35% accuracy while NN achieves 97.00%. Temporal smoothing eliminates prediction flickering, enabling stable real-time deployment. SVC provides better precision-recall balance, NN offers greater adaptability to complex pose variations.