Article Per Year (5 Year)
p-Index From 2020 - 2025
4.06
P-Index
This Author published in this journals
All Journal Jurnal Informatika JURNAL TEKNIK INFORMATIKA DAN SISTEM INFORMASI EXPLORE CCIT (Creative Communication and Innovative Technology) Journal International Journal of Informatics and Computation EXPLORE Jurnal Teknik Informatika dan Teknologi Informasi Safari : Jurnal Pengabdian Masyarakat Indonesia Journal Of Computer Science And Technology Jurnal Rekayasa Sistem Informasi dan Teknologi Journal of Computer Science and Information Technology Jurnal Kecerdasan Buatan dan Teknologi Informasi Journal of Data Analytics, Information, and Computer Science (JDAICS) Jurnal Computer and Technology Explore
Suryadi, Emi
Universitas Teknologi Mataram
Arts Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Electrical & Electronics Engineering Engineering Environmental Science Languange, Linguistic, Communication & Media Mathematics Public Health Social Sciences Other

Published : 37 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : Jurnal Kecerdasan Buatan dan Teknologi Informasi

 1 
KLASIFIKASI PENYAKIT KATARAK BERDASARKAN CITRA MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN) BERBASIS WEB Diki Hananta Firdaus; Bahtiar Imran; Lalu Darmawan Bakti; Emi Suryadi
Jurnal Kecerdasan Buatan dan Teknologi Informasi Vol. 1 No. 3 (2022): Desember 2022
Publisher : Ninety Media Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69916/jkbti.v1i3.6

Abstract

Mata adalah alat indera pada manusia yang berfungsi sebagai organ penglihatan. Gangguan penglihatan yang sangat memprihatinkan adalah masalah kebutaan. Mengacu pada data World Health Organization (WHO) tahun 2018, katarak menyumbang sekitar 48% kasus kebutaan di dunia dan nomor satu di Indonesia. Mata katarak dengan mata normal di masyarakat sekitar masih sulit untuk dibedakan, Sehingga masyarakat sering tidak menyadari ketika terindikasi penyakit katarak. Melihat dari uraian tersebut, penting sekali untuk mendeteksi penyakit katarak sebelum terjadi kebutaan. Dengan berkembangnya teknologi, pendeteksian dan klasifikasi katarak menjadi lebih mudah dengan adanya pengolahan citra digital. Pada penelitian ini penulis membuat suatu aplikasi Machine Learning untuk mengidentifikasi antara mata katarak dan mata normal dengan menggunakan metode Convolutional Neural Network (CNN) berbasis web. Dataset yang digunakan adalah 512 citra digital dengan pembaruan 2 kelas yaitu kelas katarak dan kelas normal. Dataset diambil dari sebuah website yang bergerak di bidang data sience yang bernama Kaggle. Pembelajaran mesin menggunakan Epoch 1, epoch 10 dan epoch 25. Pada epoch 1 mendapatkan hasil akurasi model sebesar 52,20%, epoch 10 mendapatkan akurasi sebesar 89,15% dan epoch 25 mendapatkan hasil akurasi sebesar 99,74%. Hasil terbaik yang didapatkan model adalah 99,74%. Hasil pengujian model menggunakan metode CNN ini dapat bekerja dengan sangat baik untuk memprediksi penyakit katarak pada mata.
KLASIFIKASI PENYAKIT EARLY BLIGHT DAN LATE BLIGHT PADA TANAMAN TOMAT BERDASARKAN CITRA DAUN MENGGUNAKAN METODE CNN BERBASIS WEBSITE Nining Putri Ningsih; Emi Suryadi; Lalu Darmawan Bakti; Bahtiar Imran
Jurnal Kecerdasan Buatan dan Teknologi Informasi Vol. 1 No. 3 (2022): Desember 2022
Publisher : Ninety Media Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69916/jkbti.v1i3.10

Abstract

Tomat merupakan salah satu tanaman hortikultura di Indonesia yang sangat rentan terserang penyakit. Petani akan mengalami kesulitan untuk mengidentifikasi penyakit pada daun tanaman tomat, jika hanya dilihat secara kasat mata saja. Hal tersebut dapat menyebabkan kesalahan dalam penanggulangannya, sehingga dapat menyebabkan turunnya hasil produksi serta memungkinkan terjadinya gagal panen pada tanaman tomat. Oleh karena itu dibutuhkan aplikasi yang membantu petani untuk mengklasifikasi Penyakit Early Blight dan Late Blight pada daun tomat. Proses klasifikasi ini menggunakan citra daun dengan metode Convolutional Neural Network. Dataset yang digunakan 4.000 citra dengan 2 jenis penyakit yaitu Early Blight dan Late Blight. Penggunaan Algoritma CNN menghasilkan akurasi yang tinggi, proses training data menenggukan learning rate 0,0001 dan batch size 20. Epoch 1 menghasilkan loss 98%, akurasi 53%, Recall 46%. Epoch 10 menghasilkan 20, loss 34%, akurasi 85%, recall 81%. Epoch 20 menghasilkan loss 22%, akurasi 94%, recall 95%. Epoch 100 mengasilkan loss 5%, akurasi 99%, dan recall 85%, akan digunakan untuk proses klasifikasi karena menghasilkan akurasi dan recall yang tinggi, serta loss yang kecil. Model CNN tersebut akan di implementasikan ke website dengan menggunakan framework flask.
Co-Authors Ahmad Yani Ahmad Yani ahmad yani Akbar, Ardiyallah Ardiyallah Akbar Arwidiyarti, Dwinita Aspari, Roni Astutik Zaerani Aulia, Asma Ayu Awanda Aerin Maesyarani Beni Ari Hidayatulloh Beni Ary Hidayatullah Buchtami, Lalu Reza Dedi Supriadi Diki Hananta Firdaus Efendi, Muhamad Masjun Ema Zulfaningsih Erfan Wahyudi Fadlun Mudin Giardi, Muh Hamzah Andung Hamzan Wadi Henni Comala Hikmi Imran, Bahtiar Juniyardi, Lalu Karim, Muh Nasirudin Karina Nurwijayanti Karina Nurwijayanti Lalu Darmawan Bakti Lalu Delsi Samsumar, M.Eng. Lalu Efendi Novian Lalu Moh. Nurkholis M. Zulpahmi Maspaeni Maspaeni Moh Subli Moh. Subli Mudin, Fadlun Nining Putri Ningsih Novian, Lalu Efendi NUR FAUZIAH Nurkholis, Lalu Moh. Nurul Yakin Nurul Yakin Nurul Yakin Rudi Muslim Rudi Muslim Said, Syukroni Selamet Riadi Selamet Riadi Subli Kerta Yan Santosa Yumarlin MZ Zaeniah Zaeniah Zaenudin Zaenudin Zaenudin Zaenudin Zaenudin Zulpahmi, M. Zulpan Hadi