Article Per Year (5 Year)
p-Index From 2021 - 2026
1.084
P-Index
This Author published in this journals
All Journal sudo Jurnal Teknik Informatika Jurnal Informatika Teknologi dan Sains (Jinteks) Journal of Artificial Intelligence and Digital Business Indonesian Journal of Multidisciplinary on Social and Technology Journal of Engineering and Science Application Teknik: Jurnal Teknik Mesin, Elektro dan Ilmu Komputer
Muhammad Ihsan Sarita
Universitas Halu Oleo
Aerospace Engineering Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Economics, Econometrics & Finance Electrical & Electronics Engineering Engineering Social Sciences

Published : 7 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 7 Documents
Search

 1 
Perancangan Sistem Prediksi Penyakit Padi Berbasis Citra Digital Berbasis Deep Learning Syahril Ramadhan Salman Noor; Jumadil Nangi; Bambang Pramono; Muhammad Ihsan Sarita; Sutardi Sutardi; Ryan Rinaldi Hadistio
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 5 No. 2 (2026): Mei-Juli
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v5i2.9173

Abstract

Penyakit tanaman padi merupakan salah satu faktor utama yang memengaruhi produktivitas hasil pertanian dan kualitas panen. Proses identifikasi penyakit yang masih dilakukan secara manual sering kali membutuhkan waktu cukup lama serta bergantung pada kemampuan pengamatan petani maupun tenaga ahli pertanian. Kondisi tersebut menyebabkan penanganan penyakit tanaman sering terlambat sehingga berpotensi meningkatkan risiko penyebaran penyakit pada tanaman padi. Perkembangan teknologi kecerdasan buatan dan pengolahan citra digital memberikan peluang dalam pengembangan sistem identifikasi penyakit tanaman secara otomatis dan lebih efisien. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem prediksi penyakit padi berbasis citra digital menggunakan pendekatan deep learning dengan model EfficientNet-B7. Sistem yang dikembangkan dirancang untuk membantu proses identifikasi awal penyakit tanaman padi melalui analisis citra daun yang terindikasi penyakit. Tahapan penelitian meliputi pengumpulan dataset citra penyakit tanaman padi, preprocessing data citra, perancangan sistem, serta implementasi model EfficientNet-B7 pada proses klasifikasi citra digital. Pemilihan EfficientNet-B7 didasarkan pada kemampuannya dalam melakukan ekstraksi fitur citra secara mendalam dengan efisiensi parameter yang optimal. Selain itu, sistem yang dikembangkan diharapkan dapat menjadi solusi pendukung bagi petani dalam melakukan deteksi awal penyakit tanaman secara lebih praktis melalui pemanfaatan teknologi digital modern. Penelitian ini difokuskan pada tahap perancangan arsitektur sistem, integrasi model deep learning ke aplikasi mobile berbasis Android, serta implementasi awal sistem sebagai fondasi pengembangan evaluasi model pada penelitian lanjutan. Penelitian ini diharapkan mampu menghasilkan sistem prediksi penyakit tanaman padi yang mendukung proses identifikasi penyakit secara otomatis, cepat, dan efisien dalam mendukung transformasi digital pada sektor pertanian modern berbasis kecerdasan buatan.
IMPLEMENTASI TRANSFER LEARNING MOBILENETV2 UNTUK KLASIFIKASI PENYAKIT DAUN PADI DENGAN REKOMENDASI PENGENDALIAN FUZZY MAMDANI Rahmi Rahmi; Jumadil Nangi; Muhammad Ihsan Sarita
Jurnal Informatika Teknologi dan Sains (Jinteks) Vol 8 No 2 (2026): EDISI 28
Publisher : Program Studi Informatika Universitas Teknologi Sumbawa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51401/jinteks.v8i2.7535

Abstract

Penyakit daun padi merupakan salah satu faktor utama yang memengaruhi kualitas dan produktivitas tanaman padi. Keterlambatan dalam mendeteksi penyakit dapat menyebabkan kerusakan tanaman yang signifikan serta menurunkan hasil produksi pertanian. Oleh karena itu, diperlukan sistem klasifikasi penyakit daun padi yang mampu bekerja secara otomatis dan akurat untuk membantu proses deteksi serta penanganan penyakit secara dini. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi penyakit daun padi berbasis web menggunakan metode Transfer Learning MobileNetV2 dan Fuzzy Mamdani. Dataset yang digunakan terdiri atas 1.560 citra daun padi yang terbagi ke dalam enam kelas, yaitu Blast, Bacterial Leaf Blight, Brown Spot, Hispa, Tungro, dan Healthy Leaf. Proses klasifikasi dilakukan menggunakan arsitektur MobileNetV2, sedangkan metode Fuzzy Mamdani digunakan untuk menentukan tingkat urgensi dan rekomendasi penanganan penyakit berdasarkan hasil klasifikasi. Evaluasi model dilakukan menggunakan confusion matrix serta metrik accuracy, precision, recall, dan F1-score. Hasil pengujian menunjukkan bahwa model memperoleh accuracy sebesar 95,30%, precision sebesar 96,18%, recall sebesar 95,30%, dan F1-score sebesar 95,35%. Hasil penelitian menunjukkan bahwa kombinasi MobileNetV2 dan Fuzzy Mamdani efektif digunakan dalam pengembangan sistem klasifikasi penyakit daun padi berbasis web.
Sistem Klasifikasi Perubahan Lahan pada Ekosistem Pesisir Berbasis Deep Learning Menggunakan Citra Sentinel-2: Studi Kasus: Tanjung Tiram, Sulawesi Tenggara Annisa Nurfadilah; Rizal Saputra; Muhammad Ihsan Sarita
sudo Jurnal Teknik Informatika Vol. 5 No. 1 (2026): Edisi Maret
Publisher : Ilmu Bersama Center

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56211/sudo.v5i1.1635

Abstract

Perubahan tutupan lahan pada ekosistem pesisir merupakan isu lingkungan global yang signifikan karena berdampak langsung terhadap fungsi ekologis dan keberlanjutan hayati. Tanjung Tiram, Sulawesi Tenggara, merupakan kawasan pesisir yang rentan terhadap degradasi akibat tekanan aktivitas antropogenik, sehingga memerlukan pendekatan pemantauan yang otomatis dan akurat. Penelitian ini mengembangkan sistem klasifikasi dan kuantifikasi perubahan tutupan lahan pesisir yang berfokus pada ekosistem mangrove, terumbu karang, dan padang lamun. Data utama menggunakan citra Sentinel-2 Level-2A yang diproses melalui Google Earth Engine, dengan penerapan arsitektur Deep Learning hybrid UNet–ResNet34 untuk melakukan segmentasi semantik tingkat piksel. Hasil penelitian menunjukkan kinerja klasifikasi yang kuat dengan nilai akurasi sebesar 84,31% untuk mangrove, 95,99% untuk terumbu karang, dan 89,41% untuk padang lamun. Kemampuan segmentasi model dinilai representatif dengan capaian Mean IoU sebesar 0,6124 secara keseluruhan. Analisis multi-temporal periode 2018–2025 mengungkapkan dinamika spasial yang signifikan, ditandai dengan peningkatan luas mangrove sebesar 35,53% (95,20 ha), namun terjadi penurunan luas terumbu karang dan padang lamun masing-masing sebesar 32,39% (29,20 ha) dan 26,68% (98,76 ha). Temuan ini menegaskan bahwa integrasi Sentinel-2 dan Deep Learning mampu menyediakan informasi spasial yang andal untuk mendukung pengelolaan pesisir berkelanjutan. Sistem ini dapat diadopsi oleh pemerintah daerah sebagai platform pemantauan ekosistem pesisir secara real-time guna mendukung pengambilan keputusan konservasi yang responsif dan berbasis data.
MobileNetV2 Hyperparameter Optimization for Freshness Classification of Tuna Fish Based on Fish Eye Imagery Using Optuna Tree-structured Parzen Estimator (TPE) Wa Ode Asriyani; Muhammad Ihsan Sarita; Sutardi Sutardi
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 5 No. 2 (2026): Mei-Juli
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v5i1.11506

Abstract

Manually assessing the freshness of tuna (Euthynnus affinis) within traditional auction markets is frequently subjective, inconsistent, and prone to human error. To address these limitations, this study implemented a robust Deep Learning model utilizing the MobileNetV2 architecture to classify fish freshness levels based on ocular imagery into three distinct categories: Fresh, Less Fresh, and Not Fresh. Although the MobileNetV2 architecture is inherently reliable for image classification, conventional manual hyperparameter tuning often leads to suboptimal model configurations and severe overfitting challenges. As a strategic solution, this study implemented the advanced Tree-structured Parzen Estimator (TPE) algorithm through the Optuna framework to automatically optimize critical hyperparameters, including learning rate, dropout rate, optimizer type, and the fine-tune depth of the convolutional layers. Empirical testing results rigorously proved that the strategic integration of Optuna TPE with the MobileNetV2 model successfully provided a significant performance boost. The optimized model achieved an accuracy of 93.51%, representing a substantial increase of 32.04% compared to the 61.47% accuracy observed in the manual baseline model. Correspondingly impressive improvements were recorded in key performance metrics, specifically achieving a Precision of 93.64%, a Recall of 93.37%, and an F1-Score of 93.49%. In conclusion, this research demonstrates that automated hyperparameter optimization using the Optuna TPE framework significantly enhances the reliability, efficiency, and generalization capability of Deep Learning models, establishing a highly accurate and practical solution for the automated detection of tuna freshness in real-world fishery environments.
Implementation Of Support Vector Machine (SVM) Algorithm With Term Frequency–Inverse Document Frequency (TF-IDF) Weighting For Web-Based Book Classification Using Dewey Decimal Classification (DDC) Hikma Hikma; Sutardi Sutardi; Muhammad Ihsan Sarita
Journal of Engineering and Science Application Vol. 3 No. 2 (2026): Mei-Oktober
Publisher : Institute Of Advanced Knowledge and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69693/jesa.v3i2.53

Abstract

Book classification is an important activity in library management because it determines the grouping of collections based on subject areas and facilitates information retrieval. Manual classification requires considerable time and accuracy from librarians, particularly as the number of collections increases and book subjects become more diverse. This study aims to implement the Support Vector Machine (SVM) algorithm with Term Frequency–Inverse Document Frequency (TF-IDF) weighting to assist book classification based on the Dewey Decimal Classification (DDC) and to develop a web-based book classification system as a decision-support tool for librarians. The research data consist of book titles, synopses, and DDC labels obtained from the National Library of the Republic of Indonesia (Perpusnas) catalog and other library OPAC catalogs available on the internet. The research stages include text preprocessing, vocabulary construction, TF-IDF weighting, Cosine Similarity measurement as a data-scope filtering process, and classification using SVM. The Cosine Similarity testing on 20 out-of-category data and 85 in-scope data showed that a threshold of 22% achieved an accuracy of 96.19%. Furthermore, SVM model testing on 235 testing data across 46 DDC classes achieved an accuracy of 96.17%, precision of 97.09%, recall of 95.90%, and F1-Score of 96.49%. These results indicate that the combination of TF-IDF and SVM provides good classification performance in determining the DDC class of books. The developed system also provides librarian validation, as well as model management and evaluation, allowing the classification results to be used as recommendations before being established as the final classification.
Perancangan Antarmuka Website Portal Kecamatan Menggunakan User Centered Design (Studi Kasus: Kecamatan Tinanggea) Muh Yusuf; Muh. Rabildzan; Ander Gibran Siregar; La Ode Nauval Aqiilah Tsaqif; Alvin S. Padangaran; Arriya Rahaldi Al Kandari; Bambang Pramono; Isnawaty Isnawaty; Muhammad Ihsan Sarita
Indonesian Journal of Multidisciplinary on Social and Technology Vol. 4 No. 3 (2026): Juli - Oktober
Publisher : PT Ilmu Data Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69693/ijmst.v4i3.13682

Abstract

Transformasi digital pada tingkat kecamatan membutuhkan portal informasi yang tidak hanya menyajikan data wilayah, tetapi juga mendukung komunikasi dua arah antara masyarakat dan pemerintah. Penelitian ini bertujuan merancang dan mengimplementasikan portal website Kecamatan Tinanggea dengan pendekatan User-Centered Design dan prinsip Human-Computer Interaction. Tahapan penelitian meliputi identifikasi masalah dan kebutuhan pengguna, perancangan antarmuka serta user flow, implementasi website, evaluasi usability, dan analisis hasil. Kebutuhan masyarakat dan administrator digunakan sebagai dasar untuk merancang struktur navigasi, penyajian informasi geografis-demografis, visualisasi data, formulir kontak, serta dashboard pengelolaan pesan. Implementasi antarmuka menerapkan prinsip consistency, visibility, feedback, affordance, recognition over recall, dan error prevention. Evaluasi dilakukan melalui inspeksi heuristik pada halaman beranda, halaman kontak, dan dashboard administrator. Hasil penelitian menunjukkan bahwa portal berhasil mengintegrasikan informasi wilayah dan layanan komunikasi publik dalam satu antarmuka yang responsif. Konsistensi warna, struktur navigasi, penyajian data berbasis kartu, dan formulir kontak membantu pengguna menemukan informasi serta menyampaikan pesan dengan lebih mudah. Meskipun demikian, masih diperlukan penyempurnaan pada visibilitas status sistem, kejelasan pesan kesalahan, dan konfirmasi aksi kritis. Penelitian ini memberikan rancangan yang dapat menjadi dasar pengembangan layanan digital kecamatan yang lebih informatif, mudah digunakan, dan responsif terhadap kebutuhan masyarakat. Temuan ini juga menunjukkan bahwa integrasi data dan komunikasi dalam satu portal dapat memperkuat transparansi layanan, mempercepat penyampaian aspirasi, dan menjadi acuan evaluasi berkelanjutan bagi pengelola kecamatan.
Rancang Bangun Sistem Penilaian Real-Time Jawaban Esai Pada Mata Pelajaran Berbasis Website Menggunakan Metode Cosine Similarity dan Algoritma Levenshtein Distance Eviriawan Eviriawan; Sutardi Sutardi; Muhammad Ihsan Sarita
Jurnal Teknik Mesin, Elektro dan Ilmu Komputer Vol. 6 No. 2 (2026): Juli : Jurnal Teknik Mesin, Elektro dan Ilmu Komputer
Publisher : Lembaga Pengembangan Kinerja Dosen

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55606/teknik.v6i2.11272

Abstract

Exams are One of the methods used in the teaching and learning process to evaluate the quality of learning. However, they also create additional workload for teachers, especially during grading, as it takes time to compare students’ varying answers, particularly for essay questions. The goal of this project is to create a web-based, real-time grading system that will help teachers in correcting essay answers quickly and easily. The system employs the Cosine Similarity method to measure similarity between student answers and the answer key based on text vector representations, as well as the Levenshtein Distance algorithm to calculate similarity between two strings through the fewest possible operations (substitution, deletion, and insertion). Mean Absolute Error (MAE) and Mean Absolute Percentage Error (MAPE) were used in testing to gauge the correctness of the system by comparing results with manual grading. The results showed an MAE value of 0.003298 and a MAPE of 0.002484%, indicating a very low error rate, meaning the system can produce scores close to actual values. Additionally, User Acceptance Testing (UAT) showed a high acceptance rate averaging 90.98%, indicating the system is suitable for use.
Co-Authors Alvin S. Padangaran Ander Gibran Siregar Annisa Nurfadilah Arriya Rahaldi Al Kandari Bambang Pramono Eviriawan Eviriawan Hikma Hikma Isnawaty Isnawaty Jumadil Nangi La Ode Nauval Aqiilah Tsaqif Muh Yusuf Muh. Rabildzan Rahmi Rahmi Rizal Saputra Ryan Rinaldi Hadistio Sutardi Sutardi Syahril Ramadhan Salman Noor Wa Ode Asriyani