Article Per Year (5 Year)
p-Index From 2021 - 2026
0.562
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
Muhammad Ihsan Sarita
Universitas Halu Oleo
Computer Science & IT Control & Systems Engineering Economics, Econometrics & Finance Electrical & Electronics Engineering Engineering

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 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.
Co-Authors Annisa Nurfadilah Bambang Pramono Jumadil Nangi Rahmi Rahmi Rizal Saputra Ryan Rinaldi Hadistio Sutardi Sutardi Syahril Ramadhan Salman Noor