Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal JURNAL INFORMATIKA Journal of Artificial Intelligence and Digital Business
Ryan Rinaldi Hadistio
Universitas Halu Oleo
Computer Science & IT Control & Systems Engineering Economics, Econometrics & Finance Electrical & Electronics Engineering Engineering Other

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 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.
Sistem Kontrol Pertumbuhan Tanaman Cabai Pada Greenhouse Berbasis Internet of Things (IoT) Dengan Decision Tree C5 Dan Protokol Hypertext Transfer Protocol Secure (HTTPS) Isnawaty Isnawaty; Ni Wayan Erdiani; Achmad Nur Aliansyah; L.M. Fid Aksara; Sutardi Sutardi; Ryan Rinaldi Hadistio
JURNAL INFORMATIKA Vol 15, No 1 (2026): Jurnal Informatika
Publisher : Informatics Engineering Department, Dayanu Ikhsanuddin University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55340/jiu.v15i1.2741

Abstract

Tanaman cabai merupakan komoditas hortikultura yang pertumbuhannya dipengaruhi oleh kondisi lingkungan seperti suhu udara, kelembaban udara, kelembaban tanah, pH tanah, dan intensitas cahaya. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem monitoring dan kontrol greenhouse berbasis Internet of Things (IoT) menggunakan metode Decision Tree C5 dan protokol Hypertext Transfer Protocol Secure (HTTPS). Metode Decision Tree C5 diterapkan untuk mengklasifikasikan kondisi lingkungan greenhouse ke dalam kategori baik, sedang, dan buruk berdasarkan data sensor yang diperoleh. Data penelitian dikumpulkan selama 20 hari dengan frekuensi pengamatan tiga kali sehari sehingga diperoleh 60 data pengamatan. Dataset kemudian dibagi menggunakan metode hold-out dengan rasio 80:20, yaitu 48 data sebagai data latih dan 12 data sebagai data uji. Hasil pengujian menunjukkan bahwa metode Decision Tree C5 memperoleh nilai Accuracy sebesar 91,67%, Balanced Accuracy sebesar 66,67%, dan Macro F1-Score sebesar 65,08% berdasarkan evaluasi confusion matrix. Hasil tersebut menunjukkan bahwa model mampu melakukan klasifikasi kondisi lingkungan greenhouse dengan baik, namun performa klasifikasi belum sepenuhnya merata pada setiap kelas akibat adanya ketidakseimbangan distribusi data. Selain itu, pengujian Quality of Service (QoS) pada komunikasi data berbasis HTTPS menunjukkan nilai delay sebesar 9,00 ms, throughput sebesar 1500,00 kbps, packet loss sebesar 2,03%, dan jitter sebesar 0,50 ms. Hasil tersebut menunjukkan bahwa sistem mampu mendukung proses monitoring dan pengendalian kondisi greenhouse secara real-time melalui aplikasi Android. Dengan demikian, sistem yang dikembangkan berpotensi mendukung pengelolaan lingkungan greenhouse yang lebih stabil serta membantu menjaga kondisi lingkungan yang sesuai bagi pertumbuhan tanaman cabai melalui sistem monitoring dan pengendalian otomatis berbasis IoT.
Co-Authors Achmad Nur Aliansyah Bambang Pramono Isnawaty Isnawaty Jumadil Nangi L.M. Fid Aksara Muhammad Ihsan Sarita Ni Wayan Erdiani Sutardi Sutardi Syahril Ramadhan Salman Noor