Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Informatik : Jurnal Ilmu Komputer Jurnal Informatika dan Multimedia
Wahyuni Fithratul Zalmi
Universitas Sam Ratulangi
Computer Science & IT

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

Found 2 Documents
Search

 1 
A Lightweight Drowning Person Detection Using Deep Learning Algorithm Ni Made Shavitri Mustikayani; Dayen Manoppo; Marsel Marhaen Wungow; Wahyuni Fithratul Zalmi; Muhamad Dwisnanto Putro
Jurnal Informatika dan Multimedia Vol. 18 No. 1 (2026): Jurnal Informatika dan Multimedia
Publisher : Politeknik Negeri Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jtim.v18i1.9841

Abstract

Visual obstructions and fatigue often hinder human surveillance in preventing drowning incidents. Manual surveillance methods are susceptible to visual obstructions, distractions from crowds, and fatigue. To address these issues, this study proposes an automated real-time drowning detection system that utilizes state-of-the-art deep learning techniques. We use the YOLOv12-Nano architecture, selected for its balance between detection accuracy and computational efficiency. This model was trained and evaluated on the SelfMade dataset, which covers various water conditions and poses indicating swimmers in distress. In testing, YOLOv12-Nano achieved a mAP@50 of 0.984 and a mAP@50-95 of 0.732, with 2.52 million parameters and a computational requirement of 6 GFLOPs. These results demonstrate that YOLOv12-Nano-based automatic detection provides reliable, resource-efficient real-time monitoring, is suitable for implementation on real-world application, and can support human surveillance and accelerate emergency responses to reduce fatal drowning accidents.
Penerapan Convolutional Neural Network (CNN) untuk Klasifikasi Penyakit Daun Tomat Wahyuni Fithratul Zalmi; Pujo Hari Saputro; Jonathan Sitanggang; Kevin Leatemia
Informatik : Jurnal Ilmu Komputer Vol 21 No 2 (2025): Agustus 2025
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52958/iftk.v21i2.11094

Abstract

Penyakit pada daun tomat merupakan salah satu masalah utama dalam pertanian yang dapat menyebabkan penurunan hasil panen dan kualitas tanaman. Deteksi dini dan akurat terhadap penyakit ini sangat penting untuk menghindari kerugian yang lebih besar. Dalam penelitian ini, kami mengembangkan sistem klasifikasi penyakit daun tomat menggunakan teknik deep learning dengan arsitektur Convolutional Neural Network (CNN). Dataset yang digunakan terdiri dari gambar daun tomat dalam beberapa kategori penyakit, yang kemudian diproses menggunakan data augmentation untuk meningkatkan jumlah dan variasi data pelatihan. Model CNN yang dibangun terdiri dari beberapa lapis konvolusi dan max-pooling, diikuti oleh lapis dens (dense layer) untuk mengklasifikasikan gambar ke dalam 10 kategori penyakit. Hasil penelitian menunjukkan bahwa model yang dikembangkan mencapai akurasi sekitar 95.84% pada dataset validasi, dengan kemampuan yang baik dalam membedakan berbagai jenis penyakit. Analisis matriks kekacauan (confusion matrix) menunjukkan bahwa model memiliki performa yang konsisten dalam mengklasifikasikan penyakit, meskipun ada beberapa kesalahan klasifikasi pada kategori tertentu. Sistem ini dapat menjadi alat bantu yang efektif bagi petani dan peneliti untuk mendeteksi penyakit daun tomat secara akurat dan efisien.
Co-Authors Dayen Manoppo Jonathan Sitanggang Kevin Leatemia Marsel Marhaen Wungow Ni Made Shavitri Mustikayani Pujo Hari Saputro Putro, Muhamad Dwisnanto