Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal JATI (Jurnal Mahasiswa Teknik Informatika)
Desi Puspita
Teknik Informatika, Institut Teknologi Pagar Alam
Computer Science & IT

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

Found 2 Documents
Search

 1 
IDENTIFIKASI PENYAKIT DAUN TANAMAN KOPI ROBUSTA MENGGUNAKAN ARSITEKTUR MOBILENETV2 DENGAN ALGORITMA SUPPORT VECTOR MACHINE (SVM) Rintan Renata; Desi Puspita; Risnaini Masdalipa
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 10 No. 3 (2026): JATI Vol. 10 No. 3
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v10i3.18354

Abstract

Penyakit pada tanaman kopi robusta merupakan salah satu faktor yang dapat menurunkan kualitas dan produktivitas hasil panen. Proses identifikasi penyakit tanaman kopi robusta masih banyak dilakukan secara manual melalui pengamatan langsung, sehingga memerlukan keahlian khusus dan kurang efisien. Oleh karena itu, peneliti membangun sistem identifikasi penyakit tanaman kopi robusta berbasis citra daun menggunakan arsitektur MobileNetV2 dan algoritma Support Vector Machine (SVM). Dataset yang digunakan terdiri dari 600 citra daun kopi robusta yang diambil dari 5 kecamatan di Kota Pagar Alam, yang dibagi menjadi data training dan data validasi dengan perbandingan 80:20. Untuk memenuhi kebutuhan jumlah data, dilakukan augmentasi pada data training sehingga menghasilkan 5.000 citra.Proses pelatihan dilakukan dalam 40 epoch yang mencakup tahap fine-tuning pada 30 layer terakhir MobileNetV2 untuk mengoptimasi ekstraksi ciri. Vektor fitur tersebut kemudian digunakan sebagai input pada algoritma SVM yang dioptimasi menggunakan Grid Search. Hasil evaluasi menunjukkan model mencapai akurasi validasi sebesar 96% pada tahap pengembangan dan akurasi pengujian sistem sebesar 85% menggunakan confusion matrix. Performa ini membuktikan bahwa integrasi MobileNetV2 dan SVM mampu memberikan hasil identifikasi yang stabil dan akurat di atas target 80%.
INTEGRASI PLATFROM ANDROID MENGGUNAKAN MODEL CONVOLUTIONAL NEURAL NETWORK (CNN) UNTUK DETEKSI KEMATANGAN BUAH SALAK Indah Wahyuni; Desi Puspita; Sasmita Sasmita
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 10 No. 3 (2026): JATI Vol. 10 No. 3
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v10i3.18408

Abstract

Penelitian ini dilatarbelakangi oleh perkembangan teknologi di bidang pertanian yang mendorong penerapan kecerdasan buatan untuk meningkatkan kualitas dan konsistensi hasil panen. Permasalahan dalam penelitian ini adalah proses penentuan tingkat kematangan buah salak yang masih dilakukan secara manual dan bersifat subjektif, sehingga berpotensi menimbulkan ketidakkonsistenan. Tujuan penelitian ini adalah mengembangkan sistem deteksi tingkat kematangan buah salak berbasis pengolahan citra digital menggunakan metode Convolutional Neural Network (CNN) yang diimplementasikan pada platform Android. Metode penelitian meliputi penggunaan dataset sebanyak 800 citra yang diklasifikasikan ke dalam empat kategori, yaitu bukan salak, mentah, setengah matang, dan matang, dengan pembagian data 70% pelatihan, 20% validasi, dan 10% pengujian. Tahap preprocessing mencakup resizing citra menjadi 150×150 piksel, normalisasi, serta augmentasi berupa rotasi dan zoom sebesar 0,2. Model dilatih selama 20 epoch dan menghasilkan akurasi pelatihan di atas 90%, dengan validation accuracy 95% dan validation loss mendekati 0,20. Hasil evaluasi menggunakan confusion matrix menunjukkan kinerja deteksi yang baik. Secara keseluruhan, model mencapai akurasi 95% dengan nilai precision, recall, dan F1-score masing-masing sebesar 0,95, serta berhasil diimplementasikan dalam aplikasi Android berbasis Flutter yang berfungsi dengan baik berdasarkan pengujian Black Box Testing.
Co-Authors Indah Wahyuni Rintan Renata Risnaini Masdalipa Sasmita Sasmita