Article Per Year (5 Year)
p-Index From 2021 - 2026
0.562
P-Index
This Author published in this journals
All Journal SmartComp Journal of Exploratory Dynamic Problems
Mohammad Romdlon
Universitas Muhadi Setiabudi
Religion Humanities Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Languange, Linguistic, Communication & Media Social Sciences

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

Found 2 Documents
Search
Journal : journal of exploratory dynamic problems

 1 
Klasifikasi Penyakit Daun Singkong menggunakan Metode Convolutional Neural Network Ghani Bagus Prasetio; Mohammad Romdlon; bambang irawan
Journal of Exploratory Dynamic Problems Vol. 3 No. 3 (2026): No.3 Vol.3 2026
Publisher : Fakultas Keguruan dan Ilmu Pendidikan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/edp.v3i3.160

Abstract

Singkong merupakan salah satu komoditas pertanian penting yang berkontribusi besar terhadap ketahanan pangan. Namun, produksinya sering terancam oleh berbagai penyakit daun yang dapat menurunkan hasil panen secara signifikan. Identifikasi penyakit secara manual oleh petani seringkali membutuhkan waktu yang lama, subyektif, dan rentan terhadap kesalahan manusia. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan sebuah model klasifikasi penyakit daun singkong menggunakan metode Convolutional Neural Network untuk mendeteksi jenis penyakit secara otomatis, cepat, dan akurat. Dataset citra digital yang digunakan dalam penelitian ini diambil dari platform Kaggle, yang terdiri dari ribuan citra daun singkong dengan berbagai kondisi, meliputi penyakit hawar bakteri, penyakit garis coklat, bintik hijau, penyakit mosaik, serta kondisi daun yang sehat. Proses penelitian ini meliputi beberapa tahapan utama, mulai dari prapemrosesan data seperti augmentasi citra dan normalisasi, perancangan arsitektur jaringan saraf tiruan, proses pelatihan model, hingga pengujian dan evaluasi kinerja. Hasil pengujian menunjukkan bahwa model Convolutional Neural Network yang diusulkan mampu mengklasifikasikan kelima kelas kondisi daun singkong dengan tingkat akurasi mencapai sembilan puluh dua persen. Selain itu, model ini juga menunjukkan nilai presisi dan perolehan yang sangat baik dalam mengenali setiap karakteristik spesifik dari masing-masing kelas penyakit. Kesimpulannya, metode ini terbukti sangat efektif dan dapat diandalkan sebagai sistem deteksi dini penyakit tanaman. Selanjutnya, model ini berpotensi besar untuk diintegrasikan ke dalam aplikasi berbasis perangkat bergerak guna membantu petani dalam mengambil tindakan pengendalian penyakit secara lebih awal.
Perancangan Sistem Deteksi Defect Sepatu Menggunakan YOLOv26n di PT Tah Sung Hung Brebes Kistanto; Agyztia Premana; Mohammad Romdlon; bambang irawan
Journal of Exploratory Dynamic Problems Vol. 3 No. 1 (2026): Vol.3 No.1 2026
Publisher : Fakultas Keguruan dan Ilmu Pendidikan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/edp.v3i1.214

Abstract

Persaingan pasar ekspor menuntut industri manufaktur alas kaki, seperti PT Tah Sung Hung di Brebes, menjaga standar kualitas produk yang tinggi. Namun, inspeksi cacat secara manual rentan menimbulkan ketidakstabilan akibat kelelahan operator. Penelitian ini bertujuan merancang dan menguji sistem deteksi cacat sepatu berbasis computer vision menggunakan arsitektur YOLOv26n. Model ini memiliki keunggulan inferensi bebas Non-Maximum Suppression (NMS-free) sehingga efisien diterapkan pada perangkat edge di lini produksi.Pengujian dilakukan menggunakan dataset citra simulasi yang mencakup lima jenis cacat: jahitan lepas, lem berlebih, sol tidak simetris, goresan permukaan, dan noda. Model dilatih dengan ukuran citra 640×640 piksel selama 150 epoch. Hasil evaluasi menunjukkan performa dengan rata-rata precision 0,90, recall 0,87, mAP@0.5 sebesar 0,91, dan mAP@0.5:0.95 sebesar 0,71, serta waktu inferensi rata-rata 8,4 ms per citra pada GPU.Secara keseluruhan, arsitektur YOLOv26n berpotensi sebagai solusi deteksi cacat sepatu yang cepat dan akurat. Kendati demikian, validasi lanjutan menggunakan data produksi riil tetap diperlukan sebelum sistem diimplementasikan secara operasional di PT Tah Sung Hung Brebes.
Co-Authors Agyztia Premana Bambang Irawan Ghani Bagus Prasetio Kistanto Nur Ariesanto Ramdhan