Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi)
Umi Roziqoh
Universitas Nusantara PGRI Kediri
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering Mathematics Mechanical Engineering Transportation

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Klasifikasi Varientas Daun Singkong Menggunakan NASNet Mobile pada Dataset Tidak Seimbang Umi Roziqoh; Made Ayu Dusea Widyadara; Daniel Swanjaya
Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi) Vol. 10 No. 3 (2026): Prosiding Seminar Nasional Inovasi Teknologi Tahun 2026
Publisher : Universitas Nusantara PGRI Kediri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29407/mna6ha74

Abstract

Daun singkong merupakan salah satu komoditas pertanian yang memiliki nilai gizi dan ekonomi tinggi sehingga identifikasi jenis daun singkong menjadi penting untuk mendukung pemanfaatan dan budidaya yang tepat. Namun, proses identifikasi secara manual sering mengalami kesalahan akibat kemiripan karakteristik visual antar jenis daun. Penelitian ini bertujuan menganalisis performa arsitektur NASNet Mobile dalam mengklasifikasikan jenis daun singkong secara otomatis pada dataset yang tidak seimbang. Dataset terdiri dari tiga kelas, yaitu daun singkong karet, daun singkong papua, dan daun singkong sayur. Sebelum proses pelatihan, data melalui tahap preprocessing berupa normalisasi dan resize citra, serta augmentasi untuk meningkatkan kualitas dan variasi data. Model dilatih menggunakan arsitektur NASNet Mobile dan dievaluasi menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model NASNet Mobile memperoleh akurasi sebesar 94% dengan weighted average precision sebesar 0,94, recall sebesar 0,94, dan F1-score sebesar 0,94. Hasil tersebut menunjukkan bahwa NASNet Mobile mampu melakukan klasifikasi jenis daun singkong.
Co-Authors Daniel Swanjaya Made Ayu Dusea Widyadara - Universitas Nusantara Kediri, Made Ayu Dusea Widyadara