Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Indonesian Journal of Multidisciplinary on Social and Technology
Wahyu Syahputra
Universitas Muhammadiah Riau
Computer Science & IT Economics, Econometrics & Finance Engineering Social Sciences

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

Found 1 Documents
Search

 1 
Klasifikasi Serangga Hama Tumbuhan Padi Menggunakan Arsitekur Convolutional Neural Network Wahyu Syahputra; Yulia Fatma
Indonesian Journal of Multidisciplinary on Social and Technology Vol. 4 No. 3 (2026): Juli - Oktober
Publisher : PT Ilmu Data Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69693/ijmst.v4i3.13057

Abstract

Serangga hama merupakan salah satu faktor utama yang dapat menurunkan produktivitas tanaman padi dan menyebabkan kerugian signifikan pada sektor pertanian, terutama apabila proses identifikasi jenis hama tidak dilakukan secara cepat dan tepat. Metode identifikasi konvensional yang masih bergantung pada pengalaman petani atau penyuluh pertanian dinilai kurang efektif, khususnya di wilayah yang memiliki keterbatasan akses terhadap tenaga ahli. Perkembangan kecerdasan buatan telah mendorong pemanfaatan Convolutional Neural Network (CNN) untuk mengidentifikasi dan mengklasifikasikan serangga hama secara otomatis berbasis citra digital. Penelitian ini menggunakan metode Systematic Literature Review (SLR) untuk mengkaji secara sistematis penerapan CNN, khususnya arsitektur MobileNetV2, dalam klasifikasi serangga hama tanaman padi. Tahapan penelitian meliputi perumusan Research Question (RQ), penyusunan strategi pencarian literatur menggunakan teknik Boolean pada Google Scholar, Scopus, IEEE Xplore, dan Semantic Scholar, penetapan kriteria inklusi dan eksklusi, seleksi artikel, ekstraksi data, serta sintesis hasil penelitian terdahulu. Hasil kajian menunjukkan bahwa sebagian besar penelitian melaporkan kemampuan CNN yang baik dalam mengekstraksi fitur visual dan mengklasifikasikan citra dengan tingkat akurasi tinggi. MobileNetV2 banyak digunakan karena memiliki efisiensi komputasi yang baik dan performa kompetitif dibandingkan arsitektur CNN yang lebih kompleks. Penggunaan transfer learning juga terbukti mampu meningkatkan kinerja model, terutama ketika jumlah data pelatihan terbatas. Temuan ini dapat menjadi rujukan bagi pengembangan sistem klasifikasi serangga hama padi berbasis deep learning yang lebih akurat, efisien, ringan, dan aplikatif.
Co-Authors Yulia Fatma