Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Jurnal Teknik Informatika (JUTIF) Jurnal Pustaka AI : Pusat Akses Kajian Teknologi Artificial Intelligence
Nurhuda, Yeni Agus
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Mathematics

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

Found 2 Documents
Search

 1 
Classification of Banana Leaf and Ornamental Plant Diseases Using Gray Level Co-occurrence Matrix (GLCM) and Hybrid Random Forest–Support Vector Machine (SVM) Urfiyati, Novia; Rijati, Nova; Pujiono, Pujiono; Soeleman, Arief; Firdaus, Iqbal; Nurhuda, Yeni Agus
Jurnal Teknik Informatika (Jutif) Vol. 7 No. 3 (2026): JUTIF Volume 7, Number 3, June 2026
Publisher : Informatika, Universitas Jenderal Soedirman

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52436/1.jutif.2026.7.3.4966

Abstract

Leaf diseases in banana plants and ornamental crops can significantly reduce productivity and product quality, highlighting the need for accurate early detection methods. This study proposes an image-based classification approach utilizing texture features extracted from the Gray Level Co-occurrence Matrix (GLCM) combined with a Hybrid Stacking model that integrates Random Forest (RF) and Support Vector Machine (SVM). The preprocessing stage involves image resizing and noise reduction, followed by feature extraction using energy, contrast, homogeneity, and correlation parameters. The dataset consists of eight classes of healthy and diseased leaves, collected from both field documentation and secondary sources. Model performance was evaluated using accuracy, precision, recall, and F1-score metrics under a cross-validation scheme. Experimental results show that SVM achieved 89.2% accuracy, RF 88.5%, while the stacking model yielded the best performance with 91.7% accuracy, effectively reducing misclassification among visually similar disease classes. This study demonstrates the effectiveness of combining GLCM features and hybrid stacking models for leaf disease classification, with potential applications in automated plant monitoring systems to support precision agriculture.
Progressive Topic Formation: Framework Iteratif untuk Membangun Domain Knowledge Collection Assuja, Maulana Aziz; Saniati, Saniati; Nurhuda, Yeni Agus
Jurnal Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence) Vol 6 No 2 (2026): Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence)
Publisher : Pustaka Galeri Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55382/jurnalpustakaai.v6i2.2456

Abstract

Topic modeling banyak digunakan untuk mengidentifikasi topik dari koleksi dokumen berskala besar. Namun, sebagian besar pendekatan masih menghasilkan label topik atau kumpulan kata representatif yang belum dapat dimanfaatkan sebagai pengetahuan terstruktur. Penelitian ini mengusulkan Progressive Topic Formation (PTF) sebagai framework untuk membangun Domain Knowledge Collection (DKC) dari koleksi dokumen tidak terstruktur. Framework yang diusulkan memperkenalkan Semantic Domain Prototype sebagai representasi awal domain yang diikuti oleh tahapan semantic retrieval, progressive document clustering, dan Domain Knowledge Construction untuk mentransformasikan cluster dokumen yang memiliki koherensi semantik menjadi knowledge object yang terstruktur. Evaluasi dilakukan menggunakan 599.059 artikel Wikipedia Bahasa Indonesia dengan Domain Pendidikan sebagai studi kasus. Hasil eksperimen menunjukkan bahwa PTF mampu memperoleh dokumen yang relevan secara semantik, membentuk cluster yang koheren, serta menghasilkan Domain Knowledge yang terdiri atas nama topik, ringkasan topik, representasi topik, kata kunci utama, dan dokumen pendukung. Dibandingkan dengan topic modeling konvensional, framework yang diusulkan menghasilkan Domain Knowledge Collection yang memiliki representasi semantik lebih kaya melalui transformasi cluster dokumen menjadi knowledge object yang dapat digunakan kembali. Hasil penelitian menunjukkan bahwa PTF memperluas konsep topic modeling menuju konstruksi pengetahuan domain, sehingga DKC yang dihasilkan berpotensi dimanfaatkan sebagai knowledge layer pada Knowledge Management System, semantic search, dan Retrieval-Augmented Generation (RAG).
Co-Authors Firdaus, Iqbal Maulana Aziz Assuja Nova Rijati Pujiono Pujiono Saniati, Saniati Soeleman, Arief Urfiyati, Novia