Article Per Year (5 Year)
p-Index From 2021 - 2026
3.036
P-Index
This Author published in this journals
All Journal Techno.Com: Jurnal Teknologi Informasi Jurnal Teknologi Informasi dan Ilmu Komputer Riau Journal of Computer Science Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) INOVTEK Polbeng - Seri Informatika at-tamkin: Jurnal Pengabdian kepada Masyarakat JURSIMA (Jurnal Sistem Informasi dan Manajemen) Mejuajua Journal of Artificial Intelligence and Digital Business JURSIMA SATIN - Sains dan Teknologi Informasi RJOCS (Riau Journal of Computer Science) Jurnal Sistem Informasi dan Manajemen Jurnal Teknologi Informasi Indonesia Riau Jurnal Teknik Informatika
Luth Fimawahib
Universitas Pasir Pengaraian
Agriculture, Biological Sciences & Forestry Humanities Automotive Engineering Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Languange, Linguistic, Communication & Media Library & Information Science Public Health Social Sciences Other

Published : 22 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 22 Documents
Search

 1   2   3 
Penerapan Algoritma Deep Learning Convolutional Neural Network Dalam Menentukan Kematangan Buah Jeruk Manis Berdasarkan Citra Red Green Blue (RGB) Yanto, Budi; Rouza, Erni; Fimawahib, Luth; Hayadi, B.Herawan; Pratama, Rinanda Rizki
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 1: Februari 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2023105695

Abstract

Secara umum proses menentukan jeruk manis layak (bagus) dan tidak layak (busuk) masih banyak menggunakan cara manual. Cara manual dilakukan berdasarkan pengamatan visual secara langsung pada buah yang akan diamati. Pengamatan dengan cara ini memiliki beberapa kelemahan yaitu adanya keterbatasan visual manusia, di pengaruhi oleh kondisi psikis pengamatannya serta memakan waktu yang lama terutama bagi perkebunan besar. Untuk itu, diperlukan suatu algoritma untuk menentukan buah jeruk manis dengan sistem terkomputerisasi yang dibuat menggunakan algoritma Convolutional Neural Network (CNN) merupakan salah satu algoritma dari deep learning yang merupakan pengembangan dari Multilayer Percepton (MLP) yang mampu mengolah data dalam bentuk dua dimensi, misalnya gambar serta mampu melakukan klasifikasi pada citra dengan kelas–kelas yang lebih banyak atau besar. Sistem ini dirancang dan dibangun menggunakan bahasa pemrograman matlab versi R2018a, dengan 100 dataset gambar jeruk manis menunjukan tingkat akurasi sebesar 96% untuk training 92% untuk testing yang dinilai telah mampu melakukan klasifikasi kelayakan buah jeruk manis dengan sangat baik. Pada pengujian menggunakan data baru dari 10 citra jeruk manis dihasilkan 9 citra jeruk manis dengan nilai benar dan 1 citra jeruk manis dengan nilai salah. AbstractIn general, the process of determining appropriate (good) and unfit (rotten) sweet oranges still uses manual methods. The manual method is carried out based on direct visual observation of the fruit to be observed. Observations in this way have several weaknesses, namely the presence of human visual limitations, being influenced by the psychological condition of the observations and taking a long time, especially for large plantations. For this reason, an algorithm is needed to determine sweet oranges with a computerized system created using the Convolutional Neural Network (CNN) algorithm, which is one of the deep learning algorithms, which is the development of Multilayer Perceptron (MLP), which is able to process data in two-dimensional form, for example. Images as well as being able to classify images with more or larger classes. This system is designed and built using the Matlab programming language version R2018a, with 100 sweet orange image datasets showing an accuracy rate of 96% for training 92% for testing which is considered to have been able to classify the feasibility of sweet oranges very well. In testing using new data from 10 images of sweet oranges, 9 images of sweet oranges were generated with the correct value and 1 image of sweet oranges with a false value.
Klasifikasi dan Identifikasi Buah Sawit dari Citra Visual dengan Deep Learning CNN Hasanah, Uswatun; Rouza, Erni; Almaida, Almaida; Nafisyah, Hana; Osama, Saddam; Yuwansyah, M. Aldi; Maulana, Rafli; Fimawahib, Luth
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 4 No. 4 (2026): November - January
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v4i4.4271

Abstract

Penentuan tingkat kematangan buah kelapa sawit (TBS) secara akurat memegang peranan krusial dalam industri perkebunan, karena secara langsung memengaruhi kualitas dan kuantitas rendemen minyak yang dihasilkan. Namun, praktik di lapangan masih banyak mengandalkan penilaian manual yang bersifat subjektif, tidak konsisten, dan sangat bergantung pada pengalaman individu, yang dapat berujung pada kerugian ekonomi. Untuk mengatasi tantangan ini, penelitian ini bertujuan mengembangkan sistem klasifikasi otomatis tingkat kematangan buah kelapa sawit berdasarkan citra digital menggunakan metode Convolutional Neural Network (CNN). CNN dipilih karena kemampuannya yang unggul dalam mengekstraksi fitur visual kompleks seperti warna, tekstur, dan bentuk tanpa perlu definisi fitur manual. Dataset yang digunakan terdiri dari 600 citra buah kelapa sawit yang dikategorikan menjadi tiga tingkat kematangan: muda, setengah matang, dan matang, dengan masing-masing kelas berjumlah 200 citra. Sebelum pelatihan, citra-citra tersebut melalui tahap pra-pemrosesan, termasuk resizing, normalisasi, dan augmentasi data untuk meningkatkan ketahanan model terhadap variasi. Model CNN kemudian dilatih selama 25 epoch. Hasil penelitian menunjukkan bahwa model mampu mencapai akurasi pelatihan di atas 90% dan akurasi validasi rata-rata di atas 75%. Analisis lebih lanjut menunjukkan bahwa kategori 'matang' memiliki performa klasifikasi terbaik, sementara kategori 'setengah matang' menjadi yang paling menantang karena karakteristik visualnya yang berada di fase transisi. Temuan ini membuktikan bahwa CNN efektif untuk klasifikasi kematangan TBS dan berpotensi besar untuk dikembangkan menjadi sistem pendukung keputusan (SPK) berbasis mobile bagi para pemanen, yang pada akhirnya dapat meningkatkan efisiensi dan profitabilitas perkebunan.
Co-Authors Afdol, Pangeran AGUNG SETIAWAN Alfares, M Riski Ali Djamhuri Alifiansyah, Eldi Almaida Almaida, Almaida Amri, Rafelina Andiwi, Rani Andriani Andriani Aris Sudaryanto Asep Supriyanto Asep Supriyanto Atika Fresilia B. Herawan Hayadi Bakar Siddiq, Abu Bakti, Imam Rangga Budi Yanto Budi Yanto, Budi Dimas Dwi Saputra Dwi Nanto, Taufik Erfisal, Wawan Erni Rouza, Erni Fauzi Erwis Gunadi Widi Nurcahyo Hafiz Maulana Hariyen Ulfa Ikorasaki, Frans Iskandar Zulkarnain, Wisnu Jufri Leony Lidya Lullail, Jamalul Maulana, Rafli Maulia, Sindi Muhammad Wali Munawir Munawir Nafisyah, Hana Nikmah Osama, Saddam Pratama, Rinanda Rizki Putri, Nadira Aulia Rinanda Rizki Pratama Rohima Saputra, Rika Satria Riki Mustafa, Satria Riki Sholehatun, Euis Sindi Maulia Sudaryanto, Aris Sugeng Santoso Supriyanto, Asep Swiking A Rahman, Ruhullah Syamsul Rizal Urfi Utami Uswatun Hasanah Yulfita Aini YULIANI Yuwansyah, M. Aldi