Article Per Year (5 Year)
p-Index From 2021 - 2026
2.958
P-Index
This Author published in this journals
All Journal Jurnal Pendidikan Usia Dini AKSIOLOGIYA : Jurnal Pengabdian Kepada Masyarakat Jurnal Penelitian Pendidikan IPA (JPPIPA) Pendas : Jurnah Ilmiah Pendidikan Dasar Jumat Pendidikan: Jurnal Pengabdian Masyarakat Jurnal ABDI PAUD INSANIA : Jurnal Pemikiran Alternatif Kependidikan Journal of Social Empowerment Nalar: Jurnal Pendidikan dan Kebudayaan Jurnal Ilmiah Pengabdian dan Inovasi Indonesian Journal of Early Childhood : Jurnal Dunia Anak Usia Dini RJOCS (Riau Journal of Computer Science) ihyaulum Kreasi: Jurnal Pengabdian Masyarakat Beujroh : Jurnal Pemberdayaan dan Pengabdian pada Masyarakat WISDOM : Jurnal Pengabdian Kepada Masyarakat Wisdom Komunikatif : Jurnal Ilmiah Komunikasi Itibar: Jurnal Pendidikan Islam Anak Usia Dini.
Saudah
Unknown Affiliation
Religion Agriculture, Biological Sciences & Forestry Arts Humanities Biochemistry, Genetics & Molecular Biology Chemical Engineering, Chemistry & Bioengineering Chemistry Computer Science & IT Economics, Econometrics & Finance Education Engineering Environmental Science Health Professions Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Materials Science & Nanotechnology Mathematics Neuroscience Physics Public Health Social Sciences Transportation Other

Published : 20 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : RJOCS (Riau Journal of Computer Science)

 1 
Implementasi Deep Learning dengan Convolutional Neural Network untuk Pendeteksian Hama pada Sawi Hijau Menggunakan Google Colab Ulfi, Meitra; Nurliani; Nurafidah, Annisa; Saudah; Lubis, Adyanata
RJOCS (Riau Journal of Computer Science) Vol. 10 No. 2 (2024): RJOCS (Riau Journal of Computer Science)
Publisher : Fakultas Ilmu Komputer, Universitas Pasir Pengaraian

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30606/rjocs.v10i2.2854

Abstract

Penelitian ini mengkaji penerapan metode Convolutional Neural Network (CNN) untuk mengidentifikasi penyakit hama pada daun sawi hijau berdasarkan gambar berwarna, dengan tujuan utama mengembangkan model yang mampu mendeteksi berbagai jenis penyakit hama dengan akurasi tinggi guna membantu petani dalam mengelola penyakit pada tanaman sawi hijau secara lebih efektif. Google Colab digunakan sebagai platform pemrosesan karena menyediakan lingkungan komputasi yang kuat dengan akses gratis ke GPU, sehingga mempercepat pelatihan model. Dataset yang digunakan dalam penelitian ini diperoleh dari platform Kaggle, yang menyediakan 100 gambar sampel untuk pelatihan dan 50 gambar untuk validasi yang terbagi dalam dua kelas: sehat dan terinfeksi hama. Validasi dilakukan untuk menguji kemampuan model dalam memprediksi data baru yang belum pernah dilihat sebelumnya, dan model CNN dibangun menggunakan berbagai pustaka seperti TensorFlow, Keras, NumPy, Pandas, Matplotlib, dan scikit-learn. Hasil penelitian menunjukkan bahwa model CNN yang dikembangkan mampu mencapai akurasi sebesar 99% pada pengujian menggunakan 10 epoch. Dengan hasil ini, diharapkan sistem yang diusulkan dapat digunakan sebagai alat bantu yang efektif bagi petani dalam mengidentifikasi penyakit hama pada daun sawi hijau, sehingga dapat meningkatkan hasil dan kualitas produksi tanaman sawi hijau
Evaluasi Penerapan Convolutional Neural Network (CNN) untuk Klasifikasi Penyakit Daun Jagung Menggunakan Pendekatan Systematic Literature Review Riski Rahmadan; Nurliani; Efendi Rahayu; Saudah; Ayu Puspita Sari Sinaga; Enda Ribka Meganta P
RJOCS (Riau Journal of Computer Science) Vol. 11 No. 1 (2025): RJOCS (Riau Journal of Computer Science)
Publisher : Fakultas Ilmu Komputer, Universitas Pasir Pengaraian

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30606/rjocs.v11i1.3068

Abstract

Penyakit pada tanaman jagung dapat menyebabkan kerugian besar dalam produksi pangan, yang berdampak pada perekonomian Indonesia. Salah satu metode yang berkembang untuk mendeteksi dan mengklasifikasikan penyakit tanaman adalah penggunaan Convolutional Neural Network (CNN), yang telah terbukti efektif dalam analisis citra. Penelitian ini bertujuan untuk mengevaluasi dan menganalisis penerapan CNN dalam klasifikasi penyakit pada daun jagung, dengan merujuk pada studi literatur yang ada. Melalui pendekatan Systematic Literature Review (SLR), penelitian ini menilai berbagai arsitektur CNN yang diterapkan pada klasifikasi penyakit tanaman, termasuk jagung, cabai, kentang, dan lada. Hasil penelitian menunjukkan bahwa metode CNN, khususnya dengan arsitektur seperti EfficientNet, mampu memberikan akurasi yang tinggi, dengan rata-rata akurasi sebesar 93.76%. Arsitektur CNN yang berbeda menunjukkan performa yang bervariasi tergantung pada dataset dan teknik preprocessing yang digunakan. Penelitian ini memberikan wawasan tentang bagaimana model CNN dapat dioptimalkan untuk mendeteksi penyakit tanaman dengan akurasi yang lebih baik, serta mengidentifikasi tantangan dan potensi dalam penerapannya pada berbagai jenis tanaman
Co-Authors Abdul Azis Adyanata Lubis Afifah, Neela Afrezah, Novela Nur Aghnaita Ahmasi, Latif Al Aina Maulidia Ali Iskandar Zulkarnain Anida Rahmi Arda Sulis Mutiara Ardhinata , Niken Asiah Ayu Puspita Sari Sinaga Chairil Anwar Cut Nelly Dwi Pratama, Nanda Efendi Rahayu Enda Ribka Meganta P Ervina Evania Yafie Evi Apriana Farantika, Dessy Fathul Qorib Firdaus Firdaus Husain, Aghnaita Ibrahim Ika Rezvani Aprita ISNAWATI Juniarga, Nigo Rizky Kasmiati Khairunnisa Kurnia M. Kurniawan Febriansyah Marlina Ma’rifah, Nor Meluh Muhammad Habiburrahman, Muhammad Muhammad Isa Muhammad Ridhwan Mukodi Mukodi . Muzakki Naafi, Rezky Najih, Aizun Neela Afifah Nor Ma'rifah normarifah Nurafidah, Annisa Nurdiarti, Rosalia Prismarini Nurliani Restu Hadi Riski Rahmadan Sagita, Amellia Salhah Septia Ayu Siti Sarah, Siti Sri Hidayati Sri Wahyuni Suraiya Nazlia Suri Purnama Febri Tasya Ulfi, Meitra Urip Tisngati Wahyu Jamaludin Widiyanto, Gayu