Article Per Year (5 Year)
p-Index From 2020 - 2025
3.591
P-Index
This Author published in this journals
All Journal Jurnal Informatika dan Rekayasa Perangkat Lunak ATRABIS: Jurnal Administrasi Bisnis (e-Journal) Jurnal Teknologi Sistem Informasi dan Sistem Komputer TGD MANAJEMEN Bulletin of Science Education Prosiding Seminar Nasional Sisfotek (Sistem Informasi dan Teknologi Informasi) Journal of Artificial Intelligence and Engineering Applications (JAIEA) Jurnal Hukum Prioris Jurnal Ilmiah MEA (Manajemen, Ekonomi, dan Akuntansi) Journal of Informatics, Electrical and Electronics Engineering AMMA : Jurnal Pengabdian Masyarakat JURNAL RUMPUN MANAJEMEN DAN EKONOMI MERDEKA: Jurnal Ilmiah Multidisiplin Journal of Economic and Bussiness Retail Ekliptika: Jurnal Inovasi Teknologi Berkelanjutan
Rudi Kurniawan
Unknown Affiliation
Religion Aerospace Engineering Agriculture, Biological Sciences & Forestry Humanities Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Chemistry Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Environmental Science Industrial & Manufacturing Engineering Law, Crime, Criminology & Criminal Justice Materials Science & Nanotechnology Mathematics Nursing Social Sciences Other

Published : 28 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : Journal of Informatics, Electrical and Electronics Engineering

 1 
Model Transfer Learning Dalam Klasifikasi Penyakit Daun Jagung Menggunakan Arsitektur Densenet-201 Tirta, M Sandy; Rudi Kurniawan; Antoni Zulius
Journal of Informatics, Electrical and Electronics Engineering Vol. 4 No. 3 (2025): March 2025
Publisher : Forum Kerjasama Pendidikan Tinggi (FKPT)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/jieee.v4i3.2347

Abstract

Produktivitas tanaman jagung dapat menurun secara signifikan akibat serangan penyakit pada daun yang sering kali tidak terdeteksi secara dini oleh para petani. Deteksi manual yang bergantung pada pengalaman subjektif petani memiliki keterbatasan dalam akurasi dan efisiensi, sehingga diperlukan solusi berbasis teknologi untuk mendukung praktik pertanian presisi. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi otomatis penyakit daun jagung dengan menggunakan pendekatan Transfer Learning berbasis arsitektur DenseNet-201. Dataset yang digunakan terdiri dari gambar daun jagung yang terbagi dalam beberapa kategori, termasuk daun sehat dan daun yang terinfeksi penyakit seperti blight, rust, dan gray leaf spot. Untuk meningkatkan performa model dan mengurangi risiko overfitting, dilakukan teknik augmentasi data seperti rotasi, flipping, dan zooming. Proses pelatihan model dilakukan dengan pembagian data ke dalam set pelatihan dan pengujian. Hasil evaluasi menunjukkan bahwa model DenseNet-201 berhasil mencapai akurasi sebesar 96,65% pada data uji, serta menunjukkan keunggulan dalam hal efisiensi komputasi dan kemampuan generalisasi dibandingkan dengan arsitektur lain yang lebih dangkal. Dengan hasil tersebut, penelitian ini membuktikan bahwa DenseNet-201 merupakan solusi efektif untuk deteksi penyakit daun jagung secara cepat dan akurat, sehingga dapat diintegrasikan ke dalam sistem pendukung pengambilan keputusan di bidang pertanian modern
Penerapan Model Transfer Learning Dalam Mendalami Penyakit Daun Jagung Menggunakan Arsitektur VGG19 Setiyo Adi Wibowo; Rudi Kurniawan; Budi Santoso
Journal of Informatics, Electrical and Electronics Engineering Vol. 5 No. 1 (2025): September 2025
Publisher : Forum Kerjasama Pendidikan Tinggi (FKPT)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/jieee.v5i1.2702

Abstract

The process of processing corn leaf disease data using the VGG 19 architecture based on deep learning is to analyze corn leaf diseases that result in low yields. In describing the values to be managed in this study, a digital image dataset of corn leaf diseases consisting of 5 classes with 3923 images per class was used. The objectives of this study are to enable easy prediction of corn leaf disease and to treat the disease. It also aims to enable pattern recognition of corn leaf disease based on digital images using the VGG19 architecture model. The results of corn leaf disease classification obtained from the VGG19-based model show excellent performance in identifying various plant health conditions. With an overall accuracy of 97.96%, this model successfully distinguishes between five disease classes, namely Common Rust, Grey Leaf Spot, Healthy, Northern Leaf Blight, and Northern Leaf Spot. This figure reflects the effectiveness of the model in recognizing the distinctive visual patterns of each disease, which is very important for effective crop management.
Co-Authors Ajudin Antoni Zulius Arif Rinaldi Dikananda Budi Santoso Dadang Sudrajat Defrizal Defrizal Dian Prawitasari Diva Aulia Nurfitriani Fakhmi Zakaria Fatihanursari Dikananda Ferdi Saputra fikri firmansyah Fitriyana M. Rukin Herry Subagyo Hilda Novia Ramadani Ibnu Fajri Ida Farida iis Riyana Irham Zaini Mubarok Joko Supriyanto Julia Arum Mustikasari Kalimatus Saroh Kekieta Gustie Berizky LATIFAH Lisnawati Mahda, Muhammad Mamlu'atul Khoiru Nisa Martanto Maulana Ridwan Mochammad Imron Awalludin Muhammad Iqbaludin Muttaqien, Zaenal Nabila Salsa Azzahra Nafhan Khairuddin Fathin Novianti Indah Putri NUR HAMIDAH Nurul Fauziah Oktoriza, Linda Ayu Riri Narasati Ryan Hamonangan Saeful Amri Saeful Anwar Santi Nurjulaiha Setiyo Adi Wibowo Shinta Virgiana Suteja Syaiful Imanudin Tati Suprapti Tirta, M Sandy Trian Nurmansyah Tuti Nuriyati Umi Hayati Windi Herlita Vidila Yudhistira Arie Wijaya Yunia Eka Putri Zen Munawar Zulfa Hana Aqliyah