Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Martabe : Jurnal Pengabdian Kepada Masyarakat Jurnal Sistem Komputer dan Informatika (JSON)
Maulini, Rima
Unknown Affiliation
Agriculture, Biological Sciences & Forestry Arts Humanities Computer Science & IT Control & Systems Engineering Education Social Sciences

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

Found 2 Documents
Search

 1 
PENINGKATAN KOMPETENSI DIGITAL GURU MELALUI PELATIHAN KODING DAN KECERDASAN ARTIFISIAL BERBASIS DEEP LEARNING DI SMAN 2 KALIANDA Kania Widyawati, Dewi; Arifin, Oki; Maulini, Rima; Zuriati, Zuriati; Sahlinal, Dwirgo; Pratama, Yoga; Ari Wijaya Saputra, I Komang; Bulan Nayla, Amanda
Martabe : Jurnal Pengabdian Kepada Masyarakat Vol 8, No 11 (2025): MARTABE : JURNAL PENGABDIAN KEPADA MASYARAKAT
Publisher : Universitas Muhammadiyah Tapanuli Selatan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31604/jpm.v8i11.4100-4108

Abstract

Implementasi Kurikulum Merdeka di SMAN 2 Kalianda memerlukan pendekatan inovatif seperti pembelajaran mendalam (Deep Learning) yang berfokus pada tiga pilar yaitu pembelajaran sadar (Mindful Learning) menyesuaikan materi dengan kebutuhan siswa dan mendorong fokus penuh,  pembelajaran bermakna (Meaningful Learning) melatih berpikir kritis dan mengaitkan konsep dengan kehidupan nyata, serta pembelajaran menyenangkan (Joyful Learning) menciptakan pengalaman belajar yang interaktif dan memotivasi. Namun, pengintegrasian teknologi seperti pemrograman Python dan kecerdasan artifisial masih terhambat oleh keterbatasan kompetensi guru. Program pengabdian ini bertujuan untuk melatih guru dalam penguasaan koding, kecerdasan artifisial, membimbing pendidik merancang modul berbasis proyek, serta mengembangkan bahan ajar digital yang sesuai dengan Kurikulum Merdeka. Pengabdian ini dilaksanakan melalui pendekatan partisipatif kolaboratif yang melibatkan mitra secara aktif. Metode pelaksanaan melalui lima tahapan yaitu sosialisasi, pelatihan, penerapan teknologi, pendampingan dan evaluasi, serta keberlanjutan program. Peserta dilatih untuk memahami algoritma pemrograman, pemrograman Python, pembuatan model AI sederhana, dan bahan ajar digital melalui Learning Management System (LMS) sekolah. Pelatihan dan evaluasi berbasis pre-test dan post-test menunjukkan hasil peningkatan signifikan dalam pemahaman peserta dengan rata-rata nilai sebesar 64,88 menjadi 96,63 dan N-gain score sebesar 91,36%. Hal ini menunjukkan efektivitas program dalam meningkatkan pengetahuan peserta tentang koding dan kecerdasan artifisial.
Deteksi Dini Penyakit Tanaman Jagung Berbasis Transfer Learning dengan Arsitektur DenseNet121 Rofianto, Dani; Maulini, Rima; Sahlinal, Dwirgo; Meilantika, Dian; Pujiana, Tri
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 2 (2025): Desember 2025
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v7i2.9094

Abstract

Jagung (Zea mays L.) merupakan komoditas pangan strategis di Indonesia yang berperan penting dalam ketahanan pangan, industri pakan ternak, hingga energi terbarukan. Produktivitas jagung kerap menurun akibat penyakit daun seperti Blight, Common Rust, dan Gray Leaf Spot, yang dapat mengurangi hasil panen hingga 30–50% jika tidak dideteksi sejak dini. Metode deteksi konvensional melalui pengamatan visual masih memiliki keterbatasan, antara lain subjektivitas penilaian, kurangnya tenaga ahli, serta keterlambatan dalam pengambilan keputusan. Oleh karena itu, diperlukan pendekatan berbasis kecerdasan buatan yang mampu melakukan deteksi secara cepat, akurat, dan efisien di lapangan. Penelitian ini mengusulkan penggunaan transfer learning dengan arsitektur DenseNet121 untuk klasifikasi penyakit daun jagung. Dataset yang digunakan terdiri dari 2.818 citra yang terbagi ke dalam empat kelas utama (Blight, Common Rust, Gray Leaf Spot, Healthy), diperoleh dari kombinasi dokumentasi lapangan dan dataset terbuka daring. Data kemudian dibagi menggunakan stratified split menjadi 68% latih, 17% validasi, dan 15% uji. Hasil pengujian menunjukkan bahwa model mencapai akurasi 93,48% dengan F1-score rata-rata 0,93. Kelas Healthy dan Common Rust teridentifikasi hampir sempurna, sementara kesalahan klasifikasi masih ditemukan pada Gray Leaf Spot yang sering terprediksi sebagai Blight. Kurva akurasi dan loss memperlihatkan dinamika pelatihan yang stabil tanpa indikasi overfitting, berkat penerapan augmentasi data, dropout, dan early stopping. Temuan ini menegaskan bahwa DenseNet121 berpotensi besar untuk diterapkan dalam sistem deteksi dini penyakit jagung berbasis AI, sekaligus mendukung pengembangan pertanian presisi dan peningkatan produktivitas nasional.
Co-Authors Ari Wijaya Saputra, I Komang Arifin, Oki Bulan Nayla, Amanda Dani Rofianto Dwirgo Sahlinal, Dwirgo Kania Widyawati, Dewi meilantika, Dian Pujiana, Tri Yoga Pratama Zuriati, Zuriati