Article Per Year (5 Year)
p-Index From 2020 - 2025
0.92
P-Index
This Author published in this journals
All Journal JOIV : International Journal on Informatics Visualization eProceedings of Engineering Inovasi Jurnal Pengabdian Masyarakat (IJPM)
Sa'idah, Sofia
Unknown Affiliation
Humanities Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Public Health Social Sciences

Published : 5 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 5 Documents
Search

 1 
IDENTIFIKASI TINGKAT KEMATANGAN DAN KUALITAS BUAH STROBERI MENGGUNAKAN DEEP LEARNING Azizah, Siti; Novamizanti, Ledya; Sa'idah, Sofia
eProceedings of Engineering Vol. 11 No. 4 (2024): Agustus 2024
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Strawberries are one of the most popular fruits in Indonesia. In 2022, the Central Statistics Agency (BPS) recorded strawberry production at 28,895 tons, a 193.05% increase from the previous year. West Java was the main producer, with 25,413 tons, accounting for 87.95% of total production. However, the sorting process is still done conventionally to determine the ripeness and quality of the fruit, which consumes time and resources. This system utilizes deep learning technology with YOLOv7 and EfficientNetV2S models, integrated with the cloud and implemented on an Android application. The app sends images to the deep learning system, which processes and classifies the ripeness of strawberries. The smartphone displays the confidence level and classification results. Based on testing, the system can identify five categories: Ripe Grade-A, Ripe Grade-B, Half-Ripe Grade-A, Half-Ripe Grade-B, and Unripe. The loss values for Box and Val Box are 0,02095 and 0,03029, respectively; Objectness and Val Objectness are 0,004057 and 0,00333; Classification and Val Classification are 0,008343 and 0,007392. The classification model evaluation showed precision, recall, and F1-Score of 0.990 each and an accuracy of 99%. Cloud processing time reached 1-2 seconds with object classification at 180 milliseconds. Usability testing with 33 respondents showed dominant scores of 4 and 5, and the application can be installed on various Android versions without consuming much memory or crashing. Keywords: deep learning, cloud, mobile application, ripeness, quality
Alat Pendeteksi Tokoh Wayang Kulit Menggunakan Firebase Azis, Qitfirul Abdul; Wijayanto, Inung; Sa'idah, Sofia
eProceedings of Engineering Vol. 11 No. 6 (2024): Desember 2024
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Wayang kulit, salah satu seni tradisional Indonesia, semakin jarang dikenal masyarakat akibat keterbatasan akses informasi. Dengan memanfaatkan teknologi modern seperti deep learning dan layanan cloud Firebase, dikembangkan sebuah aplikasi mobile yang mampu mendeteksi tokoh wayang kulit melalui kamera smartphone. Aplikasi ini memungkinkan pengguna untuk memindai tokoh wayang dan mengakses informasi terkait secara real-time. Data hasil pemindaian disimpan dan dikelola menggunakan Firebase, sehingga memungkinkan sinkronisasi data antar pengguna dengan akurasi deteksi mencapai 81%. Penggunaan teknologi ini tidak hanya mempermudah akses informasi mengenai wayang kulit, tetapi juga berkontribusi pada upaya pelestarian budaya melalui pendekatan teknologi. Kata kunci — Aplikasi mobile, Deep learning, Deteksi tokoh wayang, Firebase, Pelestarian budaya, Wayang kulit.
Pemberdayaan Masyarakat Desa Bojongsari melalui Smart Edufarm berbasis Internet of Things dalam Mewujudkan Ketahanan Pangan Bangsa Lestari, Annisa Puji; Zahra Hana, Risma; Salam, Muhammad Yusup; Sugiarto, Eka; Aulia Husniah, Zahira; Sa'idah, Sofia
Inovasi Jurnal Pengabdian Masyarakat Vol 1 No 3 (2023): IJPM - Desember 2023
Publisher : CV Firmos

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54082/ijpm.275

Abstract

Tingkat produktivitas masyarakat Desa Bojongsari masih rendah, khususnya terkait bidang pertanian yang sebenarnya memiliki potensi yang besar. Pengetahuan dan keterampilan masyarakat Desa Bojongsari di bidang pertanian juga masih kurang sehingga belum tercapai ketahanan pangan tingkat desa. Smart Edufarm dilaksanakan sebagai program pemberdayaan masyarakat yang berfokus untuk mewujudkan ketahanan pangan keluarga melalui kegiatan pertanian berkelanjutan. Tujuan dari diadakannya program ini adalah meningkatkan ketahanan pangan masyarakat, meningkatkan produktivitas masyarakat, mewujudkan wirausaha bidang pertanian, serta meningkatkan pengetahuan dan keterampilan masyarakat. Metode yang digunakan melibatkan tahap persiapan, tahap pengenalan, tahap pendidikan bagi pelajar dan ibu rumah tangga, serta tahap pendampingan dan konsultasi untuk masyarakat sasar. Hasil program Smart Edufarm terbukti mampu meningkatkan pemahaman masyarakat terhadap hidroponik, akuaponik, bedengan, dan Internet of Things (IoT) sebesar 90%. Kemudian terkait dengan penggunaan lahan di PKBM Schole Fitrah yang semula tidak produktif menjadi produktif. Selanjutnya, keterlibatan hubungan antarmasyarakat sasaran yang semula kurang dekat menjadi solid. Selain itu, kegiatan masyarakat menjadi lebih produktif. Hasil yang terakhir yakni dapat memunculkan lini usaha baru di bidang pertanian yang semula tidak ada.
Handwritten Hiragana Letter Detection Using CNN Fernandi, Arya; Sa'idah, Sofia; Magdalena, Rita
JOIV : International Journal on Informatics Visualization Vol 8, No 3-2 (2024): IT for Global Goals: Building a Sustainable Tomorrow
Publisher : Society of Visual Informatics

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62527/joiv.8.3-2.3035

Abstract

Hiragana is one of the primary alphabets used in Japanese. Hiragana is a phonetic symbol; each letter represents one syllable. Hiragana letters are formed from curved lines and strokes. However, detecting Hiragana letters causes many errors because people still rely on their vision to detect the letters, especially people familiar with them for the first time. It will be difficult and not very clear to read the letters. Therefore, a Convolutional Neural Network (CNN) method is used to detect handwritten Hiragana letters and help people who first get to know Hiragana letters when the letters are too complicated for human eyes to detect. This research uses the YOLOv8 model as a handwritten Hiragana letter detection algorithm. The Hiragana letters to be detected are basic letters with 46 characters. This research uses the YOLOv8 model run on Google Collaboratory with the Ultralytics library version 8.0.20 using the Python programming language. The dataset is collected from the internet and annotated using the Roboflow framework and dataset 4600 Hiragana letters. From the test results, the best model is YOLOv8l using SGD optimizer and learning rate 0.01 with a precision value of 98.5%, recall value of 95.7%, f1-score value of 97.1%, and mAP value of 95.5%. In the future, we aim to expand the number of datasets and employ a broader range of hyperparameter values to optimize the classification precision and accuracy of the Hiragana Letter Detection system.
Sistem Deteksi Kecacatan Ban Dengan Convolutional Neural Network Prayoga, Krisna; Magdalena, Rita; Sa'idah, Sofia
eProceedings of Engineering Vol. 10 No. 3 (2023): Juni 2023
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak-Produksi kendaraan setiap tahun semakin meningkat, Setiap tahunnya pabrik kendaraan memproduksi ribuan kendaraan untuk memenuhi kebutuhan pasar disetiap negara. Ban adalah komponen sangat penting dalam suatu kendaraan, ban yang tidak maksimal atau cacat sering kali menimbulkan kecelakaan mulai dari kecelakaan ringan hingga fatal, memilih ban yang baik sangat dibutuhkan agar ketika kendaraan sedang melaju tidak menimbulkan kecelakaan seperti pecah ban atau ban tergelincir. Tujuan dari penelitian ini adalah melakukan analisis kerja sistem dalam mengidentifikasi ban yang dalam kondisi bagus dengan ban dalam kondisi rusak atau cacat. Penelitian Tugas Akhir ini meneliti bagaimana cara memilih ban yang baik dengan mengklasifikasikan ban kedalam 2 kategori yaitu ban yang bagus dengan ban yang cacat menggunakan metode Convolutional Neural Network (CNN) menggunakan CNN lima layer dan menguji paramter yang akan digunakan kedalam sistem untuk mengetahui parameter yang terbaik agar menghasilkan akurasi yang tinggi. Di dalam penelitian ini bisa diketahui hal-hal yang mempengaruhi performansi sistem, akurasi terbaik yang diperoleh dari penelitian ini yaitu 88% dengan menggunakan 1.039 sampel citra serta menggunakan parameter size 224x224, Optimizer Adam, Learning Rate 0.0001, Epoch 80, dan Batch size 16.
Co-Authors Annisa Puji Lestari Aulia Husniah, Zahira Azis, Qitfirul Abdul Fernandi, Arya Inung Wijayanto Ledya Novamizanti Prayoga, Krisna Rita Magdalena Salam, Muhammad Yusup Siti Azizah Sugiarto, Eka Zahra Hana, Risma