Article Per Year (5 Year)
p-Index From 2021 - 2026
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 3 Documents
Search
Journal : eProceedings of Engineering

 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.
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