Article Per Year (5 Year)
p-Index From 2021 - 2026
1.829
P-Index
This Author published in this journals
All Journal Jurnal Pengabdian UntukMu NegeRI Insect (Informatics and Security) : Jurnal Teknik Informatika Jurnal Ilmiah Media Sisfo JOURNAL V-TECH (VISION TECHNOLOGY) Jurnal (FORSINTA) Informatika, Sistem Informasi dan Kehutanan Jurnal Manajemen Sistem Informasi Pengabdian Jurnal Abdimas Aspirasi : Publikasi Hasil Pengabdian dan Kegiatan Masyarakat Berbakti
Ediansa, Oka
Unknown Affiliation
Religion Agriculture, Biological Sciences & Forestry Humanities Computer Science & IT Control & Systems Engineering Economics, Econometrics & Finance Education Engineering Health Professions Law, Crime, Criminology & Criminal Justice Public Health Social Sciences Other

Published : 11 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 11 Documents
Search

 1   2 
Classification of Pineapple Disease Types Using the VGG16 and EfficiennetB7 Model Approaches: Classification Ediansa, Oka; Riadi, Imam; Murinto, Murinto
Insect (Informatics and Security): Jurnal Teknik Informatika Vol. 12 No. 01 (2026): Maret 2026
Publisher : Universitas Muhammadiyah Sorong

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33506/insect.v12i01.5292

Abstract

Penyakit pada buah nanas merupakan salah satu faktor utama penyebab penurunan kualitas hasil panen dan kerugian ekonomi bagi petani. Identifikasi penyakit secara manual seringkali tidak akurat karena subjektivitas pengamat. Penelitian ini bertujuan untuk mengklasifikasikan jenis penyakit pada buah nanas menggunakan pendekatan Deep Learning dengan membandingkan dua arsitektur populer, yaitu VGG16 dan EfficientNetB7. Dataset yang digunakan berjumlah 215 citra yang terbagi ke dalam empat kelas: Busuk Pangkal, Bercak Hitam, Busuk Inti Buah, dan Nanas Sehat. Karena keterbatasan jumlah data, teknik Transfer Learning dan augmentasi data diterapkan untuk meningkatkan performa model. Hasil penelitian menunjukkan bahwa EfficientNetB7 memberikan performa yang lebih unggul dibandingkan VGG16 dengan akurasi validasi sebesar 89,25%, precision 88,50%, dan f1-score 88,20%. Sementara itu, VGG16 mencapai akurasi validasi sebesar 84,50%. Meskipun EfficientNetB7 membutuhkan waktu komputasi yang lebih lama per epoch, keunggulannya dalam mengekstraksi fitur kompleks pada tekstur kulit nanas menjadikannya model yang lebih ideal untuk sistem deteksi penyakit tanaman. Penelitian ini diharapkan dapat menjadi rujukan dalam pengembangan teknologi otomasi pertanian untuk meningkatkan efisiensi penanganan penyakit pascapanen nanas.
Co-Authors AGESHA MARSYAF Ahmad Yani Akbar, Zulfikri Dani, Rian Desviona, Nayla Helmina Hetty Rohayani Imam Riadi Kurniawansyah, Kevin Madhrozji, Tutuk Marsyaf, Agesha Marthiawati, Noneng Muhammad Ananta Firdaus Muhammad Ikhsan Murinto Murinto Prianti, Rida Priyanti, Rida Putra, Iwan Eka Reza, Iqbal Fadhilah Rusdianto Roestam Yaakub, Saleh Zulfikri Akbar