Article Per Year (5 Year)
p-Index From 2021 - 2026
3.739
P-Index
This Author published in this journals
All Journal International Journal of Electrical and Computer Engineering International Journal of Informatics and Communication Technology (IJ-ICT) International Journal of Advances in Applied Sciences Jurnal Ilmiah Teknik Elektro Komputer dan Informatika (JITEKI) Telematika SISFOTENIKA INOVTEK Polbeng - Seri Informatika Jurnal Informatika Universitas Pamulang RESEARCH : Computer, Information System & Technology Management Jurnal Nasional Komputasi dan Teknologi Informasi Jurnal Telematika Informatika : Jurnal Informatika, Manajemen dan Komputer Jurnal Elektronika Listrik dan Teknologi Informasi Terapan Jurnal Sistem Informasi dan Informatika (SIMIKA) Amalee: Indonesian Journal of Community Research & Engagement Jurnal Teknika Jurnal Sistem Komputer dan Informatika (JSON) KERNEL: Jurnal Riset Inovasi Bidang Informatika dan Pendidikan Informatika Joutica : Journal of Informatic Unisla Insand Comtech : Information Science and Computer Technology Journal Jurnal Informatika: Jurnal Pengembangan IT Jurnal Ilmiah Sistem Informasi
Nafiiyah, Nur
Prodi Teknik Informatika Fakultas Teknik Universitas Islam Lamongan
Aerospace Engineering Humanities Automotive Engineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Education Electrical & Electronics Engineering Energy Engineering Environmental Science Materials Science & Nanotechnology Mathematics Neuroscience Physics Public Health Social Sciences Transportation Other

Published : 39 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 39 Documents
Search

 1   2   3   4 
Pengembangan Arsitektur CNN untuk Sistem Identifikasi Penyakit Daun pada Tanaman Padi ., Ichsan Yudistura; Nafiiyah, Nur
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 1 (2025): September 2025
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v7i1.8849

Abstract

Penelitian ini bertujuan untuk mengembangkan arsitektur CNN dalam sistem identifikasi penyakit daun pada tanaman padi. Penyakit seperti blast, blight, dan tungro merupakan ancaman serius bagi produktivitas padi di Indonesia. Identifikasi penyakit secara manual membutuhkan keahlian khusus dan tidak selalu akurat, sehingga dibutuhkan solusi otomatis berbasis teknologi. Penelitian ini menggunakan dataset citra daun padi dari tiga kelas penyakit, masing-masing sebanyak 80 gambar. Proses augmentasi citra dilakukan dengan metode peningkatan kontras menggunakan histogram equalization dan CLAHE, untuk memperjelas fitur visual pada citra. Struktur CNN dibangun menggunakan sejumlah lapisan konvolusi dan pooling yang dirancang khusus untuk menangkap pola visual dari gambar daun.. Model diuji menggunakan data validasi dan menghasilkan akurasi sebesar 75%. Evaluasi lebih lanjut melalui confusion matrix menunjukkan bahwa model dapat mengenali penyakit blight dengan sangat baik, meskipun masih terdapat kekeliruan dalam membedakan antara blast dan tungro. Hasil penelitian ini menunjukkan bahwa pengembangan CNN dengan pendekatan yang tepat dapat menjadi solusi efektif dalam mendukung deteksi penyakit tanaman secara otomatis dan akurat.
Pengaruh Sosialisasi Pembelajaran Online terhadap Tingkat Keaktifan Siswa SD di Desa Sumberagung Lamongan: The Effect of Online Learning Socialization on the Activity Level of Elementary School Students in Sumberagung Village, Lamongan Nafiiyah, Nur; Sari, Ika Purnama
Amalee: Indonesian Journal of Community Research and Engagement Vol. 2 No. 1 (2021): Amalee: Indonesian Journal of Community Research and Engagement
Publisher : LP2M INSURI Ponorogo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37680/amalee.v2i1.179

Abstract

Online learning is the newest way of learning, where students can access the material directly even in far places. Online learning is a way to deliver material without having to meet with students. The purpose of this activity is to find a relationship between online learning and the activeness of elementary school students in Sumberagung Mantup Lamongan. The data used in this study, namely: data on the results of student activity in accessing online learning, ranging from participation in accessing e-learning and reading material, participating in discussions in online learning. Student data used as many as 133 students, and the variables of this study, namely the number of values involved in the discussion, the total value of reading material. The results of this study indicate that there is no correlation between students' interest in reading online learning and discussion activeness at online learning, with a correlation value of -0.024. Pembelajaran secara online merupakan cara pembelajaran terbaru, di mana peserta didik dapat mengakses materi secara langsung walaupun di tempat jauh. Pembelajaran online merupakan cara menyampaikan materi tanpa harus bertatap muka dengan peserta didik. Tujuan dari kegiatan ini, yaitu mencari hubungan antara pembelajaran online dengan keaktifan siswa SD di Sumberagung Mantup Lamongan. Data yang digunakan dalam penelitian ini, yaitu: data hasil keaktifan siswa dalam mengakses pembelajaran online, mulai dari keikutsertaan dalam mengakses e-learning dan membaca materi, ikut serta dalam berdiskusi dalam pembelajaran online. Data siswa yang digunakan sebanyak 133 siswa, dan variabel dari penelitian ini, yaitu jumlah nilai ikut berdiskusi, jumlah nilai membaca materi. Hasil penelitian ini menunjukkan bahwa tidak adanya korelasi antara minat membaca siswa dalam pembelajaran online terhadap keaktifan berdiskusi pada pembelajaran online, dengan nilai korelasi -0,024.
COFFEE BEAN QUALITY CLASSIFICATION USING THE RESNET50 CONVOLUTIONAL NEURAL NETWORK Munir, Munir; Nafiiyah, Nur; Budi, Agus Setia
Jurnal Ilmiah Sistem Informasi Vol. 4 No. 2 (2025): Mei : Jurnal Ilmiah Sistem Informasi
Publisher : LPPM Universitas Sains dan Teknologi Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51903/7cwf7662

Abstract

Klasifikasi kualitas biji kopi merupakan langkah penting dalam menjaga mutu dan konsistensi produk kopi, terutama di sektor industri dan agribisnis. Penilaian kualitas secara manual seringkali bersifat subjektif, sehingga dibutuhkan pendekatan berbasis teknologi untuk memberikan hasil yang lebih objektif. Penelitian ini mengusulkan penggunaan arsitektur Convolutional Neural Network (CNN) ResNet50 untuk mengklasifikasikan citra biji kopi berdasarkan tingkat sangraian, yaitu Dark, Medium, Light, dan Green. Dataset yang digunakan terdiri dari 1.600 citra biji kopi, dibagi menjadi data pelatihan (1.200 gambar) dan validasi (400 gambar). Model dikembangkan dengan memanfaatkan bobot pralatih ResNet50 dari ImageNet dengan seluruh layer dasar dibekukan, dan ditambahkan lapisan GlobalAveragePooling2D, Dense, BatchNormalization, Dropout, serta output layer softmax. Pelatihan dilakukan tanpa preprocessing atau augmentasi data. Hasil penelitian menunjukkan bahwa model mampu mencapai akurasi sebesar 99%, dengan precision, recall, dan f1-score yang tinggi dan seimbang pada seluruh kelas. Model kemudian diimplementasikan dalam aplikasi berbasis web menggunakan Streamlit yang memungkinkan pengguna mengunggah citra biji kopi dan memperoleh hasil klasifikasi secara otomatis. Temuan ini menunjukkan bahwa pendekatan ResNet50 efektif untuk mendukung proses penilaian kualitas biji kopi secara cerdas, serta dapat dikembangkan lebih lanjut untuk penerapan di industri.  
IDENTIFICATION OF ROAD DAMAGE USING THE CONVOLUTIONAL NEURAL NETWORK (CNN) METHOD Zuhri, Ahmad Syafiq Maulana; Nafiiyah, Nur; Budi, Agus Setia
Jurnal Ilmiah Sistem Informasi Vol. 4 No. 3 (2025): November: Jurnal Ilmiah Sistem Informasi
Publisher : LPPM Universitas Sains dan Teknologi Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51903/jgn2sd35

Abstract

Kerusakan jalan merupakan permasalahan umum yang berdampak langsung terhadap keselamatan dan kenyamanan pengguna jalan, serta terhadap efisiensi transportasi. Selama ini, proses inspeksi jalan masih dilakukan secara manual, yang memerlukan waktu, biaya, dan sumber daya yang tidak sedikit. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi otomatis guna mendeteksi kerusakan jalan berdasarkan citra permukaan, dengan memanfaatkan metode Convolutional Neural Network (CNN). Dataset yang digunakan dalam penelitian ini terdiri dari 400 gambar dengan distribusi seimbang, yaitu 200 gambar kategori Cracks (jalan retak) dan 200 gambar kategori non-Cracks (jalan tidak retak), yang diambil dari sumber dataset terbuka di platform Mendeley Data. Arsitektur CNN dirancang secara khusus dengan empat lapisan konvolusi yang dilengkapi fungsi aktivasi ReLU, pooling layer, dropout layer untuk mengurangi overfitting, serta fully connected layer pada tahap akhir klasifikasi. Proses pelatihan dilakukan menggunakan TensorFlow dan Keras di platform Google Colab, dengan pembagian data sebesar 80% untuk data pelatihan dan 20% untuk data validasi. Hasil evaluasi menunjukkan bahwa model memiliki performa klasifikasi yang sangat baik. Berdasarkan rata-rata dari seluruh skenario pelatihan (epoch 30, 40, dan 50), model CNN yang dikembangkan mampu mencapai akurasi keseluruhan sebesar 97,50%, presisi rata-rata 96,77%, recall rata-rata 99,37%, dan F1-score rata-rata 97,72%. Dengan kinerja yang konsisten dan tingkat kesalahan yang rendah, model CNN ini memiliki potensi besar untuk diterapkan sebagai alat bantu dalam proses identifikasi kerusakan jalan berbasis citra secara otomatis dan efisien, sehingga dapat mempercepat inspeksi, mengurangi beban kerja manual, dan membantu instansi terkait dalam pengambilan keputusan pemeliharaan infrastruktur jalan secara tepat waktu.
Prediction index drought use neural network based rainfall Nafiiyah, Nur; Mokhtar, Ali
International Journal of Advances in Applied Sciences Vol 14, No 4: December 2025
Publisher : Institute of Advanced Engineering and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.11591/ijaas.v14.i4.pp1146-1154

Abstract

Prolonged dry seasons compared to rainy seasons often lead to drought, making drought index observations essential. In Indonesia, drought monitoring commonly uses the standardized precipitation index (SPI), yet there is no common standard for drought index measurement. Therefore, this research applies the Z-score index (ZSI) and China-Z index (CZI), which, like SPI, are rainfall-based drought indices but have rarely been explored in previous research. To predict ZSI and CZI, this research compares the weighted moving average (WMA) and multilayer perceptron (MLP) methods. Two input scenarios are tested: the previous two periods (t-2, t-1) and the previous three periods (t-3, t-2, t-1). The results show that MLP outperforms WMA, with the best performance achieved by the MLP model at a mean absolute percentage error (MAPE) of 4.177% using the three variable input scenario and MLP architecture 3-6-10-1.
ANALISIS KLASIFIKASI PENYAKIT DIABETES DENGAN SUPPORT VECTOR MACHINE (DATA KAGGLE) Nur Nafiiyah; Arif Try Hidayatullah
Jurnal Sistem Informasi dan Informatika (Simika) Vol. 9 No. 1 (2026): Jurnal Sistem Informasi dan Informatika (Simika)
Publisher : Program Studi Sistem Informasi, Universitas Banten Jaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47080/v1tx1m90

Abstract

Diabetes, also known as diabetes mellitus, is a long-term condition caused by the inability of the pancreas to produce enough insulin, which leads to increased levels of glucose in the blood. Diabetes is a dangerous disease. There is no known cause of diabetes, but many believe that lifestyle and genes may play a role. Bioinformatics researchers are trying to overcome this disease and create systems that help predict diabetes. Many diabetes prediction systems use methods such as C4.5, KNN, Naive Bayes, and linear SVM, according to existing research. In this study, the analysis of the accuracy of diabetes disease data classification was carried out using SVM and several choices of variables on the original and balanced data. The results of the original data experiment with 768 rows of variables that have the highest correlation are glucose, and using three variables (glucose, BMI, Age) has the highest accuracy with SVM RBF and Polynomial (0.773). Balanced data using five variables (pregnancies, glucose, BMI, diabetes pedigree function, age) has the highest classification accuracy of linear SVM (0.775). Conclusion: by balancing the number of diabetes disease classes, there is a slight increase in classification accuracy results from the initial 0.766 to 0.775.
Evaluasi Komparatif Transfer Learning Convolutional Neural Network untuk Klasifikasi Penyakit Daun Mangga jacinda, nisrina; Nafiiyah, Nur
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 3 (2026): Maret 2026
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v7i3.9538

Abstract

Salah satu faktor utama yang dapat menurunkan produktivitas dan kualitas hasil pertanian adalah penyakit daun mangga. Penyakit yang diidentifikasi secara manual masih bergantung pada pengalaman petani, yang dapat menyebabkan kesalahan. Oleh karena itu, dapat menggunakan teknik transfer learning Convolutional Neural Network (CNN), tujuan penelitian ini adalah untuk mengklasifikasikan berbagai jenis penyakit yang menyerang daun mangga. Dengan 4.000 gambar, dataset yang digunakan berasal dari Kaggle dan terdiri dari delapan kelas: anthracnose, bacterial canker, cutting weevil, die back, gall midge, sehat, powdery mildew, dan sooty mold. Dalam eksperimen ini, empat arsitektur CNN ResNet50, ConvNeXt-Tiny, DenseNet121, MobileNetV2, dan yang lainnya dimodifikasi dengan Global Average Pooling, Batch Normalization, dan Lapisan Dense. Hasilnya menunjukkan bahwa ResNet50 dan ConvNeXt-Tiny memberikan tingkat akurasi terbaik, masing-masing 96,13% dan 95,88%, dengan skor F1 di atas 95%. Temuan ini menunjukkan bahwa pemilihan arsitektur CNN memiliki dampak yang signifikan.
Evaluasi Kinerja Model CNN Berbasis Transfer Learning dalam Klasifikasi Penyakit Daun Padi tsabit yunan al rajab; Nafiiyah, Nur
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 3 (2026): Maret 2026
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v7i3.9539

Abstract

Salah satu penyebab utama penurunan produktivitas pertanian adalah penyakit daun padi, yang berdampak langsung pada ketahanan pangan nasional. Tujuan dari penelitian ini adalah untuk mengevaluasi dan membandingkan kinerja sembilan arsitektur Convolutional Neural Network (CNN) berbasis transfer learning dalam klasifikasi penyakit daun padi. Arsitektur-arsitektur ini termasuk DenseNet121, InceptionV3, MobileNet, MobileNetV2, MobileNetV3Large, NASNetLarge, ResNet101, VGG16, dan Xception. Tiga kelas penyakit (Blast, Blight, dan Tungro) terdiri dari dataset Kaggle. Data asli digunakan sebagai data pengujian untuk menjaga objektivitas evaluasi, sedangkan data hasil augmentasi digunakan sebagai data pelatihan. Setiap model dilengkapi dengan lapisan Global Average Pooling, Batch Normalization, dan Dense (128). Selain itu, setiap model dilatih menggunakan optimizer SGD yang memiliki tingkat pembelajaran 0,001, epoch 30, ukuran batch 2, dan fungsi kehilangan kategoris crossentropy. Akurasi, precision, recall, dan skor F1 digunakan untuk menilai. Hasil penelitian menunjukkan bahwa MobileNetV3Large, VGG16, dan ResNet101 memiliki akurasi tertinggi sebesar 100,00%, 99,58%, dan 99,17%, masing-masing. Hasil ini menunjukkan bahwa kinerja klasifikasi penyakit daun padi dipengaruhi secara signifikan oleh pilihan arsitektur CNN yang tepat. Selain itu, temuan ini menunjukkan bahwa pembelajaran transfer dapat menjadi cara yang efektif untuk membangun sistem AI yang mendeteksi penyakit tanaman secara dini.
Klasifikasi Ulkus Kaki Diabetik Berbasis Transfer Learning: Studi Komparatif Arsitektur CNN Nafiiyah, Nur; Rifqi Firdaus Al Jauhari; Agus Harjoko; Achmad Nizar Hidayanto
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 3 (2026): Maret 2026
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v7i3.9580

Abstract

Proses klasifikasi citra medis secara otomatis sangat penting untuk membantu proses diagnosis yang cepat dan objektif. Deep learning, terutama Convolutional Neural Network (CNN), telah menunjukkan kemampuan yang lebih baik untuk mengidentifikasi dan mengklasifikasikan gambar. Namun, model yang tepat masih sulit dipilih karena perbedaan dalam desain arsitektur CNN dapat berdampak besar pada kinerja. Tujuan dari penelitian ini adalah untuk mengevaluasi dan membandingkan kinerja lima arsitektur CNN (VGG16, VGG19, ResNet101, InceptionV3, dan DenseNet121) ketika menggunakan dataset Ulkus Kaki Diabetes (Diabetic Foot Ulcer/DFU) untuk mengklasifikasikan gambar medis kelas normal dan abnormal. Metode berbasis dataset digunakan untuk menjalankan semua eksperimen. Akurasi, ketepatan, recall, dan F1-score digunakan untuk menilai model. Hasil eksperimen menunjukkan bahwa ResNet101 adalah yang terbaik dengan akurasi dan F1-score sebesar 99,87%, diikuti oleh VGG19 dan VGG16, masing-masing dengan F1-score di atas 99%. DenseNet121 dan InceptionV3 juga menunjukkan kinerja yang kompetitif, meskipun sedikit di bawah model berbasis residual dan VGG. Hasil ini menunjukkan betapa pentingnya melakukan analisis komparatif saat memilih arsitektur CNN untuk klasifikasi citra medis berbasis deep learning.
Co-Authors ., Ichsan Yudistura Achmad Nizar Hidayanto Agus Harjoko Agus Setia Budi, Agus Setia Agus Subhan Akbar, Agus Subhan Alhidayati Asymal Ali Mokhtar Anny Yuniarti Arif Try Hidayatullah Ayu Ismi Hanifah Bagus Nur Bakti Aji Chastine Fatichah edy susanto Eha Renwi Astuti Eko Sulistiono Sulistiono Husnul Khotimah Ika Purnama Sari Irma Dwi Rohmawati jacinda, nisrina Jauharul Maknun Khoiruddin, Muhammad Ubay Khotim Hidayati Hidayati M Sholihul Hadi Masruroh Masruroh Miftahus Sholihin Moh Muslikh Muchammad Khudori Muhammad Ali Haydar Munir Munir, Munir Nela Nevrivanti Aulia Prasetyo, Puguh Rouf Purnomo Hadi Susilo, Purnomo Hadi Putra, Ramadhan Hardani Retno Wardhani Rifqi Firdaus Al Jauhari Rizki Ardhian Ahmad Sholikah Indrawati Sholikha, Ni'matus Siti Mujilahwati tsabit yunan al rajab Yusuf Eka Yana Yusuf Permadi Zuhri, Ahmad Syafiq Maulana