Article Per Year (5 Year)
p-Index From 2021 - 2026
2.958
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) 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 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 Education Electrical & Electronics Engineering Energy Engineering Neuroscience Public Health Social Sciences Transportation Other

Published : 34 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 34 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.
Co-Authors ., Ichsan Yudistura Agus Setia Budi, Agus Setia Agus Subhan Akbar, Agus Subhan Alhidayati Asymal Anny Yuniarti 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 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 Rizki Ardhian Ahmad Sholikah Indrawati Sholikha, Ni'matus Siti Mujilahwati Yusuf Eka Yana Yusuf Permadi Zuhri, Ahmad Syafiq Maulana