Article Per Year (5 Year)
p-Index From 2020 - 2025
1.286
P-Index
This Author published in this journals
All Journal SemanTIK : Teknik Informasi Simtek : Jurnal Sistem Informasi dan Teknik Komputer
Andi Patombongi
STMIK Catur Sakti Kendari
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Engineering

Published : 12 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 12 Documents
Search

 1   2 
PELATIHAN DAN PENGUJIAN YOLO (YOU ONLY LOOK ONCE) UNTUK MENDETEKSI PLAT KENDARAAN Irfan, Irfan; Patombongi, Andi; Cakra, Cakra
Simtek : jurnal sistem informasi dan teknik komputer Vol. 8 No. 2 (2023): Oktober 2023
Publisher : STMIK Catur Sakti Kendari

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51876/simtek.v8i2.362

Abstract

Metode YOLO telah banyak dimanfaatkan oleh peneliti untuk keperluan deteksi plat kendaraan, terutama dalam konteks pengenalan plat kendaraan mobil atau motor di jalur lalu lintas. Dalam proses deteksi, peneliti menggunakan dataset yang telah disiapkan untuk melatih algoritma YOLO (You Only Look Once) guna mencapai tingkat kepercayaan (confidence) yang akurat. Hasil pengujian menunjukkan bahwa proses deteksi pada video di jalur lalu lintas mampu mengenali plat kendaraan mobil atau motor dengan tingkat kepercayaan di atas 60%, dengan jarak deteksi sekitar 5 meter. Sementara itu, deteksi menggunakan gambar mampu mengenali plat kendaraan mobil atau motor dalam jarak sekitar 10 meter
MENDETEKSI DAN MENGKLASIFIKASI PENYAKIT DAUN PADA TANAMAN JAGUNG MENGGUNAKAN JARINGAN SARAF KONVOLUSIONAL Nur, Muhammad; Rahman, Baharuddin; Cakra, Cakra; Patombongi, Andi; Samsuddin, Samsuddin; Kahar, Fitriani
Simtek : jurnal sistem informasi dan teknik komputer Vol. 10 No. 1 (2025): April 2025
Publisher : STMIK Catur Sakti Kendari

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51876/simtek.v10i1.1498

Abstract

Penyakit yang menyerang daun jagung dapat berdampak negatif terhadap kualitas dan hasil pertanian, sehingga deteksi dini sangat diperlukan untuk mengurangi kerugian yang disebabkan oleh infeksi tersebut. Penelitian ini bertujuan untuk mengembangkan model klasifikasi berbasis teknologi deep learning untuk mendeteksi penyakit pada daun jagung. Model yang digunakan dalam penelitian ini adalah Convolutional Neural Network (CNN) yang memanfaatkan pendekatan transfer learning dengan arsitektur VGG16. Dataset yang digunakan terdiri dari 150 citra daun jagung yang dikelompokkan dalam tiga kategori, yaitu bercak daun, hawar daun, dan daun sehat, masing-masing berjumlah 50 citra. Hasil evaluasi menunjukkan bahwa model yang dikembangkan memiliki tingkat akurasi sebesar 89,33%, dengan nilai precision, recall, dan F1-score berturut-turut adalah 89,26%, 88,66%, dan 88,96%. Hal ini menunjukkan bahwa model mampu mengklasifikasikan gambar dengan baik, meskipun ada beberapa kesulitan dalam membedakan kelas bercak daun dan daun sehat. Secara keseluruhan, model ini menunjukkan potensi yang besar untuk diterapkan dalam sistem pemantauan kesehatan tanaman jagung secara otomatis dan real-time, yang dapat membantu petani dalam mengambil keputusan yang lebih cepat dan tepat
Co-Authors Achmad Fadri Saputra Adriel Baruch Lantemona Andi Muh Islah Baharuddin Baharuddin Cakra Cakra Hamdan Gani Ikbal Suhardin Jainal Ibrahim Hanafi Jayadi Jayadi Jonathan Tiku Ali Kahar, Fitriani MMSI Irfan ,S. Kom Muhammad Nur Rahman, Baharuddin Randi Randi Samsuddin Samsuddin Syafruddin Syarif