Claim Missing Document
Check
Articles

Found 32 Documents
Search

Comparative Analysis of MambaOut Tiny and Vision Transformer for Corn Leaf Disease Classification Adi Slamet Priyadi; Albert Yakobus Chandra
Journal of Computer Science and Informatics Engineering Vol 5 No 3 (2026): July
Publisher : Ali Institute of Research and Publication

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55537/cosie.v5i3.1834

Abstract

Maize production remains vulnerable to foliar diseases such as Gray Leaf Spot, Common Rust, and Northern Leaf Blight, which can impair growth and reduce crop yields. Manual disease identification is time-consuming, labor-intensive, and reliant on the observer's expertise, necessitating automated detection systems based on deep learning. While Convolutional Neural Networks (CNNs) and Vision Transformers (ViTs) are widely used for plant disease classification, a direct comparison between ViT-B/16 and MambaOut Tiny under identical training conditions remains rare. This study compares the two models using the PlantVillage dataset, which comprises 4,188 maize leaf images across four classes. Both models were fine-tuned using ImageNet-1K pre-trained weights, the AdamW optimizer, a learning rate of 1e-4, a batch size of 16, and 10 epochs. The results demonstrate that MambaOut Tiny achieved an accuracy of 97% and a macro-average F1-score of 0.96, outperforming ViT-B/16, which achieved 95% accuracy and an F1-score of 0.93. Additionally, MambaOut Tiny features a lower parameter count (30 million versus 86 million) and faster inference time (0.01262 seconds per image). These findings indicate that MambaOut Tiny is more efficient for precision agriculture systems with limited computational resources
PENERAPAN LITERASI DIGITAL DAN PENDAMPINGAN PENGELOLAAN PLATFORM EDUTECH BERBASIS WEB BAGI GURU SEKOLAH DASAR Rila Setyaningsih; Albert Yakobus Chandra; Rahma Novita Alim Putri; Afit Setyo Nugroho; Naili Inayah Wulandari
J-ABDI: Jurnal Pengabdian kepada Masyarakat Vol. 6 No. 3 (2026): Agustus 2026
Publisher : Bajang Institute

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Kegiatan pengabdian kepada masyarakat ini dilaksanakan di SD Muhammadiyah Senggotan, Bantul, Yogyakarta. Meskipun memiliki potensi sumber daya pendidik usia produktif yang tinggi, sekolah ini masih menghadapi kendala dalam mewujudkan Profil Pelajar Pancasila yang melek teknologi. Hal tersebut disebabkan oleh penggunaan media pembelajaran yang belum optimal, di mana hasil observasi awal menunjukkan bahwa 85% guru masih bergantung pada buku teks fisik, sedangkan 15% sisanya sebatas menggunakan slide presentasi statis yang bersifat searah. Untuk mengatasi permasalahan tersebut, program yang melibatkan 12 guru ini bertujuan meningkatkan pemahaman dan keterampilan literasi digital mitra dalam mengembangkan konten pembelajaran interaktif melalui metode sosialisasi, pelatihan (workshop), serta pemantauan dan evaluasi. Dalam pelaksanaannya, para peserta dibekali konsep literasi digital serta praktik langsung pemanfaatan tools AI Canvas untuk merancang modul pembelajaran interaktif. Selain itu, pelatihan juga mencakup penggunaan dan pengelolaan Learning Management System (LMS) melalui platform edutech berbasis web sdmustika.id, yang dikembangkan khusus oleh tim pengabdian UMBY sebagai wujud fasilitasi teknologi nyata bagi mitra. Evaluasi program yang diukur melalui pre-test, post-test, serta penilaian karya menunjukkan keberhasilan yang signifikan. Hasil yang dicapai meliputi peningkatan pemahaman mitra terkait literasi digital dalam pengembangan modul pembelajaran sebesar 7,53% dengan 12 modul pembelajaran interaktif karya guru. Selain itu terdapat peningkatan pengetahuan terkait pembuatan video pembelajaran interaktif sebesar 15,83%, yang dibuktikan dengan lahirnya karya media interaktif dari tangan setiap guru. Selain itu keberhasilan program terlihat dari keberhasilan guru dalam membuat 5 video pembelajaran interaktif secara kolaboratif untuk mata pelajaran Matematika, IPA, dan PAI.