Article Per Year (5 Year)
p-Index From 2021 - 2026
3.351
P-Index
This Author published in this journals
All Journal CESS (Journal of Computer Engineering, System and Science) INTEGER: Journal of Information Technology J I M P - Jurnal Informatika Merdeka Pasuruan Explore IT : Jurnal Keilmuan dan Aplikasi Teknik Informatika Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI) ILKOMNIKA: Journal of Computer Science and Applied Informatics Jurnal Mnemonic JAMI: Jurnal Ahli Muda Indonesia International Journal of Artificial Intelligence and Robotics (IJAIR) Joutica : Journal of Informatic Unisla J-Innovation Jurnal INFOTEL
Dian Ahkam Sani
Universitas Merdeka Pasuruan
Agriculture, Biological Sciences & Forestry Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Social Sciences

Published : 22 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : cess journal of computer engineering system and science

 1 
Klasifikasi Citra Penyakit Daun Padi Dengan Metode CNN Menggunakan Arsitektur ResNet50V2 Maulana, Muhamad Filla Akbar; Anggadimas, Nanda Martyan; Sani, Dian Ahkam
CESS (Journal of Computer Engineering, System and Science) Vol. 10 No. 2 (2025): Juli 2025
Publisher : Universitas Negeri Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24114/cess.v10i2.66960

Abstract

Tanaman padi sangat penting untuk menjaga ketersediaan pangan di Indonesia. Namun, produksinya sering menurun karena berbagai masalah, salah satunya yaitu penyakit daun yang sulit dikenali sejak awal. Jika penyakit tidak cepat dikenali dan ditangani, hal ini bisa menyebabkan hasil panen menurun drastis dan mengganggu pasokan beras di dalam negeri. Oleh karena itu, penelitian ini bertujuan untuk pengembangan sistem identifikasi penyakit daun padi otomatis. Sistem ini memanfaatkan citra digital dan jaringan saraf tiruan Convolutional Neural Network (CNN) dengan arsitektur ResNet50V2 untuk mengenali delapan jenis penyakit: Bacterial Leaf Blight, Brown Spot, Leaf Blast, Leaf Scald, Narrow Brown Spot, Rice Hispa, Sheath Blight, dan Tungro. Data citra diperoleh dari platform Kaggle, dengan total 15.241 gambar yang telah melalui tahapan preprocessing seperti normalisasi piksel, augmentasi, dan pengubahan ukuran menjadi 224x224 piksel. Model CNN dilatih menggunakan pendekatan transfer learning selama 50 epoch dengan bantuan dua fitur callback untuk menjaga kualitas pelatihan. Evaluasi performa dilakukan melalui confusion matrix dan classification report. Berdasarkan hasil pengujian, model menunjukkan akurasi tertinggi sebesar 94,14% pada data uji, serta nilai precision, recall, dan f1-score yang tinggi di hampir seluruh kelas. Dari hasil ini membuktikan bahwa CNN berbasis ResNet50V2 efektif digunakan untuk mendeteksi penyakit daun padi secara otomatis, dan berpotensi diterapkan sebagai alat bantu bagi petani dalam mempercepat proses identifikasi dan pengambilan keputusan di bidang pertanian.
Klasifikasi Jenis Penyakit Mata Katarak Menggunakan Metode K-Nearest Neighbors (KNN) Rizki Ikhwan Pamuji; Dian Ahkam Sani; Rudi Hariyanto
CESS (Journal of Computer Engineering, System and Science) Vol. 10 No. 2 (2025): Juli 2025
Publisher : Universitas Negeri Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24114/cess.v10i2.67786

Abstract

Katarak merupakan gangguan penglihatan yang terjadi akibat kekeruhan pada lensa mata, umumnya disebabkan oleh proses degeneratif, paparan radikal bebas, atau gangguan lain seperti glaukoma. Diagnosis dini sangat penting untuk mencegah komplikasi, namun metode konvensional memerlukan pemeriksaan manual yang memakan waktu. Penelitian ini bertujuan mengembangkan model klasifikasi katarak menggunakan algoritma K-Nearest Neighbors (KNN), sebuah pendekatan non-parametrik yang menentukan kelas berdasarkan kedekatan fitur terhadap data pelatihan. Dataset yang digunakan terdiri dari 300 data dengan 26 atribut, dan dibagi dengan rasio 80:20. Hasil evaluasi menunjukkan bahwa KNN dengan parameter k=3 mampu menghasilkan akurasi sebesar 98,33% dengan precision 99%, recall 99%, serta f1-score 99% pada macro average dan pada weight average mendapatkan precision 98%, recall 98%, serta f-score 98%. Temuan ini menunjukkan bahwa KNN efektif dalam mendeteksi jenis penyakit mata katarak, meskipun masih terdapat ruang untuk pengembangan lebih lanjut melalui peningkatan jumlah data, teknik preprocessing yang lebih variatif, serta eksplorasi metode klasifikasi lain guna memperoleh hasil yang lebih optimal. 
Co-Authors Achmad Syarifuddin Ainun najib, Mukhamad Ainur Rodliyah Anggadimas, Nanda Martyan Aprilia, Yunita Nur Fahmi, Jamaluddin Faiqul Himam Faiqul Himam Fijriyah, Immilda Lailatul Karim, Syafei KHOIRUL ANWAR Laila Safira M. Zoqi Sarwani Maulana, Muhamad Filla Akbar Misdram, Muhammad Moch Yazid Mochammad Firman Arif Mochammad Firman Arif Mochmmad Zoqi Sarwani Mohamad Khoiron Mohammad Zoqi Sarwani Mohammad Zoqi Sarwani, Mohammad Zoqi Muhammad Mahrus Ali Muhammad Misdram Muhammad Udin Muhammad Udin Nanda Martyan Anggadimas Putri, Della Seviana Ramadaniati, Setta Rizki Ikhwan Pamuji Rudi Hariyanto Safira, Laila Salafudin, Muhammad Shubkhan Setiawan, Muhamad Agus Setta Ramadaniati Sofiah Baiti Auliyah Suharyadi, Heri Udin, Muhammad Zoqi Sarwani, Moh.