Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal bit-Tech Jurnal Teknologi Informasi dan Komunikasi
Ana Dina Kalifia
Universitas Teknologi Yogyakarta
Computer Science & IT

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
IDENTIFIKASI PENYAKIT TANAMAN CABAI MENGGUNAKAN TEOREMA BAYES Suhirman Suhirman; Ana Dina Kalifia; Sumarsono Sumarsono; Muhammad Saharudin Aslam
Jurnal Teknologi Informasi dan Komunikasi Vol. 12 No. 1 (2022): Jurnal Teknologi Informasi dan Komunikasi
Publisher : Fakultas Ilmu Komputer dan Informatika - Universitas Nurtanio Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (369.099 KB) | DOI: 10.56244/fiki.v12i1.461

Abstract

Hama ataupun serangan penyakit pasti selalu ada dalam setiap pembudidayaan tanaman. Kondisi ini menjadi satu dari beberapa faktor turunnya tingkat produktifitas tanaman. Penurunan produktifitas ini menyebabkan harga komoditas naik. Pakar yang terbatas saat mendampingi petani untuk membantu dalam proses budidaya menyebabkan banyak tanaman cabai yang tak tertolong saat terkena hama atau penyakit tanaman. Pengembangan aplikasi yang dapat mengidentifikasi penyakit cabai untuk permasalahan diatas. Penelitian ini bertujuan untuk membantu petani meningkatkan produktifitas tanaman cabai. Proses pengembangan sistem aplikasi identifikasi penyakit tanaman cabai ini menggunakan penelusuran dengan mencari gejala dan ciri khas yang dialami tanaman cabai. Pengguna mendiagnosa penyakit kemudian untuk menghitung ketidakpastian, karena gejala yang diberikan pengguna tidak lengkap, maka digunakan metode teorema bayes. Hasil penelitian ini berupa sebuah sistem yang dapat digunakan untuk menentukan jenis penyakit berdasarkan gejala-gejala yang ada. Proses yang terjadi dalam aplikasi system ini yaitu memberikan keluaran nama penyakit/hama tanaman cabai serta cara yang dapat menghilangkan penyakit tersebut. Sehingga dapat membantu petani meningkatkan hasil produksinya. Kata kunci: Identifikasi Penyakit, Pakar, Cabai, Teorema Bayes
Early Detection of Skin Cancer Using Transfer Learning on Convolutional Neural Networks Zahra Arba Mihora; Ana Dina Kalifia
bit-Tech Vol. 8 No. 2 (2025): bit-Tech
Publisher : Komunitas Dosen Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32877/bt.v8i2.3255

Abstract

Skin cancer remains one of the most common and serious global health problems, with cases continuing to increase annually. Early and accurate detection is essential for improving patient survival; however, conventional diagnostic methods often depend on manual visual assessment, which can be subjective and inconsistent. Hence, the development of an automated and reliable detection system is vital to support healthcare professionals in early diagnosis. This study proposes an intelligent diagnostic model for early skin cancer detection using dermatoscopic images, integrating transfer learning with Convolutional Neural Network (CNN) techniques. The model employs the HAM10000 dataset from the International Skin Imaging Collaboration (ISIC), which contains high-resolution dermatoscopic images classified into three malignant skin cancer types: Basal Cell Carcinoma (BCC), Squamous Cell Carcinoma (SCC), and Malignant Melanoma (MM). The CNN framework was built using pre-trained models optimized to enhance classification accuracy. Experimental results showed that the model achieved an accuracy of 96.67% and an F1-score of 0.97, demonstrating strong capability in identifying multiple malignant lesions. These findings indicate that the model can assist dermatologists and clinicians in improving diagnostic precision and reducing examination time in clinical practice. In conclusion, integrating transfer learning within a CNN architecture significantly improves classification efficiency even with limited data, and with further validation, the model shows strong potential for real-world implementation as an accurate, efficient, and accessible computer-aided diagnostic tool for early skin cancer detection.
Co-Authors Damayanti, Elok Muhammad Saharudin Aslam Sumarsono Sumarsono Zahra Arba Mihora