Article Per Year (5 Year)
p-Index From 2020 - 2025
0.444
P-Index
This Author published in this journals
All Journal Prosiding Seminar Nasional Sains Dan Teknologi Fakultas Teknik Fountain of Informatics Journal
Moch. Nasheh Annafii
Universitas Darussalam Gontor
Computer Science & IT Engineering

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

Found 2 Documents
Search

 1 
Segmentasi Semantik pada Citra Hama Leafblast Menggunakan Unet dan Optimasi Hyperband Moch. Nasheh Annafii; Oddy Virgantara Putra; Triana Harmini; Niken Trisnaningrum
Prosiding Seminar Sains Nasional dan Teknologi Vol 12, No 1 (2022): VOL 12, NO 1 (2022): PROSIDING SEMINAR NASIONAL SAINS DAN TEKNOLOGI
Publisher : Fakultas Teknik Universitas Wahid Hasyim

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36499/psnst.v12i1.7230

Abstract

Padi menjadi konsumsi primer di Indonesia. Penyakit padi menjadi salah satu faktor yang menyebabkan menurunnya jumlah produksi padi. Meningkatnya konsumsi beras menjadi masalah dengan menurunnya jumlah produksi padi pada tahun 2021. Luasnya lahan dan lambatnya proses identifikasi keparahan menjadikan kurang maksimalnya penanganan penyakit padi, yang berujung tidak maksimalnya hasil panen bahkan terancam gagal panen. Penelitian ini berupaya untuk mensegmen daun padi yang terkena hama leafblast dengan model yang dioptimalkan. Penelitian ini menggunakan metode algoritma Convolutional Neural Network dengan model UNet yang ditingkatkan dengan optimasi model Hyperband optimization. Dengan banyaknya penelitian mengenai UNet, UNet menjadi populer dan berkembang dengan pesat. Perkembangan yang pesat ini ditandai dengan banyaknya penelitian yang menggunakan UNet dan banyaknya modifikasi yang terus dikembangkan. Dataset yang digunakan pada penelitian ini merupakan murni hasil observasi peneliti dan telah divalidasi oleh ahli, dengan total 300 data asli dan data label. Dalam model yang digunakan, digambarkan terdapat bagian encoder dan decoder yang masing masing memiliki beberapa blok konvolusi. Hasil yang diperoleh dari model yang sudah dioptimasi terbukti 3 kali lebih ringan dengan perbandingan jumlah parameter yang cukup signifikan dan hasil valuasi akurasi mencapai 97.72%.
Klasifikasi Tingkat Keparahan Penyakit Leafblast Tanaman Padi Menggunakan MobileNetv2 Imam Fauzi Annur; Jumhurul Umami; Moch. Nasheh Annafii; Niken Trisnaningrum; Oddy Virgantara Putra
Fountain of Informatics Journal Vol. 8 No. 1 (2023): Mei
Publisher : Universitas Darussalam Gontor

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21111/fij.v8i1.9419

Abstract

AbstrakPadi merupakan tanaman pangan pokok di Indonesia, dan produksinya merupakan kunci ketahanan pangan negara. Keberhasilan panen merupakan faktor penting dalam pencegahan impor bahan pangan pokok. Tantangan terbesar dalam memanen tanaman adalah adanya virus, jamur, dan hama yang dapat merusak tanaman. Penelitian ini bertujuan untuk membuat sistem klasifikasi tingkat keparahan penyakit daun pada tanaman padi yang terkena penyakit blas daun dengan bantuan algoritma machine learning. MobileNetV2 adalah arsitektur Convolutional Neural Network (CNN) yang menggunakan Depthwise Separable Convolution untuk membangun model yang ringan dan dirancang untuk mengatasi proses yang memiliki resource yang berlebih. Dataset yang digunakan pada penelitian ini merupakan hasil murni observasi peneliti yang sudah divalidasi oleh ahli dengan total 300 data asli. Model MobileNetV2 ternyata sangat berhasil dalam mengklasifikasikan objek, dengan akurasi 78,33%. dengan hasil penelitian ini, petani dapat terbantu dalam mengenali tingkat keparahan penyakit leafblast pada tanaman padi sehingga pemberian bahan kimia berupa fungisida sesuai dengan dosis anjuran tingkat keparahan. Kata kunci: Klasifikasi, leafblast, padi, citra, model pre-trained, MobileNetV2. Abstract[Classification Of Rice Blast Disease Using MobileNetV2] Rice is a staple food crop in Indonesia, and its production is key to the country's food security. Successful harvesting is an important factor in preventing imports of staple foods. The biggest challenge in harvesting crops is the presence of viruses, fungi, and pests that can damage plants. This research aims to create a classification system for leaf disease severity in rice plants affected by leaf blast disease with the help of machine learning algorithms. MobileNetV2 is a Convolutional Neural Network (CNN) architecture that uses Depthwise Separable Convolution to build lightweight models and is designed to overcome processes that have excessive resources. The dataset used in this study is the result of pure researcher observations that have been validated by experts with a total of 300 original data. The MobileNetV2 model turned out to be very successful in classifying objects, with an accuracy of 78.33%. with the results of this study, farmers can be helped in recognizing the severity of leafblast disease in rice plants so that the provision of chemicals in the form of fungicides in accordance with the recommended dose of severity.Keywords: Classification, leafblast, rice, image, pre-trained model, MobileNetV2
Co-Authors Imam Fauzi Annur Jumhurul Umami Oddy Virgantara Putra Triana Harmini Trisnaningrum, Niken