Claim Missing Document
Check
Articles

DETEKSI OTOMATIS PENYAKIT LAYU FUSARIUM PADA DAUN TOMAT MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK BERBASIS EKSTRAKSI CITRA RGB Dwita Dhara Nanda; Adityo Permana Wibowo
Jurnal Informatika Teknologi dan Sains (Jinteks) Vol 7 No 4 (2025): EDISI 26
Publisher : Program Studi Informatika Universitas Teknologi Sumbawa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51401/jinteks.v7i4.6918

Abstract

Tanaman tomat memainkan peranan krusial pada sektor pertanian, tetapi seringkali produksi tanaman tomat terancam oleh penyakit salah satunya adalah penyakit layu yang disebabkan oleh Fusarium. Deteksi yang cepat dan akurat sangat penting untuk mengurangi kerugian pada saat panen. Penelitian ini bertujuan untuk mengevaluasi kinerja model Convolutional Neural Network (CNN) dalam mendeteksi penyakit layu Fusarium pada daun tomat berbasis ekstraksi citra RGB. Dataset yang digunakan dalam penelitian ini terdiri dari gambar daun tomat yang sehat serta yang terinfeksi, yang dibagi dengan rasio 80% untuk pelatihan dan 20% untuk pengujian. Model CNN dilatih selama 20 epoch dengan memakai optimasi Adam pada learning rate sebesar 0.0001. Hasil pengujian menunjukkan performa model yang sangat memuaskan, dengan akurasi pada validasi mencapai 98,47% dan nilai loss serendah 0,0457. Temuan ini menunjukkan bahwa model CNN yang telah diuji sangat efektif dan dapat diandalkan dalam mendeteksi penyakit layu Fusarium pada daun tanaman tomat, sehingga dapat menjadi dasar yang berharga bagi petani dalam pengelolaan tanaman tomat dan pengambilan keputusan.
Comparative Study of Machine Learning Methods for Disease Classification Based on Natural Language Symptom Descriptions Ery Setiyawan Jullev Atmadji; Adityo Permana Wibowo; Edi Faizal
International Journal of Artificial Intelligence in Medical Issues Vol. 3 No. 2 (2025): International Journal of Artificial Intelligence in Medical Issues
Publisher : Yocto Brain

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56705/ijaimi.v3i2.361

Abstract

The growing demand for remote healthcare solutions has increased the importance of efficient disease diagnosis based on textual symptom descriptions. This study explores the application of machine learning models Multinomial Naive Bayes, Random Forest, and Support Vector Machine (SVM) to classify 24 different diseases from natural language symptom inputs. Utilizing a dataset of 1,200 balanced samples and TF-IDF for feature extraction, we trained and evaluated the models using both accuracy and cross-validation metrics. Among the models, SVM achieved the highest test accuracy of 97.5% and demonstrated consistent performance across all disease categories. These findings underscore the potential of classical machine learning approaches in enhancing digital diagnostic tools, particularly for early screening in telemedicine applications. Future work could extend this study by integrating deep learning architectures and multilingual capabilities to accommodate broader and more diverse healthcare scenarios.