Article Per Year (5 Year)
p-Index From 2021 - 2026
2.293
P-Index
This Author published in this journals
All Journal CESS (Journal of Computer Engineering, System and Science) Jurnal Teknologi Elektro Sistemasi: Jurnal Sistem Informasi Jurnal Teknik Komputer AMIK BSI JITK (Jurnal Ilmu Pengetahuan dan Komputer) J I M P - Jurnal Informatika Merdeka Pasuruan Komputasi: Jurnal Ilmiah Ilmu Komputer dan Matematika Jurnal Mantik INTI Nusa Mandiri Jurnal Sistem Informasi Journal of Information System and Technology (JOINT) Jurnal Mandiri IT Teknologika Innovative: Journal Of Social Science Research Jurnal Teknoinfo
Indra Chaidir, Indra
Universitas Bina Sarana Informatika
Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Mathematics Mechanical Engineering Public Health Other

Published : 21 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 21 Documents
Search

 1   2   3 
KOMPARASI ALGORITMA K-NEAREST NEIGHBOR, SUPPORT VECTOR MACHINE, DAN NEURAL NETWORK UNTUK KLASIFIKASI PENYAKIT DAUN JERUK Deny Kurniawan; Dedi Triyanto; Mochamad Wahyudi; Lise Pujiastuti; Sumanto Sumanto; indra Chaidir
Jurnal Teknoinfo Vol. 19 No. 2 (2025): July 2025 Period
Publisher : Universitas Teknokrat Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33365/teknoinfo.v19i2.751

Abstract

Jeruk merupakan salah satu buah tropis yang banyak dikonsumsi masyarakat karena kandungan nutrisinya yang tinggi, khususnya vitamin C. Namun, produksi jeruk kerap mengalami penurunan akibat serangan penyakit, terutama pada bagian daun. Identifikasi penyakit secara manual dinilai kurang efisien dan rawan kesalahan, sehingga diperlukan sistem otomatis berbasis machine learning untuk membantu proses deteksi secara cepat dan akurat. Penelitian ini bertujuan untuk membandingkan tiga algoritma klasifikasi K-Nearest Neighbor (KNN), Support Vector Machine (SVM), dan Neural Network (NN) dalam mengidentifikasi penyakit daun jeruk berdasarkan fitur tekstur. Dataset yang digunakan terdiri dari lima kategori: Black Spot, Canker, Greening, Melanose, dan Healthy, dengan total 609 citra daun yang dibagi secara proporsional untuk pelatihan dan pengujian. Hasil evaluasi menunjukkan bahwa model Neural Network memberikan performa terbaik dengan akurasi 87,5%, diikuti oleh SVM sebesar 82,4%, dan KNN sebesar 77,5%. Penelitian ini menunjukkan bahwa pendekatan machine learning, khususnya Neural Network, efektif dalam klasifikasi penyakit daun jeruk dan berpotensi untuk diimplementasikan lebih lanjut dalam bentuk aplikasi praktis bagi petani.
Co-Authors Ade Christian Adi Supriyatna Ali Haidir Andry Maulana Cahya, Titus Dwi Dedi Triyanto Deny Kurniawan Dimas Wahyu Aditya Fauzi Ahmad Muda Felix Wuryo Handono Fernando B Siahaan Ginabila, Ginabila Hafis Nurdin Handi Hidayatullah Hariyanto Hary Sugiarto Ibnu Akil Karlena Indriani Lise Pujiastuti Mochamad Wahyudi Mohammad Badrul Mohammad Badrul, Mohammad Muhammad Iqbal Ningrum, Rina Kusuma Prasetyo, Romadhan Edy Riyandi Al Rino Sumanto, Sumanto Sumarna Sumarna Sumarna Toni Wirawan Tri Budi Haryanto Wirawan, Toni Yosan Erwanto