Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal JTECS : Jurnal Sistem Telekomunikasi Elektronika Sistem Kontrol Power Sistem dan Komputer
Zuhan, Miftahuz
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Energy Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Detection of Porang Plant Diseases and Pests (Amorphophallus Muelleri) Based on Leaf Imagery Utilizing DCNN Transfer Learning Zuhan, Miftahuz; Kristian, Yosi
Jurnal Sistem Telekomunikasi Elektronika Sistem Kontrol Power Sistem dan Komputer Vol 3 No 2: JTECS Juli 2023
Publisher : FAKULTAS TEKNIK UNIVERSITAS ISLAM KADIRI

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32503/jtecs.v3i2.3709

Abstract

Produk olahan dari umbi tanaman porang (Amorphophallus muelleri) selalu diminati di kawasan Asia: Jepang, China, Korea, serta negara kawasan Australia. Umbi tanaman porang dapat digunakan sebagai bahan baku industri kosmetik dan juga memiliki potensi untuk mencegah berbagai penyakit manusia, karena memiliki kandungan glaukoma yang tinggi. Untuk mendapatkan umbi porang yang berkualitas baik, banyak petani menghadapi berbagai penyakit seperti penyakit busuk daun, virus mozaik (mosaik konjac) dan serangan hama pada daun tanaman porang. Dalam studi ini, diajukan sebuah arsitektur deep learning untuk klasifikasi penyakit daun pada tanaman porang. Kinerja dari model CNN Custome dibandingkan dengan model deep learning lainnya. Semua model dilatih pada kumpulan data asli dan data augmentasi dari 1000 gambar. Pendekatan Transfer Learning digunakan untuk melatih semua model deep learning. Hasil pengujian dataset menunjukkan bahwa model arsitektur EfficientNetV2M mencapai skor tertinggi dibandingkan dengan model deep learning lainnya pada dataset augmentasi dengan akurasi sebesar 98,44%. Sedang ResNet50 pada dataset asli dengan nilai 97,66% pada dataset asli, sedangkan CNN Custome dengan akurasi sebesar 89,06% dan 85,94% untuk semua dataset.
Co-Authors Yosi Kristian