Article Per Year (5 Year)
p-Index From 2020 - 2025
0.444
P-Index
This Author published in this journals
All Journal IAES International Journal of Artificial Intelligence (IJ-AI) Djtechno: Jurnal Teknologi Informasi
Manurung, Dionikxon
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Engineering

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

Found 2 Documents
Search

 1 
IMPLEMENTASI TRANSFER LEARNING UNTUK KLASIFIKASI PENYAKIT PADA DAUN CABAI MENGGUNAKAN CNN Setyadi, Rahmat Arief; Rahman, Sayuti; Manurung, Dionikxon; Hasanah, Mardiatul; Indrawati, Asmah
Djtechno: Jurnal Teknologi Informasi Vol 5, No 2 (2024): Agustus
Publisher : Universitas Dharmawangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46576/djtechno.v5i2.4642

Abstract

Penelitian ini bertujuan untuk mengklasifikasikan penyakit pada daun cabai merah menggunakan metode Convolutional Neural Network (CNN) dengan pendekatan transfer learning, khususnya arsitektur ResNet101. Indonesia, sebagai negara agraris, memiliki banyak petani yang mengandalkan tanaman cabai merah sebagai salah satu komoditas utama. Namun, penyakit daun cabai sering kali menurunkan kualitas dan kuantitas hasil panen. Dalam upaya meningkatkan deteksi dini penyakit, penelitian ini memanfaatkan teknologi deep learning untuk menganalisis citra daun cabai. Dataset yang digunakan terdiri dari citra penyakit daun cabai merah yang telah diaugmentasi, dengan total 2128 gambar yang dibagi menjadi data training sebanyak 1702 citra dan data validasi sebanyak 426 citra. Penelitian ini membandingkan kinerja berbagai arsitektur CNN, termasuk AlexNet, GoogleNet, VGGNet16, dan ResNet50, serta lapisan-lapisan pada arsitektur ResNet. Hasil penelitian menunjukkan bahwa augmentasi dataset meningkatkan akurasi validasi dari 89.72% menjadi 97.18%. ResNet101 mencapai akurasi validasi tertinggi sebesar 98.12%, menunjukkan efektivitas transfer learning dalam tugas klasifikasi penyakit daun cabai. Penelitian ini menunjukkan bahwa penggunaan metode CNN dengan transfer learning, khususnya arsitektur ResNet101, sangat efektif untuk mendeteksi dan mengklasifikasikan penyakit pada daun cabai merah. Peningkatan kinerja model melalui augmentasi dataset dan pemilihan arsitektur yang tepat dapat membantu meningkatkan kualitas dan kuantitas hasil panen, serta mendukung pertanian cerdas di Indonesia
MobileChiliNet: convolutional neural network for chili leaves classification Rahman, Sayuti; Elveny, Marischa; Ramli, Marwan; Manurung, Dionikxon
IAES International Journal of Artificial Intelligence (IJ-AI) Vol 14, No 5: October 2025
Publisher : Institute of Advanced Engineering and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.11591/ijai.v14.i5.pp3757-3770

Abstract

Chili pepper (Capsicum annuum) is an important crop in many countries, including Indonesia, which plays an important role in local economy and food production. To meet the high demand, effective agricultural management, especially the diagnosis and treatment of plant diseases, is essential. This study aims to improve the accuracy of chili leaf disease classification while reducing the computational cost so that it can be applied to low-cost smart farming systems. Through the development of the MobileChiliNet architecture, which is the result of pruning and fine-tuning of MobileNetV2, this model achieves the best accuracy, better than other CNNs such as ResNet50 and VGG16. Testing with various optimizers and learning rate schedulers shows that AdamW with PolynomialDecay provides the best performance by increasing the validation accuracy to 96.48%. This approach successfully reduces the computational complexity while maintaining high accuracy, so that it can be implemented in smart farming systems at a lower cost.
Co-Authors Asmah Indrawati, Asmah Mardiatul Hasanah Marischa Elveny, Marischa Marwan Ramli Rahman, Sayuti Setyadi, Rahmat Arief