Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Jurnal Ilmu Komputer dan Agri-Informatika Jurnal Sistem Komputer dan Informatika (JSON)
Rofianto, Dani
Unknown Affiliation
Agriculture, Biological Sciences & Forestry Computer Science & IT Control & Systems Engineering

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

Found 2 Documents
Search

 1 
Metode Ekstraksi Fitur dan Klasifikasi Visual Untuk Identifikasi Kualitas Pangan Lokal Berbasis Citra Digital Rofianto, Dani; Amaliah, Khusnatul; Khoerunissa, Tiara Kurnia; Fitri, Melisa
Jurnal Ilmu Komputer dan Agri-Informatika Vol. 12 No. 2 (2025)
Publisher : Sekolah Sains Data, Matematika, dan Informatika. Institut Pertanian Bogor

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29244/jika.12.2.178-188

Abstract

Mutu pangan lokal memiliki peran penting dalam menjaga ketahanan pangan dan meningkatkan daya saing produk di pasar. Namun, penentuan mutu masih mengandalkan inspeksi visual manual yang bersifat subjektif dan tidak konsisten, sehingga berpotensi menimbulkan kerugian pascapanen serta menurunkan kepercayaan konsumen. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi mutu pangan berbasis citra digital dengan memanfaatkan arsitektur deep learning EfficientNetV2B0 melalui pendekatan transfer learning. Dataset yang digunakan mencakup delapan kelas dari empat komoditas utama, yaitu apel, pisang, tomat, dan pare dalam kondisi segar dan tidak segar. Seluruh citra diproses melalui tahap prapengolahan berupa pengubahan ukuran dan normalisasi, serta dilakukan augmentasi data untuk meningkatkan variasi dan mencegah overfitting. Model dilatih dengan konfigurasi ringan dan dievaluasi menggunakan akurasi, presisi, recall, F1-score, serta confusion matrix. Hasil penelitian menunjukkan bahwa model mampu mencapai akurasi keseluruhan sebesar 99.8 persen dengan nilai presisi, recall, dan F1-score mendekati sempurna pada hampir semua kelas. Temuan ini membuktikan bahwa penerapan transfer learning dan augmentasi data efektif dalam membedakan pangan segar dan tidak segar berdasarkan citra digital. Secara praktis, sistem ini berpotensi mendukung petani dan pelaku usaha kecil menengah dalam melakukan inspeksi mutu yang lebih objektif, efisien, dan konsisten.
Deteksi Dini Penyakit Tanaman Jagung Berbasis Transfer Learning dengan Arsitektur DenseNet121 Rofianto, Dani; Maulini, Rima; Sahlinal, Dwirgo; Meilantika, Dian; Pujiana, Tri
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 2 (2025): Desember 2025
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v7i2.9094

Abstract

Jagung (Zea mays L.) merupakan komoditas pangan strategis di Indonesia yang berperan penting dalam ketahanan pangan, industri pakan ternak, hingga energi terbarukan. Produktivitas jagung kerap menurun akibat penyakit daun seperti Blight, Common Rust, dan Gray Leaf Spot, yang dapat mengurangi hasil panen hingga 30–50% jika tidak dideteksi sejak dini. Metode deteksi konvensional melalui pengamatan visual masih memiliki keterbatasan, antara lain subjektivitas penilaian, kurangnya tenaga ahli, serta keterlambatan dalam pengambilan keputusan. Oleh karena itu, diperlukan pendekatan berbasis kecerdasan buatan yang mampu melakukan deteksi secara cepat, akurat, dan efisien di lapangan. Penelitian ini mengusulkan penggunaan transfer learning dengan arsitektur DenseNet121 untuk klasifikasi penyakit daun jagung. Dataset yang digunakan terdiri dari 2.818 citra yang terbagi ke dalam empat kelas utama (Blight, Common Rust, Gray Leaf Spot, Healthy), diperoleh dari kombinasi dokumentasi lapangan dan dataset terbuka daring. Data kemudian dibagi menggunakan stratified split menjadi 68% latih, 17% validasi, dan 15% uji. Hasil pengujian menunjukkan bahwa model mencapai akurasi 93,48% dengan F1-score rata-rata 0,93. Kelas Healthy dan Common Rust teridentifikasi hampir sempurna, sementara kesalahan klasifikasi masih ditemukan pada Gray Leaf Spot yang sering terprediksi sebagai Blight. Kurva akurasi dan loss memperlihatkan dinamika pelatihan yang stabil tanpa indikasi overfitting, berkat penerapan augmentasi data, dropout, dan early stopping. Temuan ini menegaskan bahwa DenseNet121 berpotensi besar untuk diterapkan dalam sistem deteksi dini penyakit jagung berbasis AI, sekaligus mendukung pengembangan pertanian presisi dan peningkatan produktivitas nasional.
Co-Authors Amaliah, Khusnatul Dwirgo Sahlinal, Dwirgo Fitri, Melisa Khoerunissa, Tiara Kurnia Maulini, Rima meilantika, Dian Pujiana, Tri