Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi)
Kresnawan, Michael Ilham
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering Mathematics Mechanical Engineering Transportation

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

Found 1 Documents
Search

 1 
Identifikasi Penyakit Tanaman Bawang Merah Menggunakan Faster R-CNN dan Arsitektur ResNet50 Kresnawan, Michael Ilham; Pamungkas, Danar Putra; Mahdiyah , Umi
Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi) Vol. 8 No. 1 (2024): PROSIDING SEMINAR NASIONAL INOVASI TEKNOLOGI TAHUN 2024
Publisher : Universitas Nusantara PGRI Kediri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29407/inotek.v8i1.4947

Abstract

Bawang merah (Allium ascalonicum) merupakan salah satu komoditas yang memiliki peran cukup penting untuk masyarakat Indonesia sebagai bahan bumbu pelezat suatu masakan, kandungan gizinya dapat digunakansebagai pengobatan herbal, dan memiliki peran dalam hal pertumbuhan ekonomi bangsa. Namun, dalam proses pembudidayaan bawang merah memiliki kendala bagi petani yang mengalami kegagalan panen karena kesulitan dalam menangani penyakit yang menyerang bawang merah. Penelitian ini bertujuan untuk menerapkan metode Faster R-CNN dan arsitektur ResNet50 dalam mengidentifikasi penyakit pada tanaman bawang merah. Alur proses penelitian ini terdiri dari pengumpulan dataset, preprocessing data, implementasi program, dan evaluasi. Proses preprocessing data dilakukan dalam pelatihan, termasuk anotasi dan pelabelan data. Model dilatih dengan beberapa skenario, dimana skenario 1 menggunakan ukuran gambar 600x600 dan skenario 2 menggunakan ukuran gambar 400x400. Hasil dari pengujian menunjukan bahwa skenario terbaik adalah dengan ukuran gambar 600x600 yang mencapai akurasi sebesar 65%.
Co-Authors Danar Putra Pamungkas, Danar Putra Mahdiyah, Umi