Article Per Year (5 Year)
p-Index From 2021 - 2026
0.778
P-Index
This Author published in this journals
All Journal RJOCS (Riau Journal of Computer Science) Jurnal Pengabdian Masyarakat dan Riset Pendidikan Riau Jurnal Teknik Informatika
Satria Riki Mustafa
Unknown Affiliation
Humanities Computer Science & IT Education Languange, Linguistic, Communication & Media Mathematics Other

Published : 4 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : RJOCS (Riau Journal of Computer Science)

 1 
Klasifikasi Akurasi Kematangan Buah Apel Anna Berdasarkan Analisis Warna Model Nasnet Pada Convolutional Neural Network (CNN) Lestari, Ayu; Amelia, Reski; Husni, Nisatul; Andriani, Amelia; Satria Riki Mustafa; Akhmad Zulkifli
RJOCS (Riau Journal of Computer Science) Vol. 10 No. 2 (2024): RJOCS (Riau Journal of Computer Science)
Publisher : Fakultas Ilmu Komputer, Universitas Pasir Pengaraian

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30606/rjocs.v10i2.2856

Abstract

Apel (Malus Domestica) merupakan salah satu jenis buah yang unggul dan sangat diminati masyarakat karena rasanya yang bervariasi. Buah apel memiliki banyak nutrisi dan berbagai macam vitamin diantaranya lemak baik, karbohidrat, protein, vitamin dan masih banyak lagi. Apel anna merupakan salah satu varietas apel yang dikembangkan diKota Batu, Malang dan berkembang di beberapa wilayah yang memiliki agroklimat yang sesuai untuk pertumbuhan apel. Penelitian ini menggunakan citra gambar buah apel anna sebagai dataset. Berbagai cara dapat dilakukan untuk membedakan kematangan apel anna, salah satunya melalui analisis citra warna. Namun, secara kasat mata, kematangan apel anna sering kali sulit dibedakan. Tujuan penelitian ini adalah melakukan klasifikasi kematangan apel anna berdasarkan analisis warna menggunakan metode Convolutional Neural Network (CNN). Dengan menggunakan google colab dan bahasa pemograman phyton dan dataset dari kaggle.com sebanyak 139 dataset, data training 46%, data validasi 54%. Metode Convolutional Neural Network (CNN dipilih karena kemampuannya dalam mengenali pola visual dengan akurasi tinggi. Hasil pengujian menunjukkan bahwa model Convolutional Neural Network (CNN mampu mengklasifikasikan kematangan apel anna dengan akurasi rata-rata mencapai 95%. Penelitian ini membuktikan bahwa metode Convolutional Neural Network (CNN efektif untuk mengidetintifikasi fitur visual yang relevan untuk menentukan tingkat kematangan buah apel anna)
Penerapan Convolutional Neural Network (CNN) Pada Klasifikasi Ras Kucing Padigree Dengan Model Keras Sequential Hidayatullah, Riski; Meisaroh; Ezra Ariendy Widodo; Fatimah; Satria Riki Mustafa
RJOCS (Riau Journal of Computer Science) Vol. 10 No. 2 (2024): RJOCS (Riau Journal of Computer Science)
Publisher : Fakultas Ilmu Komputer, Universitas Pasir Pengaraian

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30606/rjocs.v10i2.2859

Abstract

Kucing pedigree, juga dikenal sebagai kucing ras murni, adalah kucing yang memiliki silsilah leluhur yang tercatat dan terdokumentasi dengan jelas. Penelitian ini membahas penerapan Convolutional Neural Network (CNN) pada klasifikasi ras kucing padigree dengan jenis ras utama (Abyssinian, American bobtail, American Shorhair,persia,Ragdoll). pada penelitian ini berfokus pada ras kucing padigree yang memiliki ciri khusus baik itu tinggi,ketebalan bulu,model kaki. Dengan menggunakan google colab dan bahasa pemograman phyton dan dataset dari( www.kaggle.com ) dengan menggunakan library TensorFlow dan Keras untuk mengoptimalkan model dan meningkatkan akurasi klasifikasi sebanyak 375-1875 dataset, data training 60% data latih, 20% data validasi, dan 20% data uji. Metode Convolutional Neural Network (CNN) dipilih karena kemampuannya dalam mengenali pola visual dengan akurasi tinggi. Hasil pengujian menunjukkan bahwa model Convolutional Neural Network (CNN mampu mengklasifikasikan jenis kucing padigree dengan akurasi rata-rata mencapai 93,75%. Waktu rata-rata yang dibutuhkan untuk klasifikasi adalah 90 detik, dengan waktu terlama 97 detik. Penelitian ini dapat digunakan sebagai referensi untuk pengembangan aplikasi yang dapat membantu pemilik kucing mengetahui ras kucing padigree dengan lebih mudah dan meningkatkan efisiensi dalam proses klasifikasi ras kucing padigree
Co-Authors Akhmad Zulkifli Amelia, Reski Andriani, Amelia Asep Supriyanto AYU LESTARI Dina Agnesia Sihombing Erni Rouza Ezra Ariendy Widodo Fatimah Hidayatullah, Riski Husni, Nisatul Meisaroh Muslim Nurliani Rivi Antoni Rivi Antoni, Rivi