Garuda - Garba Rujukan Digital

Enhanced Plant Disease Detection Using Computer Vision YOLOv11: Pre-Trained Neural Network Model Application Al Husaini, Muhammad; Rachmat Raharja , Agung; Cahaya Putra , Vito Hafizh; Lukmana, Hen Hen
Journal of Computer Networks, Architecture and High Performance Computing Vol. 7 No. 1 (2025): Article Research January 2025
Publisher : Information Technology and Science (ITScience)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/cnahpc.v7i1.5146

This study investigates the application of YOLOv11, a cutting-edge deep learning model, to enhance the detection of plant diseases. Leveraging a comprehensive dataset of 737 images depicting tomato leaves affected by various diseases, YOLOv11 was trained and evaluated on key performance metrics such as precision, recall, and mAP. Experimental results the model was trained and evaluated on key metrics including accuracy (75.6%), precision (0.80), recall (0.77), and mAP@0.5 (75.6%). Experimental through base architectural such as enhanced feature extraction with C2 modules, improved multi-scale detection using SPPF layers, and optimized non-maximum suppression techniques. These improvements enable the model to achieve stable precision and recall for each class, even in challenging scenarios with overlapping objects and diverse environmental conditions. By addressing practical usability challenges, this system offers a scalable, accessible, and impactful solution for precision agriculture, paving the way for sustainable with this pretrained model. This study underscores the potential of deep learning-based models, particularly YOLOv11, in transforming the way monitoring and disease management are approached, demonstrating its ability to stable accuracy and operational efficiency in real-world applications. Furthermore, the practical usability of the YOLOv11-based system addresses challenges in the domain of precision plant detection desease. By providing a scalable, accessible, and highly efficient solution, the model offering a significant advancement toward sustainable agricultural practices.

Penggunaan Computer Vision untuk Menghitung Jumlah Kendaraan dengan Menggunakan Metode SSD (Single Shoot Detector) Sutisna, Tori; Raharja, Agung Rachmat; Solihin, Solihin; Hariyadi, Eko; Cahaya Putra, Vito Hafizh
Innovative: Journal Of Social Science Research Vol. 4 No. 2 (2024): Innovative: Journal Of Social Science Research
Publisher : Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/innovative.v4i2.10071

Pengguna kendaraan di Indonesia semakin meningkat setiap tahunnya, hal ini menjadikan setiap ruas jalan raya macet karena tidak adanya sistem cerdas yang menghitung jumah kendaraan, baik yang masuk ataupun keluar jalan. Dengan adanya sistem cerdas ini memudahkan untuk menghitung kendaraan yang lewat dan dengan adanya sistem ini memudahkan para petugas di jalan raya untuk memantau kendaraan dan dapat di hitung sampai dengan ambang batas kendaraan sesuai dengan yang sudah melewati salah satu jalan. Hal ini memudahkan petugas di jalan raya untuk mengatur lalu lintas atau bisa mengurai kendaraan, sehingga pada satu titik jalan tersebut tidak akan macet dan bisa memakan waktu hingga lama.

SISTEM PERINGATAN DINI BANJIR BANDANG DI WILAYAH PENAMBANGAN PASIR VULKANIK MENGGUNAKAN INTERNET OF THINGS Putra, Vito Hafizh Cahaya; Kanugrahan, Ghanim; Wahyu, Ari Purno
Jurnal RESPONSIF: Riset Sains & Informatika Vol 6 No 1 (2024): Jurnal Responsif : Riset Sains dan Informatika
Publisher : LPPM Universitas Adhirajasa Reswara Sanjaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51977/jti.v6i1.1498

Banjir bandang menjadi ancaman serius yang mengintai bagi siapapun yang beraktivitas disungai, seperti aktivitas penambang pasir vulkanik yang kerap kali mendatangkan korban yaitu secara mendadak banjir bandang datang secara tiba-tiba dari dataran tinggi. Banyak penelitian untuk membuat sistem peringatan dini berbasis Internet of Things (IoT) yang telah dilakukan umumnya menggunakan Water Flow Sensor yang kurang tepat untuk banjir bandang, tidak menggunakan platform Thingspeak dan membutuhkan pembangkit tenaga listrik konvensional. Penelitian ini bertujuan untuk membuat prototipe sistem peringatan dini banjir bandang bagi penambang pasir vulkanik berbasis Internet of Things menggunakan alarm dan media sosial twitter, serta memanfaatkan sensor Ultrasonic, sensor IR (Infrared) Line Tracking, dan modul jaringan ESP8266 menggunakan protokol HTTP (Hypertext Transfer Protocol) untuk terhubung ke platform Thingspeak. Terdapat Solar Cell yang digunakan untuk mengisi daya berbagai perangkat menggunakan cahaya matahari. Setelah dilakukan pengujian pada sistem ini menggunakan Black Box Testing dengan hasil semua perangkat dapat bekerja dengan baik. Peringatan dini melalui alarm terbukti dapat memberikan peringatan secara cepat, dan informasi bencana dapat diakses melalui twitter, serta hasil pendeteksian sensor ditampilkan melalui grafik.

PREDIKSI HARGA SAHAM BBCA MENGGUNAKAN METODE LONG SHORT-TERM MEMORY DAN GATED RECURRENT UNIT Hariyanti, Ifani; Putra, Vito Hafizh Cahaya; Raharja, Agung Rachmat
Jurnal RESPONSIF: Riset Sains & Informatika Vol 7 No 1 (2025): Jurnal Responsif : Riset Sains dan Informatika
Publisher : LPPM Universitas Adhirajasa Reswara Sanjaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51977/jti.v7i1.1901

Penelitian ini bertujuan untuk memprediksi harga saham PT Bank Central Asia Tbk (BBCA) menggunakan model Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU). Data harga saham diambil dari Yahoo Finance (2010–2023) sebanyak 3.464 data, mencakup atribut Tanggal, Open, High, Low, Close, Adj Close, dan Volume. Data diproses menggunakan MinMax Scaler sebelum pelatihan model. Model dievaluasi menggunakan MAE, RMSE, dan MAPE untuk mengukur performa prediksi. Hasil penelitian menunjukkan bahwa GRU lebih unggul dibandingkan LSTM dalam memprediksi harga saham BBCA, dengan akurasi prediksi yang lebih mendekati nilai aktual. Dari hasil eksperimen pelatihan model menggunakan dataset harga saham BBCA harian dengan berbagai kombinasi hyperparameter yang ditetapkan, ditemukan bahwa model dengan metrik evaluasi terendah adalah model LSTM dengan batch size 64 dan epoch 20. Model ini memberikan nilai MAE sebesar 158.508342, RMSE sebesar 208.687816, dan MAPE sebesar 2.248164%. Temuan ini diharapkan berkontribusi pada pengembangan analisis keuangan di Indonesia.

DETEKSI DINI KESEHATAN MENTAL MAHASISWA DENGAN MACHINE LEARNING: PERBANDINGAN ALGORITMA DECISION TREE DAN RANDOM FOREST Jayadi, Jayadi; Cahaya Putra, Vito Hafizh; Raharja, Agung Rachmat; Al-husaini, Muhammad
Technologia : Jurnal Ilmiah Vol 17, No 1 (2026): Technologia (Januari)
Publisher : Universitas Islam Kalimantan Muhammad Arsyad Al Banjari

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31602/tji.v17i1.21251

Kesehatan mental di kalangan mahasiswa merupakan isu yang semakin penting untuk diperhatikan, mengingat tingginya tekanan akademik dan sosial yang dapat memicu stres, kecemasan, hingga depresi. Penelitian ini bertujuan untuk menerapkan dan membandingkan dua algoritma machine learning, yaitu Decision Tree dan Random Forest, dalam mendeteksi potensi depresi pada mahasiswa berdasarkan data yang tersedia. Dataset yang digunakan diperoleh dari Kaggle dan mencakup berbagai variabel psikososial seperti tekanan akademik, stres finansial, dan riwayat pemikiran bunuh diri. Tahapan penelitian meliputi praproses data, pelatihan model, evaluasi performa menggunakan 5-fold cross validation, serta analisis feature importance. Hasil evaluasi menunjukkan bahwa model Decision Tree memiliki rata-rata F1 Score sebesar 0.8217, sementara Random Forest menunjukkan nilai 0.8098. Meskipun Decision Tree unggul secara metrik evaluasi dan efisiensi komputasi, Random Forest lebih stabil dan tahan terhadap overfitting. Kesimpulan dari penelitian ini merekomendasikan penggunaan algoritma Random Forest untuk sistem deteksi dini depresi mahasiswa, dengan tetap mempertimbangkan kelebihan Decision Tree dalam hal interpretasi hasil.Keywords: Kesehatan Mental, Mahasiswa, Machine Learning, Decision Tree, Random Forest, Deteksi Depresi.

PERBANDINGAN DECISION TREE DAN LOGISTIC REGRESSION UNTUK DETEKSI PENYAKIT DAUN MULTISPESIES MENGGUNAKAN PENDEKATAN FITUR HIBRIDA BERBASIS CITRA Solihin, Solihin; Raharja, Agung Rachmat; Cahaya Putra, Vito Hafizh; Al-Husaini, Muhammad
Technologia : Jurnal Ilmiah Vol 17, No 1 (2026): Technologia (Januari)
Publisher : Universitas Islam Kalimantan Muhammad Arsyad Al Banjari

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31602/tji.v17i1.21252

Klasifikasi penyakit daun tanaman secara dini dan akurat berperan penting dalam meningkatkan hasil panen, mencegah kerugian pertanian, serta mendorong penerapan praktik pertanian berkelanjutan. Penelitian ini bertujuan untuk membandingkan kinerja dua algoritma machine learning yang banyak digunakan, yaitu Decision Tree dan Logistic Regression, dalam mengidentifikasi penyakit daun tanaman berdasarkan fitur gabungan yang mencakup karakteristik warna dan tekstur. Data penelitian bersumber dari PlantVillage dataset yang berisi citra daun sehat dan daun terinfeksi dari berbagai jenis tanaman. Setiap citra melalui proses pra-pemrosesan meliputi penyeragaman ukuran, konversi ke skala keabuan, dan normalisasi nilai piksel untuk meningkatkan kestabilan pembelajaran model. Fitur kemudian diekstraksi melalui penggabungan histogram warna dari kanal RGB dan HSV dengan fitur tekstur yang dihasilkan menggunakan metode Local Binary Pattern (LBP) dan Gray-Level Co-occurrence Matrix (GLCM). Kedua model dievaluasi dengan pembagian data 70% untuk pelatihan dan 30% untuk pengujian. Hasil penelitian menunjukkan bahwa Logistic Regression menghasilkan akurasi tertinggi sebesar 79,89%, sedangkan Decision Tree mencapai 76,81%. Logistic Regression juga menunjukkan presisi dan recall yang lebih konsisten. Temuan ini menegaskan bahwa integrasi fitur warna dan tekstur meningkatkan performa klasifikasi dan mendukung pengembangan sistem pertanian cerdas berbasis deteksi penyakit otomatis.Keywords: Penyakit daun tanaman, Klasifikasi citra, Fitur hibrida, Local Binary Pattern, Gray-Level Co-occurrence Matrix, Logistic Regression

Algoritma Random Forest Sebagai Uplift Modeling pada Prediksi Retensi Pelanggan Layanan Telekomunikasi Rizki Tri Prasetio; Yudi Ramdhani; Vito Hafizh Cahaya Putra; Pratiwi Pratiwi
Jurnal Infortech Vol. 7 No. 2 (2025): Desember 2025
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/infortech.v7i2.11577

Persaingan penyedia layanan telekomunikasi mengakibatkan potensi pelanggan berpindah layanan ke penyedia lain atau disebut dengan customer churn. Hal ini dapat mengancam keberlangsungan hidup provider tersebut. Oleh karena itu perlu dilakukan upaya prediksi pelanggan yang mungkin akan melakukan churn agar perusahaan dapat mempersiapkan strategi untuk membuat pelanggan dapat kembali berlangganan pada provider tersebut atau disebut dengan customer retention. Oleh karena itu pada penelitian ini akan digunakan algoritma random forest sebagai uplift modeling untuk prediksi retensi pelanggan layanan telekomunikasi. Uplift modeling akan berfokus pada mereformulasi target variabel dari pelanggan yang akan melakukan churn menjadi pelanggan yang mungkin akan melakukan retensi. Sementara algoritma random forest dipilih karena mampu membagi kriteria pemecahan kedalam ruang/segmen yang sesuai dirancang untuk uplift modeling. Metode penelitian yang digunakan pada penelitian ini adalah CRISP-DM yang merupakan kerangka penelitian data mining untuk penelitian lintas industri. Hasil penelitian ini menunjukan bahwa algoritma yang diusulkan menghasilkan akurasi sebesar 91,87%.

Statistical comparison of MLP and LSTM for mobile health sentiment analysis Ghanim Kanugrahan; Win Ce; Vito Hafizh Cahaya Putra; Yudi Ramdhani; Febriyanti Panjaitan
Indonesian Journal of Electrical Engineering and Computer Science Vol 42, No 3: June 2026
Publisher : Institute of Advanced Engineering and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.11591/ijeecs.v42.i3.pp818-826

This study investigates user sentiment towards the Mobile JKN public health application by applying text classification models based on deep learning. Two approaches were compared: a multi-layer perceptron (MLP) with TF IDF features and long short-term memory (LSTM) with Word2Vec embeddings. The dataset consists of 114,364 Indonesian-language user reviews collected from the Google Play Store. To address class imbalance, we applied random oversampling. Each model was evaluated using 5-fold stratified shuffle split cross-validation. The results showed that MLP models achieved higher accuracy (up to 83.90%), while LSTM models demonstrated better recall and precision on minority classes such as neutral sentiment. However, statistical validation using the Wilcoxon signed-rank test revealed that the performance differences between models were not statistically significant (p > 0.05). These findings suggest that both models are viable for sentiment analysis, with trade-offs depending on the evaluation metric of interest. Future work may explore hybrid architecture and larger datasets for improved performance and statistical confidence.

DETEKSI DINI KESEHATAN MENTAL MAHASISWA DENGAN MACHINE LEARNING: PERBANDINGAN ALGORITMA DECISION TREE DAN RANDOM FOREST Jayadi Jayadi; Vito Hafizh Cahaya Putra; Agung Rachmat Raharja; Muhammad Al-husaini
Technologia : Jurnal Ilmiah Vol 17 No 1 (2026): Technologia (Januari)
Publisher : Universitas Islam Kalimantan Muhammad Arsyad Al Banjari

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31602/tji.v17i1.21251

Kesehatan mental di kalangan mahasiswa merupakan isu yang semakin penting untuk diperhatikan, mengingat tingginya tekanan akademik dan sosial yang dapat memicu stres, kecemasan, hingga depresi. Penelitian ini bertujuan untuk menerapkan dan membandingkan dua algoritma machine learning, yaitu Decision Tree dan Random Forest, dalam mendeteksi potensi depresi pada mahasiswa berdasarkan data yang tersedia. Dataset yang digunakan diperoleh dari Kaggle dan mencakup berbagai variabel psikososial seperti tekanan akademik, stres finansial, dan riwayat pemikiran bunuh diri. Tahapan penelitian meliputi praproses data, pelatihan model, evaluasi performa menggunakan 5-fold cross validation, serta analisis feature importance. Hasil evaluasi menunjukkan bahwa model Decision Tree memiliki rata-rata F1 Score sebesar 0.8217, sementara Random Forest menunjukkan nilai 0.8098. Meskipun Decision Tree unggul secara metrik evaluasi dan efisiensi komputasi, Random Forest lebih stabil dan tahan terhadap overfitting. Kesimpulan dari penelitian ini merekomendasikan penggunaan algoritma Random Forest untuk sistem deteksi dini depresi mahasiswa, dengan tetap mempertimbangkan kelebihan Decision Tree dalam hal interpretasi hasil.Keywords: Kesehatan Mental, Mahasiswa, Machine Learning, Decision Tree, Random Forest, Deteksi Depresi.

PERBANDINGAN DECISION TREE DAN LOGISTIC REGRESSION UNTUK DETEKSI PENYAKIT DAUN MULTISPESIES MENGGUNAKAN PENDEKATAN FITUR HIBRIDA BERBASIS CITRA Solihin Solihin; Agung Rachmat Raharja; Vito Hafizh Cahaya Putra; Muhammad Al-Husaini
Technologia : Jurnal Ilmiah Vol 17 No 1 (2026): Technologia (Januari)
Publisher : Universitas Islam Kalimantan Muhammad Arsyad Al Banjari

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31602/tji.v17i1.21252

Klasifikasi penyakit daun tanaman secara dini dan akurat berperan penting dalam meningkatkan hasil panen, mencegah kerugian pertanian, serta mendorong penerapan praktik pertanian berkelanjutan. Penelitian ini bertujuan untuk membandingkan kinerja dua algoritma machine learning yang banyak digunakan, yaitu Decision Tree dan Logistic Regression, dalam mengidentifikasi penyakit daun tanaman berdasarkan fitur gabungan yang mencakup karakteristik warna dan tekstur. Data penelitian bersumber dari PlantVillage dataset yang berisi citra daun sehat dan daun terinfeksi dari berbagai jenis tanaman. Setiap citra melalui proses pra-pemrosesan meliputi penyeragaman ukuran, konversi ke skala keabuan, dan normalisasi nilai piksel untuk meningkatkan kestabilan pembelajaran model. Fitur kemudian diekstraksi melalui penggabungan histogram warna dari kanal RGB dan HSV dengan fitur tekstur yang dihasilkan menggunakan metode Local Binary Pattern (LBP) dan Gray-Level Co-occurrence Matrix (GLCM). Kedua model dievaluasi dengan pembagian data 70% untuk pelatihan dan 30% untuk pengujian. Hasil penelitian menunjukkan bahwa Logistic Regression menghasilkan akurasi tertinggi sebesar 79,89%, sedangkan Decision Tree mencapai 76,81%. Logistic Regression juga menunjukkan presisi dan recall yang lebih konsisten. Temuan ini menegaskan bahwa integrasi fitur warna dan tekstur meningkatkan performa klasifikasi dan mendukung pengembangan sistem pertanian cerdas berbasis deteksi penyakit otomatis.Keywords: Penyakit daun tanaman, Klasifikasi citra, Fitur hibrida, Local Binary Pattern, Gray-Level Co-occurrence Matrix, Logistic Regression

Title

Found 21 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 21 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 21 Documents
Search