Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi
Nurlatifah, Eva
UIN Sunan Gunung Djati Bandung
Computer Science & IT

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

Found 2 Documents
Search

 1 
Implementasi Deep Learning untuk Pelabelan Lahan pada Citra Satelit Area Desa Leles Altafunnisa, Alifia Nadiva; Jumadi, Jumadi; Nurlatifah, Eva
Jutisi : Jurnal Ilmiah Teknik Informatika dan Sistem Informasi Vol 14, No 1: April 2025
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/jutisi.v14i1.2607

Abstract

Efficient land management in rural areas is essential for environmental sustainability and community well-being. This study develops a deep learning model to classify land types in satellite imagery, focusing on two main categories: residential areas and vacant land. The dataset consists of 2,080 cropped images from Google Earth, divided into 790 images for training, 790 for validation, and 500 for testing. The model is trained using transfer learning with the ResNet50 architecture and optimized over 50 epochs. Training results show an accuracy of 99% for training and 98% for validation, while evaluation on the test dataset achieves an accuracy of 91.4%. The model successfully identifies most images correctly, although 43 out of 500 images were misclassified. These findings demonstrate the significant potential of deep learning in supporting more accurate land management based on satellite imagery, contributing to more efficient spatial planning.Keywords: Google earth image; Deep learning; Satellite imagery. AbstrakPengelolaan lahan yang efisien di daerah pedesaan penting untuk keberlanjutan lingkungan dan kesejahteraan masyarakat. Penelitian ini mengembangkan model Deep Learning untuk mengidentifikasi jenis lahan pada citra satelit, dengan kategori utama: pemukiman dan lahan kosong. Dataset terdiri dari 2.080 gambar hasil cropping citra Google Earth, yang dibagi menjadi 790 gambar untuk pelatihan, 790 untuk validasi, dan 500 untuk pengujian. Model dilatih menggunakan transfer learning dengan arsitektur ResNet50, yang dioptimalkan selama 50 epoch. Hasil pelatihan menunjukkan hasil training 99% dan validasi 98%, sementara evaluasi pada data pengujian mencapai 91,4%. Model berhasil mengidentifikasi sebagian besar gambar dengan benar, meskipun masih terdapat 43 dari 500 gambar yang tidak sesuai dengan label aslinya. Penelitian ini menunjukkan bahwa Deep Learning memiliki potensi besar dalam mendukung pengelolaan lahan berbasis citra satelit yang lebih akurat untuk mendukung perencanaan tata ruang yang lebih efisien. 
Penerapan Convolutional Neural Network untuk Mengklasifikasikan Citra Sampah Organik dan Non Organik Sari, Ayuni Tia; Jumadi, Jumadi; Nurlatifah, Eva
Jutisi : Jurnal Ilmiah Teknik Informatika dan Sistem Informasi Vol 14, No 1: April 2025
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/jutisi.v14i1.2534

Abstract

Waste is a major environmental problem in Indonesia that is increasing with population growth. This research aims to apply a Convolutional Neural Network (CNN) based classification model to separate organic and non-organic waste, reduce time, and increase the efficiency of the waste sorting process. By using the CRISP-DM method, there are main components, namely Business Understanding, Data Understanding, Data Preparation, Modeling, Evaluation, and Deployment. The dataset used consists of 4500 images from Kaggle for training and validation data, and 300 manual images for testing data. The designed model uses VGG-16 architecture with Adam optimizer and learning rate 0.001. The evaluation results show that the model accuracy is 64.33% with a significant error rate in non-organic waste classification. The model is integrated into a Flask-based website application to make it easier for users to upload images and get prediction results. The results of this research are expected to reduce time and increase the efficiency of the waste separation process.Keywords: Waste image classification; Waste management; Deep learning AbstrakSampah menjadi masalah lingkungan utama di Indonesia yang semakin meningkat seiring pertumbuhan populasi. Penelitian ini bertujuan untuk penerapan model klasifikasi berbasis Convolutional Neural Network (CNN) untuk memisahkan sampah organik dan non-organik, mengurangi waktu, dan meningkatkan efisiensi proses pemilahan sampah. Dengan menggunakan metode CRISP-DM, terdapat komponen utama yaitu: Business Understanding, Data Understanding, Data Preparation, Modeling, Evaluation, dan Deployment. Dataset yang digunakan terdiri dari 4500 gambar dari Kaggle untuk data training dan validation, serta 300 gambar manual untuk data testing. Model yang dirancang menggunakan arsitektur VGG-16 dengan Adam optimizer dan learning rate 0,001. Hasil evaluasi menunjukkan akurasi model sebesar 64.33% dengan tingkat kesalahan signifikan pada klasifikasi sampah non-organik. Model diintegrasikan ke dalam aplikasi website berbasis Flask untuk memudahkan pengguna mengunggah gambar dan mendapatkan hasil prediksi. Hasil penelitian ini diharapkan dapat mengurangi waktu dan meningkatkan efisiensi proses pemisahan sampah.
Co-Authors Altafunnisa, Alifia Nadiva Jumadi, Jumadi Sari, Ayuni Tia