Article Per Year (5 Year)
p-Index From 2020 - 2025
0.408
P-Index
This Author published in this journals
All Journal JOURNAL OF ICT APLICATIONS AND SYSTEM RJOCS (Riau Journal of Computer Science)
Enda Ribka Meganta P
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering

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

Found 2 Documents
Search

 1 
Evaluasi Penerapan Convolutional Neural Network (CNN) untuk Klasifikasi Penyakit Daun Jagung Menggunakan Pendekatan Systematic Literature Review Riski Rahmadan; Nurliani; Efendi Rahayu; Saudah; Ayu Puspita Sari Sinaga; Enda Ribka Meganta P
RJOCS (Riau Journal of Computer Science) Vol. 11 No. 1 (2025): 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.v11i1.3068

Abstract

Penyakit pada tanaman jagung dapat menyebabkan kerugian besar dalam produksi pangan, yang berdampak pada perekonomian Indonesia. Salah satu metode yang berkembang untuk mendeteksi dan mengklasifikasikan penyakit tanaman adalah penggunaan Convolutional Neural Network (CNN), yang telah terbukti efektif dalam analisis citra. Penelitian ini bertujuan untuk mengevaluasi dan menganalisis penerapan CNN dalam klasifikasi penyakit pada daun jagung, dengan merujuk pada studi literatur yang ada. Melalui pendekatan Systematic Literature Review (SLR), penelitian ini menilai berbagai arsitektur CNN yang diterapkan pada klasifikasi penyakit tanaman, termasuk jagung, cabai, kentang, dan lada. Hasil penelitian menunjukkan bahwa metode CNN, khususnya dengan arsitektur seperti EfficientNet, mampu memberikan akurasi yang tinggi, dengan rata-rata akurasi sebesar 93.76%. Arsitektur CNN yang berbeda menunjukkan performa yang bervariasi tergantung pada dataset dan teknik preprocessing yang digunakan. Penelitian ini memberikan wawasan tentang bagaimana model CNN dapat dioptimalkan untuk mendeteksi penyakit tanaman dengan akurasi yang lebih baik, serta mengidentifikasi tantangan dan potensi dalam penerapannya pada berbagai jenis tanaman
Optimized Detection of Red Devil Fish in Low-Quality Underwater Images from Lake Toba Using a Hybrid CNN and Transfer Learning Approach Enda Ribka Meganta P; Yanto, Budi
Journal of ICT Applications System Vol 4 No 1 (2025): Journal of ICT Aplications and System
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56313/jictas.v4i1.429

Abstract

The detection of freshwater fish in turbid underwater environments presents significant challenges due to poor image quality caused by low lighting, suspended particles, and visual noise. This study proposes an optimized detection model for Amphilophus labiatus (Red Devil fish) in the murky waters of Lake Toba, Indonesia, using a hybrid Convolutional Neural Network (CNN) integrated with transfer learning and visual enhancement techniques. The proposed architecture combines MobileNetV2 and ResNet50 backbones with CLAHE (Contrast Limited Adaptive Histogram Equalization) and median filtering to improve image clarity and feature extraction. A custom dataset comprising 3,500 annotated underwater images was used to train and evaluate the model. The hybrid model achieved a detection accuracy of 96.1%, a precision of 95.6%, a recall of 94.8%, and a mean Average Precision (mAP@0.5) of 0.941—outperforming baseline models such as YOLOv5 and Faster R-CNN. Visual diagnostics and Grad-CAM attention maps confirm the model's ability to focus on key anatomical features under varying image conditions. The architecture is optimized for real-time deployment on edge-AI devices, supporting conservation efforts and biodiversity monitoring in freshwater ecosystems
Co-Authors Ayu Puspita Sari Sinaga Budi Yanto, Budi Efendi Rahayu Nurliani Riski Rahmadan Saudah