Article Per Year (5 Year)
p-Index From 2020 - 2025
0.408
P-Index
This Author published in this journals
All Journal Prosiding Semnastek Society: Jurnal Pengabdian Masyarakat
Aji, Irfan Pandu
Unknown Affiliation
Computer Science & IT Economics, Econometrics & Finance Education Languange, Linguistic, Communication & Media Social Sciences

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

Found 2 Documents
Search

 1 
Educating on the Application of Tensorflow in Artificial Intelligence, Machine Learning and Deep Learning Santoso, Ilham Budi; Aji, Irfan Pandu; Franskusuma, Sutio; Putri, Khansa Aqila; Ardharani, Yana; Mujiastuti, Rully; Nurbaya Ambo, Sitti; Meilina, Popy; Rosanti, Nurvelly; Amri, Nurul
Society : Jurnal Pengabdian Masyarakat Vol 4, No 2 (2025): Maret
Publisher : Edumedia Solution

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55824/jpm.v4i2.547

Abstract

In addition to bringing positive impacts, technological developments also provide new challenges in improving people's technological literacy, especially related to Artificial Intelligence (AI), Machine Learning (ML), and Deep Learning (DL). One of the main challenges is the low public understanding of these technologies, which are increasingly relevant in the era of digital transformation. On the other hand, Google developed a library with the name TensorFlow which is widely used for data processing in Artificial Intelligence, Machine Learning, and Deep Learning. Based on this, educational activities were carried out in the form of introducing and training the use of TensorFlow to the general public in the form of webinars and workshops with the theme ‘Introduction to TensorFlow for Artificial Intelligence, Machine Learning, and Deep Learning’. The activity was carried out in two stages, namely webinars for delivering basic material and workshops for hands-on practice. Based on evaluation through a Likert scale questionnaire, the majority of participants stated that they were very satisfied with the quality of the material, presenters, and implementation of activities. The post-test results also showed an increase in participants' understanding of the material, as evidenced by correct answers on topics such as TensorFlow functions, supervised learning, and neural networks. The participation of 52 participants from various institutions shows the success of this activity in achieving its goals.  
Aplikasi FLORYS : Deteksi Kesehatan Tanaman Hias Menggunakan Model YOLOv8 Aji, Irfan Pandu; Mujiastuti, Rully; Azima, Fauzan; Sutrisno, Mirza
Prosiding Semnastek PROSIDING SEMNASTEK 2025
Publisher : Universitas Muhammadiyah Jakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Tanaman Hias kerap kali digunakan sebagai penghias rumah, kantor, dan sebagainya karena keindahannya. Namun banyak orang yang memiliki tanaman hias merasa kesulitan untuk merawatnya dengan baik karena minimnya pengetahuan tentang kondisi kesehatan tanaman hias dan cara merawatnya. Untuk mengatasi masalah ini, peneliti melakukan penelitian dengan membuat sebuah aplikasi berbasis android bernama Florys. Tujuannya adalah untuk membantu pemilik tanaman hias merawat tanamannya agar lebih sehat yang dapat dianalisis melalui foto atau hasil pemindaian tanaman, serta memberikan saran perawatannya. Metode yang digunakan adalah AI Project Cycle. Dimulai dengan pengumpulan dataset beranotasi dari platform Kaggle dan Roboflow, pelatihan model deteksi serta evaluasi performa model dengan menggunakan metrik precision, recall, dan mean Average Precision. Hasil penelitian menunjukkan bahwa model YOLOv8 mampu mendeteksi berbagai jenis penyakit tanaman hias dengan tingkat precision mencapai 73%, menunjukkan akurasi deteksi yang cukup tinggi. Model telah diuji dengan dua skenario yaitu untuk deteksi tanaman hias dalam kondisi sakit dan sehat. Pada pengujian deteksi tanaman sakit, model menghasilkan keluaran yang konsisten dengan tingkat kepercayaan tinggi, yang divalidasi dengan rata-rata hasil prediksi dikalikan faktor pengujian sebesar 0.5. Sedangkan untuk deteksi tanaman sehat, model menunjukkan hasil yang konsisten pula dengan faktor pengujian sebesar 0.8. Kedua pengujian ini membuktikan bahwa model memiliki kapabilitas dalam mengidentifikasi kondisi tanaman dengan akurat dan dapat memberikan rekomendasi perawatan yang tepat kepada pengguna.
Co-Authors Amri, Nurul Ardharani, Yana Fauzan Azima Franskusuma, Sutio Nurbaya Ambo, Sitti Nurvelly Rosanti, Nurvelly Popy Meilina Putri, Khansa Aqila Rully Mujiastuti Santoso, Ilham Budi Sutrisno, Mirza