Article Per Year (5 Year)
p-Index From 2021 - 2026
3.296
P-Index
This Author published in this journals
All Journal IJCCS (Indonesian Journal of Computing and Cybernetics Systems) Jurnal Edukasi dan Penelitian Informatika (JEPIN) Jurnal Sistem dan Informatika Infotech Journal Jurnal Teknoinfo CYBERNETICS BULETIN AL-RIBAATH Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi Progresif: Jurnal Ilmiah Komputer Jurnal Computer Science and Information Technology (CoSciTech) JUTECH : Journal Education and Technology Joutica : Journal of Informatic Unisla Jurnal Riset Rumpun Ilmu Teknik (JURRITEK) SmartComp
Barry Ceasar Octariadi
Universitas Muhammadiyah Pontianak
Biochemistry, Genetics & Molecular Biology Chemical Engineering, Chemistry & Bioengineering Chemistry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Economics, Econometrics & Finance Education Electrical & Electronics Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Other

Published : 29 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : smartcomp

 1 
SISTEM PAKAR DIAGNOSA PENYAKIT TANAMAN JERUK MENGGUNAKAN METODE CERTAINTY FACTOR Pirman Pirman; Barry Ceasar Octariadi; Syarifah Putri Agustini Alkadri
Smart Comp :Jurnalnya Orang Pintar Komputer Vol 15, No 2 (2026): Smart Comp: Jurnalnya Orang Pintar Komputer
Publisher : Politeknik Harapan Bersama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30591/smartcomp.v15i2.10197

Abstract

Jeruk adalah komoditas utama di Desa Tekarang, Kabupaten Sambas, Kalimantan Barat. Namun, dalam beberapa tahun terakhir, produksi jeruk mengalami penurunan akibat serangan penyakit seperti lalat buah, kutu loncat, diplodia basah, dan kering, yang mengakibatkan penurunan kualitas dan kerugian bagi petani. Penelitian ini mengembangkan Sistem Pakar Diagnosa Penyakit Jeruk menggunakan metode Certainty Factor untuk membantu Dinas Pertanian dalam mendiagnosa penyakit berdasarkan gejala yang terdeteksi. Certainty Factor digunakan untuk mengukur tingkat keyakinan diagnosis guna meningkatkan akurasi hasil. Uji coba menunjukkan akurasi sistem sebesar 78,57% dibandingkan dengan diagnosis pakar. Sistem ini diharapkan dapat menjadi alat bantu efektif bagi petani dan pihak terkait dalam mengenali penyakit jeruk dan mengambil langkah pengendalian yang tepat.
Klasifikasi Kebakaran Hutan dan Lahan Menggunakan Algoritma Naïve Bayes Classifier Deni Deni Deni; Barry Ceasar Octariadi; Putri Yuli Utami
Smart Comp :Jurnalnya Orang Pintar Komputer Vol 14, No 4 (2025): Smart Comp: Jurnalnya Orang Pintar Komputer
Publisher : Politeknik Harapan Bersama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30591/smartcomp.v14i4.8374

Abstract

Abstrak: Salah satu bencana alam yang sering terjadi di Indonesia adalah kebakaran. Pada tahun 2019, terdapat 1.124 titik panas di Kalimantan Barat. Kebakaran hutan menyebabkan banyak kerugian, termasuk deforestasi hutan dan hasilnya, pencemaran kabut asap dan emisi dan turunnya  kualitas udara, penelitian ini menerapkan algoritma Naive Bayes Classifier untuk menentukan tingkat status rawan kebakaran hutan dan lahan di Kabupaten Kubu Raya. Hasil akurasi klasifikasi status kebakaran hutan dan lahan dengan algoritma Naïve Bayes 92% pada data latih dan 96% pada data uji. Dapat ditarik kesimpulan bahwa Gaussian Naïve Bayes dapat mengklasifikasi status low, medium, high pada kebakaran hutan dan lahan dengan baik.Abstract: One of the most recent natural disasters in Indonesia is wildfires. In 2019, there were 1,124 hotspots in West Kalimantan. Forest fires cause extensive damage, including reducing forest area and yields, air pollution from haze and emissions, decreasing agricultural potential, and overall forest depletion. The aim of this research is to apply the Naive Bayes Classifier algorithm to determine the level of forest and land fire vulnerability status in Kubu Raya District and assess the accuracy of the Naïve Bayes Classifier method in classifying forest and land fire status. The method employed in this study is Gaussian Naïve Bayes. The classification accuracy of forest and land fire status using Naive Bayes algorithm is 92% on training data and 96% on test data. It can be concluded that Gaussian Naïve Bayes effectively classifies forest and land fire status
Co-Authors Alda Cendekia Siregar Andalas Rivaldi Permana Anugrah, Ilham Arni - Yanti Asrul Abdullah Chairul Syafar Putra Deni Deni Deni Dewi Yanti Eki Komariah Elsa Damayanti Fenni Supriadi Insani, Rachmad Wahid Saleh Medi, Medi Pirman Pirman PURWANTO, ANGGI Purwoko, Agus Putri Yuli Utami Rachmat Wahid Saleh Insani Rizka Amalia Rizki Akbar Pratama Siregar, Alda Cendekia Sucipto Sucipto Sucipto Sufi Vanitra Syaibah Syaibah Syarifah Putri Agustini Alkadri vera vibiola Yulia, Rantika Yulrio Brianorman