Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer) Seminar Nasional Teknologi dan Multidisiplin Ilmu
Admi Syarif
Unknown Affiliation
Agriculture, Biological Sciences & Forestry Arts Humanities Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Social Sciences

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

Found 2 Documents
Search

 1 
Implementasi YOLOv10 untuk Deteksi Kerapatan dan Transparansi Tajuk Pohon melalui Aplikasi Mobile Alkhadafi Saddam Simparico; Rico Andrian; Rahmat Safe'i; Admi Syarif
JURNAL FASILKOM Vol. 15 No. 2 (2025): Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer)
Publisher : Unversitas Muhammadiyah Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37859/jf.v15i2.9581

Abstract

Kerapatan dan transparansi tajuk pohon merupakan indikator penting kesehatan hutan yang berpengaruh terhadap keseimbangan ekosistem dan keanekaragaman hayati. Penelitian ini mengembangkan sistem deteksi real-time berbasis model YOLOv10 yang dioptimalkan untuk perangkat mobile melalui konversi ke TensorFlow Lite, sehingga memungkinkan inferensi cepat dan efisien di lapangan tanpa memerlukan perangkat komputasi besar. Dataset yang digunakan terdiri dari 5.000 citra tajuk pohon yang mencakup sepuluh kelas variasi kerapatan dan transparansi, mewakili lima jenis daun jarum dan lima jenis daun lebar dengan perbedaan morfologi dan karakteristik transmisi cahaya. Pengambilan data dilakukan pada berbagai sudut pandang untuk meningkatkan ketahanan model terhadap kondisi nyata di lapangan. Data dibagi menjadi 70% untuk pelatihan, 10% untuk validasi, dan 20% untuk pengujian. Hasil evaluasi menunjukkan akurasi 97,7% dengan nilai precision, recall, dan F1-score yang tinggi di setiap kelas. Sistem ini berpotensi mempercepat proses survei lapangan, meningkatkan akurasi pemantauan ekosistem, dan menjadi alat pendukung pengambilan keputusan dalam pengelolaan hutan serta program konservasi. Pendekatan ini menawarkan solusi praktis dan terukur untuk pemantauan hutan berkelanjutan dengan memanfaatkan teknologi computer vision mutakhir di perangkat mobile
DEEP LEARNING ALGORITHM INVENTORY FOR SUGAR CANE LEAF DISEASE DETECTION Zaidal, Nisar; Admi syarif; Mahfut Mahfut
Seminar Nasional Teknologi dan Multidisiplin Ilmu (SEMNASTEKMU) Vol. 5 No. 1 (2025): SEMNASTEKMU
Publisher : Universitas Sains dan Teknologi Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51903/ccz51528

Abstract

Tebu (Saccharum spp.) merupakan komoditas industri utama yang produktivitasnya sangat dipengaruhi oleh penyakit daun, sehingga deteksi dini dan akurat menjadi faktor penting dalam menjaga keberlanjutan produksi. Deep learning menawarkan solusi canggih dan non-destruktif untuk diagnosis penyakit melalui analisis citra secara otomatis. Namun, penelitian yang ada mengenai deteksi penyakit daun tebu masih bersifat terfragmentasi, dengan variasi pada dataset, metode praproses, serta metrik evaluasi yang menyulitkan perbandingan langsung antar algoritma. Penelitian ini secara sistematis melakukan inventarisasi dan evaluasi algoritma deep learning yang diterapkan pada deteksi penyakit daun tebu, termasuk Convolutional Neural Networks (CNN), Vision Transformers (ViT), dan arsitektur hibrida CNN–Transformer. Sintesis komparatif terhadap berbagai model pretrained yang banyak digunakan—seperti ResNet, EfficientNet, DenseNet, dan MobileNet—dilakukan untuk mengidentifikasi kinerja relatif serta adaptabilitasnya terhadap citra lapangan dan UAV. Studi ini juga mengusulkan rekomendasi metodologis terstandar terkait praproses, augmentasi, dan evaluasi guna meningkatkan replikasi serta penerapan di tingkat lapangan. Hasil penelitian ini menjembatani kesenjangan antara kemajuan teoretis dan aplikasi praktis dalam pertanian presisi, serta memberikan kerangka acuan bagi peneliti dan praktisi untuk memilih pendekatan deep learning yang paling sesuai dalam pemantauan kesehatan tebu di kondisi nyata.  
Co-Authors Alkhadafi Saddam Simparico Andrian, Rico Mahfut Nisar Zaidal Rahmat Safe'i