Article Per Year (5 Year)
p-Index From 2020 - 2025
0.408
P-Index
This Author published in this journals
All Journal eProceedings of Engineering
Fu’adah, R Yunendah Nur
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering

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

Found 2 Documents
Search

 1 
Deteksi Penyakit Pada Tanaman Jagung Berbasis Pengolahan Citra Digital Dengan Metode Convolutional Neural Network Rizky, Avisha Tiara; Fu’adah, R Yunendah Nur; Rizal, Syamsul
eProceedings of Engineering Vol. 10 No. 5 (2023): Oktober 2023
Publisher : eProceedings of Engineering

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

Abstract

Tanaman jagung tumbuh baik di daerah panas dandingin dengan curah hujan dan irigasi yang cukup. Namunselama satu siklus hidupnya dari benih ke benih, setiap bagianjagung rentan terhadap sejumlah penyakit sehingga dapatmenurunkan kuantitas dan kualitas hasil. Karena itu masalahpenyakit merupakan salah satu faktor pembatar produksi danmutu benih.Pada tugas akhir ini akan membahas mengenaiperancangan suatu sistem deteksi penyakit tanaman jagungmenggunakan metode Convolutional Neural Network (CNN)dengan arsitektur Alexnet untuk mengklasifikasikannya. Dataakan diolah melalui beberapa tahap. Dataset yang digunakanpada penelitian Tugas Akhir ini berupa tiga kelas penyakittanaman jagung yaitu, blight, common rust dan grey leaf spotdan satu jenis tanaman sehat dengan total keseluruhan data4188 dataset. Dataset tersebut dapat diakses online melaluiwebsite kaggle.Parameter yang diujikan pada penelitian ini yaitu optimizer,learning rate, jumlah epochs, input size, dan batch sizeberpengaruh terhadap performa sistem yang berupa nilaiakurasi, precision, recall, fl-score, dan loss. Pada penelitian inididapatkan hasil terbaik dengan penggunaan optimizer SGD,learning rate 0,01, jumlah epochs 20, input size 128x128, danbatch size 32 didapatkan hasil performa sistem dengan nilaiakurasi, precision, recall, fl-score, dan loss masing-masingsebesar 89%, 87%, 85%, 85% dan 0,2852, serta grafik performaakurasi dan loss secara good fit.Kata kunci— Penyakit tanaman jagung, ConvolutionalNeural Network, Alexnet. Pengolahan citra digital, Akurasi
Klasifikasi Kondisi Pernapasan Berdasarkan Sinyal Radar Menggunakan Convolutional Neural Network Fiddin, Muhammad Faqihna; Fu’adah, R Yunendah Nur; Edwar, Edwar
eProceedings of Engineering Vol. 10 No. 5 (2023): Oktober 2023
Publisher : eProceedings of Engineering

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

Abstract

Dalam dunia medis frekuensi pernapasanmenjadi salah satu indikator awal yang dapat digunakan untukmendiagnosa suatu gangguan yang berhubungan dengan sistempernapasan. Pengukuran frekuensi pernapasan dapatdilakukan dengan alat bantu seperti radar. Radar adalah salahsatu pendekatan yang bagus untuk mengukur frekuensipernapasan manusia. Hasil pengukuran frekuensi pernapasanoleh radar masih berupa sinyal yang memerlukan penangananlebih lanjut untuk mengetahui kondisi dari pernapasanseseorang. Maka dari itu, dibutuhkan sistem yang secaraotomatis yang dapat mengklasifikasikan kondisi pernapasanseseorang dengan melihat sinyal radar tersebut. Pada penelitianini bertujuan untuk merancang sistem klasifikasi kondisipernapasan melalui sinyal radar dalam tiga kelas yaitu low,normal, dan high. Dataset yang diperoleh berasal darizenodo.org dan berdasar jurnal dengan bentuk citra scalogram.Penelitian sistem klasifikasi kondisi pernapasan inimenggunakan Convolutional Neural Network (CNN) denganarsitektur MobileNet. Parameter pengujian terbaik yangdidapatkan adalah nilai epoch 100, nilai batch size 8, nilailearning rate 0,0001, dan dengan optimizer Adam. Hasilpengujian dengan parameter terbaik mendapatkan nilaiakurasi 96,5% dengan nilai loss 0,104, nilai presisi 96,6%, nilairecall 96,4%, dan nilai f1-score 96,5%.Kata kunci— pernapasan, klasifikasi, sinyal radar,convolutional neural network, mobilenet
Co-Authors EDWAR EDWAR Fiddin, Muhammad Faqihna Rizky, Avisha Tiara Syamsul Rizal