Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Jurnal Pustaka AI : Pusat Akses Kajian Teknologi Artificial Intelligence
Panca Putra, Yusran
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Mathematics

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

Found 2 Documents
Search

 1 
Penerapan Jaringan Syaraf Konvolusional Untuk Deteksi Penyakit Tanaman Kopi Berdasarkan Citra Daun Panca Putra, Yusran; Susanto, Agus; Novrian, Willi
Jurnal Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence) Vol 5 No 3 (2025): Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence)
Publisher : Pustaka Galeri Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55382/jurnalpustakaai.v5i3.1123

Abstract

Produktivitas tanaman kopi di Indonesia sangat dipengaruhi oleh serangan penyakit daun yang sering kali tidak terdeteksi secara dini akibat keterbatasan pengetahuan petani dalam mengenali gejala penyakit. Deteksi penyakit secara manual membutuhkan keahlian khusus dan waktu yang tidak efisien, sehingga dibutuhkan pendekatan berbasis teknologi untuk memberikan solusi yang lebih cepat dan akurat. Penelitian ini mengusulkan pemanfaatan metode Convolutional Neural Network (CNN) dengan arsitektur ResNet-50 untuk mendeteksi penyakit tanaman kopi berdasarkan citra daun. Data citra daun diperoleh dari dataset publik Kaggle, yang mencakup total 1664 citra daun kopi dengan klasifikasi sehat maupun terinfeksi penyakit. Proses pelatihan dilakukan pada platform Google Colaboratory menggunakan algoritma optimisasi Adam dan teknik augmentasi untuk meningkatkan kemampuan generalisasi model. Hasil pelatihan menunjukkan bahwa model ResNet-50 mampu mencapai akurasi pelatihan sebesar 96,33% dan akurasi validasi sebesar 95,31% setelah 40 epoch. Evaluasi model terhadap data uji menghasilkan nilai macro average precision sebesar 95,83%, recall 96,05%, dan F1-score 95,58%. Model terbukti efektif dalam mendeteksi berbagai jenis penyakit seperti miner, phoma, dan rust, meskipun masih terdapat kesalahan klasifikasi minor. Penelitian ini menunjukkan potensi besar dari penerapan CNN dalam bidang pertanian cerdas, khususnya dalam deteksi otomatis penyakit tanaman kopi, serta dapat menjadi dasar pengembangan sistem deteksi berbasis aplikasi yang mudah digunakan oleh petani. Temuan ini berkontribusi pada pengembangan teknologi tepat guna dalam mendukung peningkatan hasil dan kualitas produksi pertanian.
Implementasi CNN Model Resnet50 Klasifikasi Citra Penyakit Lumpy Skin Disease Pada Sapi novrian, willi; Panca Putra, Yusran; Susanto, Agus; Purnama Sari, Julia; Pratama, Rifaldo
Jurnal Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence) Vol 6 No 1 (2026): Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence)
Publisher : Pustaka Galeri Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55382/jurnalpustakaai.v6i1.1874

Abstract

Sektor peternakan sapi memiliki peran vital dalam ketahanan pangan nasional, namun dihadapkan pada tantangan penyakit menular seperti Lumpy Skin Disease (LSD). Penyakit ini menyebabkan kerugian ekonomi akibat penurunan produksi dan biaya perawatan. Deteksi dini sangat diperlukan untuk mencegah penyebaran yang lebih luas. Penelitian ini bertujuan untuk mengimplementasikan dan menganalisis performa Convolutional Neural Network (CNN) menggunakan arsitektur ResNet-50 untuk mengklasifikasi citra penyakit kulit LSD pada ternak sapi dibandingkan dengan sapi sehat. Dataset yang digunakan bersumber dari Kaggle, terdiri dari 324 citra sapi terinfeksi LSD dan 700 citra sehat, yang dibagi menjadi 80% data latih dan 20% data uji. Model dilatih menggunakan pendekatan transfer learning dengan dua tahap: pembekuan (freeze) seluruh layer backbone selama 20 epoch, dilanjutkan dengan fine-tuning parsial selama 40 epoch. Hasil pengujian menunjukkan bahwa model mencapai akurasi keseluruhan sebesar 93,17%, dengan macro average precision 91,86%, recall 92,53%, dan F1-score 92,18%. Model terbukti mampu membedakan citra sapi sehat dan terinfeksi dengan tingkat sensitivitas yang tinggi. Penggunaan arsitektur ResNet-50 merupakan solusi inovatif dan efektif untuk mempercepat diagnosis LSD berbasis kecerdasan buatan.
Co-Authors Agus Susanto Julia Purnama Sari Novrian, Willi Rifaldo Pratama