Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Elkom: Jurnal Elektronika dan Komputer PROSISKO : Jurnal Pengembangan Riset dan observasi Rekayasa Sistem Komputer
Ade Irgi Firdaus
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Mechanical Engineering

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

Found 2 Documents
Search

 1 
Klasifikasi Jenis Bunga Menggunakan Algoritma Convolutional Neural Network (CNN) Ade Irgi Firdaus; Dwi Okta Djoas; Riefaldi Diofano Saputra; Indry Anggraeny; Hilda Apriliya Ningsih
Elkom: Jurnal Elektronika dan Komputer Vol. 18 No. 2 (2025): Desember : Jurnal Elektronika dan Komputer
Publisher : STEKOM PRESS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51903/elkom.v18i2.3238

Abstract

This research aims to develop a multiclass flower image classification system using the Convolutional Neural Network (CNN) algorithm with the EfficientNet architecture. The main problem addressed is the difficulty of manual identification of flower species that share high visual similarity. The research stages include collecting 17,299 flower images across 19 classes, performing data preprocessing such as image resizing, pixel normalization, and augmentation, followed by model training using the EfficientNet transfer learning approach. The model was trained for 10 epochs with an 80:20 training-validation data split. The evaluation results show that the model achieved a validation accuracy of 98.05% with a loss value of 0.0968, and an average precision, recall, and F1-score of 0.98. The trained model was then implemented into a web-based application built using the Next.js framework, enabling users to upload flower images and obtain real-time classification results via the Hugging Face API. The system successfully identified flower species with a confidence level of 99.87%. These findings demonstrate that combining a modern CNN architecture with transfer learning provides efficient and highly accurate flower classification performance, which can be effectively implemented for educational and digital conservation purposes.
PERANCANGAN DAN PENGEMBANGAN MODEL CNN DALAM KLASIFIKASI JENIS SAMPAH DAUR ULANG RIEFALDI DIOFANO SAPUTRA; DWI OKTA DJOAS; ADE IRGI FIRDAUS; INDRY ANGGRAENY; HILDA APRILIYA NINGSIH
PROSISKO: Jurnal Pengembangan Riset dan Observasi Sistem Komputer Vol. 13 No. 1 (2026): Prosisko Vol. 13 No. 1 Maret 2026
Publisher : Pogram Studi Sistem Komputer Universitas Serang Raya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30656/teawt397

Abstract

Permasalahan sampah yang semakin kompleks menuntut solusi inovatif dalam proses pemilahan dan pengelolaan. Penelitian ini bertujuan untuk merancang dan mengembangkan model Convolutional Neural Network (CNN) berbasis arsitektur ResNet-50 dalam klasifikasi jenis sampah daur ulang secara otomatis. Model dilatih menggunakan dataset publik Garbage Classification dari Kaggle yang terdiri dari 15.150 citra dengan 12 kategori sampah seperti paper, cardboard, plastic, metal, glass, clothes, dan lainnya. Proses pelatihan dilakukan menggunakan pendekatan transfer learning dan fine-tuning untuk meningkatkan akurasi dan efisiensi. Hasil pengujian menunjukkan bahwa model mampu mencapai tingkat akurasi sebesar 99% dengan nilai weighted average F1-Score sebesar 0,99, menandakan performa klasifikasi yang sangat andal di seluruh kelas. Model yang dihasilkan kemudian diintegrasikan ke dalam aplikasi web interaktif klasifikasi sampah menggunakan Framework Next.js, yang memungkinkan pengguna mengunggah gambar sampah untuk diklasifikasikan secara real-time sekaligus memperoleh rekomendasi upcycling berbasis AI. Hasil penelitian ini menunjukkan bahwa penerapan CNN dengan ResNet-50 mampu memberikan kontribusi signifikan terhadap peningkatan efisiensi pemilahan sampah, serta mendukung pengelolaan lingkungan yang cerdas dan berkelanjutan.
Co-Authors Dwi Okta Djoas Hilda Apriliya Ningsih Indry Anggraeny Riefaldi Diofano Saputra