Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Jurnal Pengembangan Teknologi Informasi dan Komunikasi (JUPTIK) Jurnal Teknik Informatika dan Teknologi Informasi
Afifah Agustin
Universitas Muhammadiyah Lamongan
Computer Science & IT Control & Systems Engineering Engineering Library & Information Science

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

Found 2 Documents
Search

 1 
Implementasi Convolutional Neural Network (CNN) untuk Klasifikasi Citra Batik Nusantara Zufar Faiil Haq; Mufti Ari Bianto; Afifah Agustin; Moch. Ryan Nurfebrianto
Jurnal Teknik Informatika dan Teknologi Informasi Vol. 5 No. 1 (2025): April: Jurnal Teknik Informatika dan Teknologi Informasi
Publisher : Lembaga Pengembangan Kinerja Dosen

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55606/jutiti.v5i1.5421

Abstract

Batik is a cultural heritage of the nation, with each batik having a unique and diverse pattern motif. The batik culture is very strong in Indonesia, so batik can be found in all regions of the archipelago. Each batik has its own characteristics and traits to distinguish itself in each area. However, many people find it difficult to differentiate the types of batik motif patterns, one of which is the Nusantara Megamendung batik. Therefore, this research aims to introduce the classification process of Nusantara batik motif patterns using one of the Deep Learning methods, namely Convolutional Neural Network (CNN), to differentiate the types of batik motif patterns in each region. The dataset is taken from the numeric representations of Red, Green, and Blue (RGB) values of each pixel, which are used as model learning features to study color patterns and textures. From the results of the experiments conducted, the batik image classification using the CNN method has a high level of accuracy The batik classification model achieved an accuracy of 85%, demonstrating a fairly good ability to identify batik images, one of which is the Mega Mendung batik. The Mega Mendung and Keraton classes showed perfect performance, with precision, recall, and F1-score close to 1.00. However, the Bali class was the main weak point, with a recall of only 60%, indicating that 40% of Bali Batik samples were misclassified, primarily as Keraton.
Perbandingan Klasifikasi Daun Cabai dengan Metode CNN dan SVM Untuk Deteksi Penyakit Afifah Agustin; Mufti Ari Bianto; Hery Ardiansyah
Jurnal Pengembangan Teknologi Informasi dan Komunikasi (JUPTIK) Vol. 4 No. 1 (2026): JURNAL PENGEMBANGAN TEKNOLOGI INFORMASI DAN KOMUNIAKSI (JUPTIK)
Publisher : Universitas Muhammadiyah Muara Bungo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52060/juptik.v4i1.4403

Abstract

Tanaman cabai (Capsicum frutescens L.) merupakan salah satu komoditas hortikultura yang memiliki nilai ekonomi tinggi, namun produktivitasnya masih sering mengalami penurunan akibat serangan penyakit yang disebabkan oleh bakteri, jamur, dan virus. Proses identifikasi penyakit secara konvensional membutuhkan waktu serta keahlian khusus, sehingga diperlukan suatu sistem deteksi yang mampu memberikan hasil secara cepat dan akurat. Penelitian ini bertujuan mengembangkan sistem klasifikasi penyakit daun cabai sekaligus membandingkan kinerja metode Convolutional Neural Network (CNN) dan Support Vector Machine (SVM). Dataset yang digunakan berjumlah 2.000 citra yang terbagi ke dalam lima kelas, yaitu bakteri, jamur, virus, sehat, dan non-daun. Tahap prapemrosesan meliputi perubahan ukuran citra menjadi 160×160 piksel, normalisasi, augmentasi, pelabelan, serta pembagian data menjadi data latih, validasi, dan data uji. Pada metode SVM, proses klasifikasi diawali dengan ekstraksi fitur menggunakan Histogram of Oriented Gradients (HOG) dan Color Histogram, sedangkan CNN melakukan ekstraksi fitur secara otomatis melalui lapisan konvolusi. Sistem kemudian diimplementasikan dalam bentuk website berbasis Flask. Hasil menunjukkan bahwa metode CNN memiliki kinerja yang lebih baik dari pada metode SVM berdasarkan parameter accuracy, precision, recall, dan F-1 Score, Dengan hasil akurasi CNN 85% dan SVM 78%. Selain itu, sistem mampu membedakan citra daun cabai dan non-daun secara baik sehingga dapat dimanfaatkan sebagai media dalam deteksi penyakit daun cabai.
Co-Authors Hery Ardiansyah Moch. Ryan Nurfebrianto Mufti Ari Bianto Zufar Faiil Haq