Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal CITIZEN: Jurnal Ilmiah Mulitidisiplin Indonesia JURNAL INOVASI DAN PENGABDIAN MASYARAKAT INDONESIA
Muhammad Nidhomun Ni'am
Program Studi Produksi Ternak, Universitas Muhammadiyah Karanganyar
Religion Humanities Economics, Econometrics & Finance Education Health Professions Public Health Social Sciences

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

Found 2 Documents
Search

 1 
Edukasi Makanan Sehat Berbasis Protein Hewani sebagai Upaya Meningkatkan Literasi Gizi pada Anak Usia Sekolah Dasar Muhammad Nidhomun Ni'am; Sri Widiastuti; Fiqi Widyawati; Jeffadha Rhenggajati Umbaratama; Irvanda Putrama; Alfiana Fatmawati
JURNAL INOVASI DAN PENGABDIAN MASYARAKAT INDONESIA Vol 5 No 1 (2026): Januari
Publisher : Fakultas Kesehatan Masyarakat, Universitas Muhammadiyah Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26714/jipmi.v5i1.926

Abstract

Latar belakang: Anak usia sekolah dasar berada pada fase penting pertumbuhan fisik dan perkembangan kognitif yang membutuhkan asupan gizi seimbang, terutama protein hewani. Namun, rendahnya literasi gizi menyebabkan masih banyak anak yang belum memahami peran penting konsumsi protein hewani seperti telur dan susu dalam pencegahan stunting. Tujuan: Kegiatan pengabdian ini bertujuan meningkatkan literasi gizi anak sekolah dasar melalui edukasi makanan sehat berbasis protein hewani. Metode: Kegiatan dilaksanakan pada 4 Agustus 2025 di SD Negeri 03 Sidomukti, Kecamatan Jenawi, Kabupaten Karanganyar, dengan sasaran siswa kelas 4, 5, dan 6 sebanyak 54 orang. Metode yang digunakan berupa penyuluhan interaktif melalui presentasi, diskusi, kuis, dan permainan edukatif. Evaluasi dilakukan menggunakan pre-test dan post-test berupa kuesioner pengetahuan gizi, khususnya terkait manfaat telur dan susu. Hasil: Hasil evaluasi menunjukkan adanya peningkatan signifikan tingkat pengetahuan siswa setelah edukasi. Sebelum kegiatan, sebagian besar siswa berada pada kategori pengetahuan kurang (39%) dan cukup (37%). Setelah intervensi, mayoritas siswa berada pada kategori pengetahuan baik (81%). Peningkatan pemahaman ini terlihat pada seluruh aspek materi, baik terkait telur, susu, maupun keduanya sebagai sumber protein hewani. Kesimpulan: Edukasi gizi berbasis protein hewani yang disampaikan secara interaktif terbukti efektif meningkatkan literasi gizi siswa sekolah dasar. Pendekatan ini berpotensi menjadi strategi preventif dalam pencegahan stunting sejak usia dini dan perlu dikembangkan secara berkelanjutan di lingkungan sekolah.
Deep Learning Based Detection Of Laying Hen Health Status From Excreta Images Using MobileNetV2: Deteksi Status Kesehatan Ayam Petelur Berbasis Deep Learning Dari Citra Ekskreta Menggunakan MobileNetV2 Muhammad Nidhomun Ni'am; Sri Widiastuti; Wildan Deni Fahrezi; Thoriqul Irfah Al-Huda; Abdul Karim Muqofi; Rizal Aji Mustofa; Arib Zainul Muafi
Citizen : Jurnal Ilmiah Multidisiplin Indonesia Vol. 6 No. 2 (2026): CITIZEN: Jurnal Ilmiah Multidisiplin Indonesia
Publisher : DAS Institute

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.53866/jimi.v6i2.1285

Abstract

Early and accurate disease detection is a critical challenge in modern poultry farming. This study aimed to develop and evaluate a deep learning-based classification system using MobileNetV2 Convolutional Neural Network (CNN) architecture for automated detection of poultry diseases from excreta images only, and to validate model predictions against laboratory microbiological analyses. A total dataset of 8,087 labeled excreta images was compiled across four health categories: Healthy, Salmonella, Coccidiosis, and Newcastle Disease, and subsequently split into training (6,471) and validation (1,616) subsets at an 80:20 ratio. The MobileNetV2 model was trained over eight epochs with data augmentation strategies and evaluated using precision, recall, F1-score, accuracy, and confusion matrix analysis. The model achieved an overall accuracy of 91%, with the highest per-class F1-score for Coccidiosis (0.97) and the lowest for Newcastle Disease (0.75). The CNN MobileNetV2 architecture demonstrates strong potential for real-time, non-invasive poultry disease monitoring.
Co-Authors Abdul Karim Muqofi Alfiana Fatmawati Arib Zainul Muafi Fiqi Widyawati Irvanda Putrama Jeffadha Rhenggajati Umbaratama Rizal Aji Mustofa Sri Widiastuti Sri Widiastuti Thoriqul Irfah Al-Huda Wildan Deni Fahrezi