cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Yudhi Nugroho Adi
Contact Email
library@tekomuniversity.ac.id
Phone
+628128000110
Journal Mail Official
library@telkomuniversity.ac.id
Editorial Address
Jl. Telekomunikasi - Ters. Buah Batu Bandung 40257 Indonesia
Location
Kota bandung,
Jawa barat
INDONESIA
eProceedings of Engineering
Published by Universitas Telkom
ISSN : 23559365     EISSN : -     DOI : https://doi.org/10.34818/eoe.v9i5.18452
Core Subject : Science, Engineering,
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering
Merupakan media publikasi karya ilmiah lulusan Universitas Telkom yang berisi tentang kajian teknik. Karya Tulis ilmiah yang diunggah akan melalui prosedur pemeriksaan (reviewer) dan approval pembimbing terkait.
Arjuna Subject : Teknik (semua kategori) - Teknik (Lain-Lain)
Articles 2 Documents
 1 
Search results for , issue "Vol. 8 No. 2 (2021): April 2021" : 2 Documents clear
Peringkas Teks Otomatis Bahasa Indonesia Secara Abstraktif Menggunakan Metode Long Short-term Memory Saputra, Muhammad Alfhi; Maki, Wikky Fawwaz Al
eProceedings of Engineering Vol. 8 No. 2 (2021): April 2021
Publisher : eProceedings of Engineering

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

Abstract

bstrak Salah satu topik dalam bidang Natural Language Processing (NLP) yang cukup menantang adalah peringkas teks otomatis. Dalam praktiknya peringkas teks otomatis terbagi menjadi dua pendekatan, yaitu ekstraktif dan abstraktif. Pendekatan abstraktif dinilai lebih baik karena cara kerjanya mendekati cara kerja manusia ketika meringkas teks atau yang disebut parafrase. Metode yang digunakan pada penelitian ini adalah Long Short-Term Memory (LSTM) yang mana metode tersebut telah sukses melakukan peringkasan dalam Bahasa Inggris. Dataset yang digunakan adalah kumpulan artikel berita media daring Bahasa Indonesia. Hasil terbaik yang didapatkan pada pengujian dengan metode LSTM menggunakan metode evaluasi ROUGE-1 adalah 0.13846. Kata kunci: peringkas teks otomatis, abstraktif, Bahasa Indonesia, long short-term memory, ROUGE Abstract One topic about natural language processing that is quite challenging is automatic text summarization. Automatic-text-summarization is practically divided into two kinds of approach, namely extractive and abstractive. Abstractive-approach is considered better since it resembles how humans work in terms of text summarizing or paraphrasing. A method used in this study is Long Short-Term Memory (LSTM) which has succeeded to summarize texts in English. Datasets that have been used are a number of online news articles in Bahasa Indonesia. The best result gained using LSTM based on the ROUGE-1 evaluation is 0.13846. Keywords: automatic text summarization, Bahasa Indonesia, long short-term memory, ROUGE
Deteksi Penyakit Tanaman Cabai Menggunakan Metode Convolutional Neural Network Dzaky, Athallah Tsany Rakha; Maki, Wikky Fawwaz Al
eProceedings of Engineering Vol. 8 No. 2 (2021): April 2021
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Penyakit dari suatu tanaman akan sangat mempengaruhi hasil panen dari tanaman tersebut. Jika penyakitnya tidak segera ditangani maka penyakit tersebut dapat merusak tanaman dan mengakibatkan gagal panen yang akan berpengaruh ekonomi. Maka dari itu deteksi penyakit tanaman menjadi hal yang sangat penting dalam proses perawatan tanaman. Tanaman cabai merupakan salah satu bahan makanan yang paling sering digunakan dalam berbagai masakan di Indonesia. Banyaknya permintaan maka akan diperlukan adanya penambahan lahan cabai. Semakin luas lahannya maka akan semakin besar usaha yang diperlukan untuk merawat dan mengawasi tanaman. Dengan perkembangan teknologi saat ini, memungkinkan dilakukannya pengawasan terhadap tanaman secara otomatis menggunakan sistem komputer. Dengan menggunakan image processing penyakit yang dapat dilihat dan direkam oleh kamera akan dapat dianalisis dan diidentifikasikan oleh komputer. Dengan begitu pengawasan tanaman akan menjadi lebih mudah dan efisien. Beberapa penyakit tanaman cabai yang terlihat dan cukup sering ditemui adalah virus kuning, keriting mosaik, dan layu. Ciri penyakit tersebut bisa dilihat dari bentuk dan warna daun. Pada penelitian ini dilakukan pengenalan penyakit dengan menggunakan algoritma CNN. CNN digunakan agar model dapat mengekstrak fitur dan melakukan klasifikasi citra secara otomatis. Data citra yang digunakan diambil langsung dari perkebunan cabai di Jawa Tengah. Data diambilsekitar pukul 10.00 – 12.00 siang, sehingga citra memiliki warna yang jelas. Model ini akan bisa mengklasifikasikan 4 jenis kondisi daun dengan 3 penyakit dan 1 kondisi normal. Model CNN ini bisa menghasilkan akurasi diatas 90% menggunakan arsitektur AlexNet. Kata kunci : Tanaman Cabai, Penyakit Tanaman, CNN, Neural Network, AlexNet. Abstract Disease from a plant will greatly affect the harvest of that plant. If the disease is not treated immediately, it can damage the crops and resulting in crop failure which will affect the economy. Therefore detection of plant diseases is very important. Chili plants are one of the most commonly used food ingredients in various dishes in Indonesia. With a large number of requests, it will require additional chili fields. The more extensive the land, the greater the effort required to care for and maintain the plants. With current technological developments, it is possible to observe plants disease automatically using a computer system. By using image processing, disease that can be seen and recorded by the camera can be analyzed and identified by a computer. That way, crop disease identification will become easier and more efficient. Some of the diseases that are seen and often encountered are yellow virus, curl mosaic, and wilting. The characteristics of the disease can be seen from the shape and color of the leaves. In this study, disease recognition was carried out using the CNN algorithm. CNN is used so that the model can extract features and perform image classification automatically. The image data used were taken directly from chili plantations in Central Java. Data is taken around 10:00 - 12:00 AM, so the image has a clear color. This model will be able to classify 4 types of leaf conditions with 3 diseases and 1 normal condition. This CNN model can produce an accuracy over 90% using AlexNet architecture. Keyword : Chili Plant, Plant Disease, CNN, Neural Network, AlexNet

Page 1 of 1 | Total Record : 2

 1 

Filter by Year

2021 2021


Reset
Filter By Issues
All Issue Vol. 12 No. 6 (2025): Desember 2025 Vol. 12 No. 5 (2025): Oktober 2025 Vol. 12 No. 4 (2025): Agustus 2025 Vol. 12 No. 3 (2025): Juni 2025 Vol. 12 No. 2 (2025): April 2025 Vol. 12 No. 1 (2025): Februari 2025 Vol. 11 No. 6 (2024): Desember 2024 Vol. 11 No. 5 (2024): Oktober 2024 Vol. 11 No. 4 (2024): Agustus 2024 Vol. 11 No. 3 (2024): Juni 2024 Vol. 11 No. 2 (2024): April 2024 Vol. 11 No. 1 (2024): Februari 2024 Vol. 10 No. 6 (2023): Desember 2023 Vol. 10 No. 5 (2023): Oktober 2023 Vol 10, No 5 (2023): Oktober 2023 Vol. 10 No. 4 (2023): Agustus 2023 Vol. 10 No. 3 (2023): Juni 2023 Vol 10, No 3 (2023): Juni 2023 Vol 10, No 2 (2023): April 2023 Vol. 10 No. 2 (2023): April 2023 Vol. 10 No. 1 (2023): Februari 2023 Vol 9, No 6 (2022): Desember 2022 Vol. 9 No. 5 (2022): Oktober 2022 Vol 9, No 5 (2022): Oktober 2022 Vol 9, No 4 (2022): Agustus 2022 Vol. 9 No. 4 (2022): Agustus 2022 Vol 9, No 3 (2022): Juni 2022 Vol 9, No 2 (2022): April 2022 Vol 9, No 1 (2022): Februari 2022 Vol 8, No 6 (2021): Desember 2021 Vol 8, No 5 (2021): Oktober 2021 Vol. 8 No. 5 (2021): Oktober 2021 Vol 8, No 4 (2021): Agustus 2021 Vol 8, No 3 (2021): Juni 2021 Vol. 8 No. 2 (2021): April 2021 Vol 8, No 2 (2021): April 2021 Vol 8, No 1 (2021): Februari 2021 Vol 7, No 3 (2020): Desember 2020 Vol 7, No 2 (2020): Agustus 2020 Vol 7, No 1 (2020): April 2020 Vol 6, No 3 (2019): Desember 2019 Vol 6, No 2 (2019): Agustus 2019 Vol 6, No 1 (2019): April 2019 Vol 5, No 3 (2018): Desember 2018 Vol 5, No 2 (2018): Agustus 2018 Vol 5, No 1 (2018): April 2018 Vol 4, No 3 (2017): Desember, 2017 Vol 4, No 2 (2017): Agustus, 2017 Vol 4, No 1 (2017): April, 2017 Vol 3, No 3 (2016): Desember, 2016 Vol 3, No 2 (2016): Agustus, 2016 Vol 3, No 1 (2016): April, 2016 Vol 2, No 3 (2015): Desember, 2015 Vol 2, No 2 (2015): Agustus, 2015 Vol 2, No 1 (2015): April, 2015 Vol 1, No 1 (2014): Desember, 2014 More Issue