RJOCS (Riau Journal of Computer Science)
Riau Journal of Computer Science diterbitkan dengan maksud untuk mengumpulkan artikel ilmiah dari peneliti, pemakalah, inovasi, prosiding seminar dan konsep ilmu pengetahuan dalam bidang ilmu komputer, informatika, sistem informasi atau yang relevan, kemudian mempublikasikan artikel tersebut. Riau Journal of Computer Science terbit 2 kali dalam setahun pada bulan januari dan juli. isi artikel yang dimuat bukan cerminan sikap dan/atau pandangan redaksi. Seluruh isi artikel menjadi tanggung jawab penulis Adapun ruang lingkup Jurnal Riau Journal Computer of Science (RJoCS) adalah: 1. Computer Architecture 2. Computer Network 3. Human—Computer Interaction 5. Virtual/Augmented Reality 6. Computer Security 7. Software Engineering (Software: Lifecycle, Management, Engineering Process, Engineering Tools and Methods) 8. Data Engineering (Data and Knowledge level Modeling, Information Management (DB) practices, Knowledge Based Management System, Knowledge Discovery in Data) 9. IT Governance 10. Networking Technology 11. Robotic Instrumentation 12. Information Search Engine 13. Multimedia 14. Mobile Processing 15. Natural Language Processing 16. Intelligence applications 17. Computer vision and speech understanding 18. Multimedia and cognitive informatics 19. Data mining and machine learning tools, heuristic and AI planning strategies and tools, computational theories of learning Artikel yang akan dimuat merupakan karya yang orisinil dan belum pernah dipublikasikan. Artikel yang masuk akan direview oleh tim reviewer yang berasal dari internal maupun eksternal Program studi S1 Teknik Informatika, Fakultas Ilmu Komputer, Universitas Pasir Pengaraian
Articles
10 Documents
Search results for
, issue
"Vol. 10 No. 2 (2024): RJOCS (Riau Journal of Computer Science)"
:
10 Documents
clear
<![CDATA[Sistem Informasi Akademik Sekolah Menengah Kejuruan (SMK) Terpadu Ujung Batu Berbasis Web ]]>
<![CDATA[Fitra Yuda]]>;
<![CDATA[Khairul Sabri]]>;
<![CDATA[Dona]]>;
<![CDATA[Retchi Puspita]]>;
<![CDATA[M. Rasyid]]>
<![CDATA[ RJOCS (Riau Journal of Computer Science) Vol. 10 No. 2 (2024): RJOCS (Riau Journal of Computer Science) ]]>
Publisher : <![CDATA[Fakultas Ilmu Komputer, Universitas Pasir Pengaraian ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30606/rjocs.v10i2.2596
<![CDATA[Sistem Informasi Akademik adalah salah-satu aplikasi yang dirancang untuk kebutuhan pengolahan data administratif sekolah dengan tujuan supaya data akademik lebih terkelola dengan baik dalam pengambilan keputusan di lingkungan sekolah. SMK Terpadu Ujungbatu tempat penulis melakukan penelitian, belum memanfaatkan perkembangan teknologi secara maksimal dalam pengolahan data akademik seperti data siswa/i, nilai harian/ujian, serta raport siswa/i yang masih belum terintegrasi dengan sistem karena belum adanya sistem yang menampung tentang data akademik tersebut. Selain itu media pengumuman dilakukan dengan cara menempel selebaran (pamflet) pada mading, serta penyimpanan data-data akademik yang juga masih berbentuk arsip sehingga sulit untuk melakukan pencarian data. Hal tersebut dirasa kurang efektif dalam suatu pengelolaan manajemen sekolah, mengingat dari perkembangan teknologi yang semakin pesat saat ini. Penelitian ini bertujuan untuk merancang sistem informasi akademik sekolah berbasis web dengan menggunakan metode waterfall. Dalam pembangunan yang nantinya menghasilkan aplikasi siakad berbasis web ini diharapkan dapat lebih membantu dalam pengelolaan data akademik sehingga lebih efektif lagi. Siswa/i dapat lebih mudah dalam mengakses dan melihat nilai, materi pembelajaran ataupun informasi-informasi seputar aktivitas sekolah pada aplikasi akademik berbasis web tersebut, dan dapat diterapkan baik di sekolah tempat penulis melakukan penelitian, ataupun sekolah lain yang membutuhkan.]]>
<![CDATA[Analisis Dan Perancangan Sistem Informasi Produksi Buah Kelapa Sawit Berbasis WEB Pada Koperasi Mekar Jaya ]]>
<![CDATA[Fauziah, Fauziah]]>;
<![CDATA[Yuda, Fitra]]>;
<![CDATA[Puspita, Retchi]]>;
<![CDATA[Mutia, Cut]]>
<![CDATA[ RJOCS (Riau Journal of Computer Science) Vol. 10 No. 2 (2024): RJOCS (Riau Journal of Computer Science) ]]>
Publisher : <![CDATA[Fakultas Ilmu Komputer, Universitas Pasir Pengaraian ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30606/rjocs.v10i2.2836
<![CDATA[Koperasi Mekar Jaya merupakan salah satu mitra perusahaan yang bergerak dibidang perkebunan kelapa sawit yang pada sistem berjalan memiliki permasalahan dalam pengolahan data produksi yang disebabkan kesulitan dalam perekapan data panen buah yang diterima karena tulisan tangan yang tidak dapat terbaca dengan baik, lamanya proses pencarian data produksi buah dan pembuatan laporan karena disimpan dalam folder yang berbeda berdasarkan area kebun dan tahun. Dari permasalahan yang ada penulis mengusulkan perancangan sistem informasi produksi buah kelapa sawit berbasis web dalam bentuk prototype yang dapat dimplementasikan sehingga dapat menjadi solusi dalam mengatasi permasalahan yang ada. Pemodelan perancangan sistem informasi produksi buah kelapa sawit berbasis web pada Koperasi Mekar Jaya menggunakan alat bantu yaitu usecase diagram, activity diagram dan class diagram. Hasil penelitian ini berupa prototype sistem informasi produksi buah kelapa sawit berbasis web yang dapat membantu Koperasi Mekar Jaya dalam mengatasi permasalahan yang dihadapi.]]>
<![CDATA[SISTEM INFORMASI PENGGAJIAN BERBASIS WEB PADA KLINIK NUR AZIMA KM.73 ]]>
<![CDATA[Mutia, Cut]]>;
<![CDATA[Yuda, Fitra]]>;
<![CDATA[Puspita, Retchi]]>;
<![CDATA[Fauziah]]>;
<![CDATA[Zulfikar]]>
<![CDATA[ RJOCS (Riau Journal of Computer Science) Vol. 10 No. 2 (2024): RJOCS (Riau Journal of Computer Science) ]]>
Publisher : <![CDATA[Fakultas Ilmu Komputer, Universitas Pasir Pengaraian ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30606/rjocs.v10i2.2839
<![CDATA[Klinik Nur Azima Km.73 merupakan salah satu fasilitas yang berfokus pada pelayanan medis untuk masyarakat. Klinik ini melayani pemeriksaan dan konsultasi bidan, apotek dan lain – lain. Dalam menjalankan operasionalnya, klinik ini memiliki sejumlah tenaga medis dan non medis yang harus di kelola secara efektif termasuk dalam hal penggajian. Dimana pemanfaatan teknologi sistem penggajian di Klinik Nur Azima Km.73 masih belum baik, dan memiliki beberapa kendala yaitu data yang di catat sering hilang, tulisan tidak jelas, buku terkena air, perhitungan gaji masih dilakukan secara manual, serta laporan penggajian masih dilakukan secara manual yaitu masih di catat di dalam buku besar sehinggal hal ini sangat tidak efektif dan berdampak negafit terhadap kepuasan karyawan sehingga sering memakan waktu dan sering terjadi kesalahan dalam perhitungan gaji. Tujuan dari penelitian ini adalah Untuk menganalisis dan merancang sistem informasi penggajian berbasis Web pada Klinik Nur Azima Km.73. Dari beberapa permasalah tersebut, maka dilakukan penelitian untuk menganalisa dan merancang sistem informasi penggajian dengan berbasis WEB dengan menggunakan metode Prototype. Hasil yang di dapat dari penelitian ini adalah sebuah Perancangan Sistem Informasi Penggajian Berbasis WEB untuk memudahkan bagian admin keuangan, dan bagian administrasi dalam mengelola dan melihat Sistem Penggajian.]]>
<![CDATA[EVALUASI PENGUKURAN KUALITAS WEBSITE PGRI RIAU DENGAN MENGGUNAKAN METODE WEBQUAL 4.0 ]]>
<![CDATA[Eci, Retchi]]>;
<![CDATA[Yudha, Fitra]]>;
<![CDATA[Zulfikar]]>;
<![CDATA[Mutia, Cut]]>;
<![CDATA[Fauziah]]>
<![CDATA[ RJOCS (Riau Journal of Computer Science) Vol. 10 No. 2 (2024): RJOCS (Riau Journal of Computer Science) ]]>
Publisher : <![CDATA[Fakultas Ilmu Komputer, Universitas Pasir Pengaraian ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30606/rjocs.v10i2.2844
<![CDATA[Metode WebQual 4.0 merupakan salah satu alat yang paling komprehensif dalam menilai kualitas suatu website berdasarkan tiga dimensi utama, yaitu kualitas kegunaan (usability quality), kualitas informasi (information quality), dan kualitas interaksi layanan (service interaction quality). Penelitian ini menggunakan pendekatan kuantitatif dengan mengumpulkan data melalui kuesioner yang disebarkan kepada pengguna website PGRI Riau. Hasil analisis menunjukkan bahwa dimensi kualitas informasi memperoleh skor tertinggi, diikuti oleh kualitas kegunaan dan kualitas interaksi layanan. Penelitian ini mengindikasikan bahwa meskipun informasi yang disediakan oleh website sudah cukup baik, masih terdapat ruang untuk peningkatan dalam aspek kegunaan dan interaksi layanan. Rekomendasi yang diberikan termasuk peningkatan navigasi, desain antarmuka, serta peningkatan responsivitas dan interaksi pengguna. Hasil penelitian ini diharapkan dapat menjadi masukan bagi pengelola website PGRI Riau dalam upaya meningkatkan kualitas website mereka agar lebih efektif dalam mendukung kegiatan dan layanan yang diberikan kepada anggotanya.]]>
<![CDATA[Implementasi Deep Learning dengan Convolutional Neural Network untuk Pendeteksian Hama pada Sawi Hijau Menggunakan Google Colab ]]>
<![CDATA[Ulfi, Meitra]]>;
<![CDATA[Nurliani]]>;
<![CDATA[Nurafidah, Annisa]]>;
<![CDATA[Saudah]]>;
<![CDATA[Lubis, Adyanata]]>
<![CDATA[ RJOCS (Riau Journal of Computer Science) Vol. 10 No. 2 (2024): RJOCS (Riau Journal of Computer Science) ]]>
Publisher : <![CDATA[Fakultas Ilmu Komputer, Universitas Pasir Pengaraian ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30606/rjocs.v10i2.2854
<![CDATA[Penelitian ini mengkaji penerapan metode Convolutional Neural Network (CNN) untuk mengidentifikasi penyakit hama pada daun sawi hijau berdasarkan gambar berwarna, dengan tujuan utama mengembangkan model yang mampu mendeteksi berbagai jenis penyakit hama dengan akurasi tinggi guna membantu petani dalam mengelola penyakit pada tanaman sawi hijau secara lebih efektif. Google Colab digunakan sebagai platform pemrosesan karena menyediakan lingkungan komputasi yang kuat dengan akses gratis ke GPU, sehingga mempercepat pelatihan model. Dataset yang digunakan dalam penelitian ini diperoleh dari platform Kaggle, yang menyediakan 100 gambar sampel untuk pelatihan dan 50 gambar untuk validasi yang terbagi dalam dua kelas: sehat dan terinfeksi hama. Validasi dilakukan untuk menguji kemampuan model dalam memprediksi data baru yang belum pernah dilihat sebelumnya, dan model CNN dibangun menggunakan berbagai pustaka seperti TensorFlow, Keras, NumPy, Pandas, Matplotlib, dan scikit-learn. Hasil penelitian menunjukkan bahwa model CNN yang dikembangkan mampu mencapai akurasi sebesar 99% pada pengujian menggunakan 10 epoch. Dengan hasil ini, diharapkan sistem yang diusulkan dapat digunakan sebagai alat bantu yang efektif bagi petani dalam mengidentifikasi penyakit hama pada daun sawi hijau, sehingga dapat meningkatkan hasil dan kualitas produksi tanaman sawi hijau]]>
<![CDATA[Klasifikasi Akurasi Kematangan Buah Apel Anna Berdasarkan Analisis Warna Model Nasnet Pada Convolutional Neural Network (CNN) ]]>
<![CDATA[Lestari, Ayu]]>;
<![CDATA[Amelia, Reski]]>;
<![CDATA[Husni, Nisatul]]>;
<![CDATA[Andriani, Amelia]]>;
<![CDATA[Satria Riki Mustafa]]>;
<![CDATA[Akhmad Zulkifli]]>
<![CDATA[ RJOCS (Riau Journal of Computer Science) Vol. 10 No. 2 (2024): RJOCS (Riau Journal of Computer Science) ]]>
Publisher : <![CDATA[Fakultas Ilmu Komputer, Universitas Pasir Pengaraian ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30606/rjocs.v10i2.2856
<![CDATA[Apel (Malus Domestica) merupakan salah satu jenis buah yang unggul dan sangat diminati masyarakat karena rasanya yang bervariasi. Buah apel memiliki banyak nutrisi dan berbagai macam vitamin diantaranya lemak baik, karbohidrat, protein, vitamin dan masih banyak lagi. Apel anna merupakan salah satu varietas apel yang dikembangkan diKota Batu, Malang dan berkembang di beberapa wilayah yang memiliki agroklimat yang sesuai untuk pertumbuhan apel. Penelitian ini menggunakan citra gambar buah apel anna sebagai dataset. Berbagai cara dapat dilakukan untuk membedakan kematangan apel anna, salah satunya melalui analisis citra warna. Namun, secara kasat mata, kematangan apel anna sering kali sulit dibedakan. Tujuan penelitian ini adalah melakukan klasifikasi kematangan apel anna berdasarkan analisis warna menggunakan metode Convolutional Neural Network (CNN). Dengan menggunakan google colab dan bahasa pemograman phyton dan dataset dari kaggle.com sebanyak 139 dataset, data training 46%, data validasi 54%. Metode Convolutional Neural Network (CNN dipilih karena kemampuannya dalam mengenali pola visual dengan akurasi tinggi. Hasil pengujian menunjukkan bahwa model Convolutional Neural Network (CNN mampu mengklasifikasikan kematangan apel anna dengan akurasi rata-rata mencapai 95%. Penelitian ini membuktikan bahwa metode Convolutional Neural Network (CNN efektif untuk mengidetintifikasi fitur visual yang relevan untuk menentukan tingkat kematangan buah apel anna)]]>
<![CDATA[Akurasi 12 Layer Convolutional Neural Network (CNN) Untuk Jenis Tumor Otak Dari Hasil Citra MRI Dengan Google Colab Dan Dataset Kaggle ]]>
<![CDATA[Arif Mukti, Muhammad]]>;
<![CDATA[Arif Kurniawan]]>;
<![CDATA[Samsul Bahri]]>;
<![CDATA[Cut Nayla Husin]]>;
<![CDATA[Yanto, Budi]]>;
<![CDATA[Asmen, Faisal]]>
<![CDATA[ RJOCS (Riau Journal of Computer Science) Vol. 10 No. 2 (2024): RJOCS (Riau Journal of Computer Science) ]]>
Publisher : <![CDATA[Fakultas Ilmu Komputer, Universitas Pasir Pengaraian ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30606/rjocs.v10i2.2857
<![CDATA[Tumor otak merupakan salah satu penyakit mematikan di dunia. Menurut data Global Cancer Observatory, kasus tumor otak di Indonesia pada tahun 2021 mencapai 5.964 kasus serta tingkat kematian berada pada posisi 12 dengan 5298 kasus. Diagnosa cepat dan lebih dini tentu akan mampu menekan tingkat kematian tumor otak. sehingga dilakukan Penelitian ini mengusulkan penggunaan Convolutional Neural Network (CNN) dengan model 12 layer untuk mengklasifikasikan jenis tumor otak berdasarkan gambar MRI. Dataset terdiri dari empat kelas: Glioma, pituitary, Meningioma, dan Notumor. Metode penelitian melibatkan pengumpulan data, preprocessing, desain arsitektur CNN, pelatihan model, dan evaluasi. Hasil pengujian menunjukkan bahwa model mampu mengklasifikasikan jenis tumor otak dengan akurasi yang memuaskan. Penerapan 12 layer meningkatkan kinerja dengan mengatasi masalah hilangnya gradien. Berdasarkan penelitian tersebut, klasifikasi tumor otak menggunakan CNN dengan arsitektur 12 layer dapat mendukung deteksi dini tumor otak untuk meningkatkan akurasi diagnostik. Pada penelitian ini akurasi terbaik diperoleh sebesar 79% pada percobaan epoch ke-5]]>
<![CDATA[Klasifikasi Prediksi Penyakit Paru-Paru Normal dengan Pneumonia berdasarkan Citra Image X-ray dengan Optimasi Adam Convolutional Neural Network (CNN) ]]>
<![CDATA[Alvito Dian Deva]]>;
<![CDATA[Firmansyah Firdaus]]>;
<![CDATA[Syarif Hasyim]]>;
<![CDATA[Yanto, Budi]]>;
<![CDATA[Hendri]]>;
<![CDATA[Riski Mai Candra]]>
<![CDATA[ RJOCS (Riau Journal of Computer Science) Vol. 10 No. 2 (2024): RJOCS (Riau Journal of Computer Science) ]]>
Publisher : <![CDATA[Fakultas Ilmu Komputer, Universitas Pasir Pengaraian ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30606/rjocs.v10i2.2858
<![CDATA[Pneumonia merupakan salah satu penyakit paru-paru yang disebabkan oleh bakteri, virus, jamur, ataupun parasit. Kantung udara dipenuhi oleh cairan sehingga menyebabkan sesak dan batuk berdahak. Pengamatan kondisi paru-paru pasien dilakukan paramedis melalui foto rontgen (X-rays). Foto rontgen ini memiliki biaya yang murah di bandingan dengan diagnosis dengan alat medis yang lain yang mempunyai kemiripan fungsinya. Pada penelitian ini mengunakan foto rontgen untuk mendeteksi foto rontgen yang paru paru normal serta yang terkena penyakit pneumonia mengunakan metode Convolutional Neural Network (CNN) yang di preprocessing citra digitalnya dengan standard deviasi. Penelitian ini dilakukan dengan tujuan untuk mengklasifikasikan hasil x-rays kedalam sebuah program untuk mengetahui apakah terdapat pneumonia atau tidak. Dalam penelitian ini menghasilkan akurasi sebesar 98% untuk gambar yang di preprocessing mengunakan standard deviasi serta 90% yang hanya mengunakan metode Convolutional Neural Network (CNN). Hasil tersebut mengunakan data foto rontgen sebanyak 624 gambar yang terdiri dari 2 kelas yaitu kelas paru paru normal dan paru terkena pneumonia. Dari total tersebut dimana total gambar yang normal sebanyak 234 dan yang terkena penyakit 390 gambar. Fungsi aktivasi Convolutional Neural Network (CNN) menggunakan fungsi Rectifier Linear Unit (ReLU), fungsi optimasi Adam, dan epoch sebanyak 200. Optimasi Adam merupakan pengembangan dari optimasi yang sudah ada seperti Stochastic Gradient Descending (SGD), AdaGard, dan RMSProp. Hasil klasifikasi model yang dibangun sebesar 99,98% untuk data latih dengan 100 epoch, dan akurasi pada data uji sebesar 78% yang berarti model mampu mengkualifikasi 78% data uji ke dalam kelas normal dan pneumonia dengan tepat. Berdasarkan hasil pengujian, diperoleh rata-rata nilai akurasi dan rata-rata nilai loss secara sekuensial sebesar 89,58% dan 47,43%. Hasil pengujian ini menunjukkan bahwa metode Convolutional Neural Network (CNN) cukup mampu untuk melakukan klasifikasi kasus pneumonia]]>
<![CDATA[Penerapan Convolutional Neural Network (CNN) Pada Klasifikasi Ras Kucing Padigree Dengan Model Keras Sequential ]]>
<![CDATA[Hidayatullah, Riski]]>;
<![CDATA[Meisaroh]]>;
<![CDATA[Ezra Ariendy Widodo]]>;
<![CDATA[Fatimah]]>;
<![CDATA[Satria Riki Mustafa]]>
<![CDATA[ RJOCS (Riau Journal of Computer Science) Vol. 10 No. 2 (2024): RJOCS (Riau Journal of Computer Science) ]]>
Publisher : <![CDATA[Fakultas Ilmu Komputer, Universitas Pasir Pengaraian ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30606/rjocs.v10i2.2859
<![CDATA[Kucing pedigree, juga dikenal sebagai kucing ras murni, adalah kucing yang memiliki silsilah leluhur yang tercatat dan terdokumentasi dengan jelas. Penelitian ini membahas penerapan Convolutional Neural Network (CNN) pada klasifikasi ras kucing padigree dengan jenis ras utama (Abyssinian, American bobtail, American Shorhair,persia,Ragdoll). pada penelitian ini berfokus pada ras kucing padigree yang memiliki ciri khusus baik itu tinggi,ketebalan bulu,model kaki. Dengan menggunakan google colab dan bahasa pemograman phyton dan dataset dari( www.kaggle.com ) dengan menggunakan library TensorFlow dan Keras untuk mengoptimalkan model dan meningkatkan akurasi klasifikasi sebanyak 375-1875 dataset, data training 60% data latih, 20% data validasi, dan 20% data uji. Metode Convolutional Neural Network (CNN) dipilih karena kemampuannya dalam mengenali pola visual dengan akurasi tinggi. Hasil pengujian menunjukkan bahwa model Convolutional Neural Network (CNN mampu mengklasifikasikan jenis kucing padigree dengan akurasi rata-rata mencapai 93,75%. Waktu rata-rata yang dibutuhkan untuk klasifikasi adalah 90 detik, dengan waktu terlama 97 detik. Penelitian ini dapat digunakan sebagai referensi untuk pengembangan aplikasi yang dapat membantu pemilik kucing mengetahui ras kucing padigree dengan lebih mudah dan meningkatkan efisiensi dalam proses klasifikasi ras kucing padigree]]>
<![CDATA[Akurasi Citra Image Penyakit Daun Kentang berdasarkan Citra Sehat, Citra Early Blight, dan Citra Late Blight Menggunakan Convolutional Neural Network (CNN) ]]>
<![CDATA[Rohima]]>;
<![CDATA[Hariyen Ulfa]]>;
<![CDATA[Yuliani]]>;
<![CDATA[Hafiz Maulana]]>;
<![CDATA[Fimawahib, Luth]]>;
<![CDATA[Fauzi Erwis]]>
<![CDATA[ RJOCS (Riau Journal of Computer Science) Vol. 10 No. 2 (2024): RJOCS (Riau Journal of Computer Science) ]]>
Publisher : <![CDATA[Fakultas Ilmu Komputer, Universitas Pasir Pengaraian ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30606/rjocs.v10i2.2862
<![CDATA[Kentang merupakan salah satu produk hasil pertanian yang memiliki kandungan tepung tertinggi keempat setelah jagung, gandum, dan padi. Pengelolaan pertanian kentang menghadapi berbagai permasalahan, salah satunya adalah penyakit pada daun kentang yang dapat menyebabkan hasil produksi yang buruk hingga gagal panen jika tidak ditangani dengan tepat. Dua penyakit yang sering ditemui pada daun kentang adalah early blight dan late blight, yang masing-masing memiliki gejala serta penanganan berbeda. Proses klasifikasi penyakit yang lambat dapat menyebabkan tambahan biaya untuk perawatan. Penelitian ini memanfaatkan algoritma deep learning, yaitu Convolutional Neural Network (CNN), untuk klasifikasi citra daun kentang. Metode CNN menggunakan proses konvolusi di mana citra dipecah menjadi gambar-gambar yang lebih kecil dengan konvolusi yang sama. Hasil dari gambar-gambar kecil tersebut kemudian dimasukkan ke dalam array baru yang digunakan untuk prediksi. Data yang digunakan dalam penelitian ini berjumlah 5400 citra, terbagi menjadi tiga kelas: citra sehat, citra early blight, dan citra late blight. Hasil pengujian menunjukkan akurasi tertinggi pada data validasi sebesar 99% dengan waktu komputasi per epoch sekitar 2,5 detik. Dengan demikian, dapat disimpulkan bahwa algoritma deep learning Convolutional Neural Network (CNN) mampu melakukan proses klasifikasi penyakit pada citra daun kentang dengan sangat baik.]]>
