cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
-
Contact Email
-
Phone
-
Journal Mail Official
-
Editorial Address
-
Location
Kota bogor,
Jawa barat
INDONESIA
Jurnal Ilmu Komputer dan Agri-Informatika
Published by Institut Pertanian Bogor
ISSN : 20896026     EISSN : -     DOI : -
Core Subject : Science, Agriculture,
Agriculture, Biological Sciences & Forestry Computer Science & IT
Jurnal Ilmu Komputer dan Agri-Informatika (JIKA) diterbitkan setiap bulan Mei dan November, memuat tulisan ilmiah yang berhubungan dengan bidang Ilmu Komputer serta aplikasi informatika untuk pengembangan pertanian. Berkala ilmiah ini menerima tulisan hasil penelitian dari luar IPB.
Arjuna Subject : -
Articles 10 Documents
 1 
Search results for , issue "Vol. 10 No. 2 (2023)" : 10 Documents clear
Analisis Potensi Lokasi dan Klasifikasi Electronic Data Capture (EDC) pada UMKM BNI Agen46 Putra, Fiqhri Mulianda; Marimin; Sony Hartono Wijaya; Nusantara, Reinaldy Jalu
Jurnal Ilmu Komputer dan Agri-Informatika Vol. 10 No. 2 (2023)
Publisher : Departemen Ilmu Komputer, Institut Pertanian Bogor

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29244/jika.10.2.133-146

Abstract

Dalam era digitalisasi, peran agen-agen bank menjadi semakin penting dalam memberikan layanan keuangan kepada masyarakat. Bank BNI sebagai salah satu bank terkemuka di Indonesia, memiliki jaringan agen yang luas untuk mendekatkan layanan perbankan kepada nasabah. Dalam upaya mengoptimalkan jaringan agennya, Bank BNI melakukan analisis spasial menggunakan metode clustering K-means untuk menentukan lokasi potensial pendirian Agen46 baru di DKI Jakarta. Selain itu, juga dilakukan pembuatan model klasifikasi random forest Agen46 produktif dan non-produktif untuk mengoptimalkan penggunaan mesin EDC dan menghemat biaya operasional. Berdasarkan analisis spasial dengan metode clustering K-means, ditemukan tujuh lokasi potensial untuk pendirian Agen46 baru di DKI Jakarta, yaitu kecamatan Jagakarsa, Makasar, Pesanggrahan, Grogol Petamburan, Taman Sari, Tambora, dan Johar Baru. Model klasifikasi yang dibuat berhasil membedakan Agen46 yang produktif dan non-produktif dengan akurasi yang tinggi. Selain itu, pembuatan model klasifikasi Agen46 menjadi penting dalam mengenali agen-agen yang tidak produktif, sehingga dapat dilakukan antisipasi dan penanggulangan yang cepat untuk memperbaiki efisiensi penggunaan mesin EDC. Hasil analisis prediksi dan model klasifikasi ini diharapkan dapat memberikan panduan dan dasar kebijakan yang lebih baik bagi Bank BNI dalam menentukan lokasi penempatan mesin EDC Agen46 di masa depan. Dengan demikian, diharapkan Bank BNI dapat mempercepat proses pengklasifikasian Agen46, meningkatkan pemanfaatan mesin EDC, dan mengoptimalkan efisiensi biaya terkait dengan agen-agen BNI.
Pengelompokan Publikasi Ilmiah Berdasarkan Bidang Kepakaran Menggunakan Latent Dirichlet Allocation dan Normalized PSO-K-means Hayatina, Fina Charisma; Wijaya, Sony Hartono; Hardhienata, Medria Kusuma Dewi
Jurnal Ilmu Komputer dan Agri-Informatika Vol. 10 No. 2 (2023)
Publisher : Departemen Ilmu Komputer, Institut Pertanian Bogor

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29244/jika.10.2.121-132

Abstract

Salah satu cara untuk memvalidasi klaim kepakaran dosen adalah dengan meninjau dokumen publikasi ilmiah yang tersedia. Namun, menentukan kelompok kepakaran dari sejumlah dokumen memerlukan pengetahuan yang memadai dan waktu yang relatif lama, sehingga menjadi sulit dilakukan. Penelitian ini bertujuan untuk membangun suatu model yang dapat mengelompokkan dokumen berdasarkan bidang kepakaran. Penelitian ini menggunakan algoritma klasterisasi K-means untuk mengelompokkan dokumen berdasarkan bidang kepakaran dosen. Latent dirichlet allocation digunakan untuk mereduksi dimensi data, dan particle swarm optimization digunakan untuk menentukan centroid awal pada algoritma K-means. Hasil penelitian ini berhasil mengelompokkan dokumen publikasi ilmiah dengan nilai koefisien silhouette sebesar 0.42. Selain itu, penggunaan PSO sebagai penentu centroid optimal pada algoritma K-means dapat meningkatkan nilai koefisien silhouette sebesar 5.56%. Model yang dibangun dievaluasi dengan mencocokkan klaster yang dihasilkan dengan klaim yang diberikan. Hasilnya menunjukkan bahwa sebanyak 75% hasil pencocokan sesuai dan 25% tidak sesuai.
Pemilihan Algoritma Machine Learning untuk Perangkat dengan Komputasi Terbatas pada Deteksi Kematangan Buah Melon Berjala Zakiah, Rizqi Alifahasni; Wahjuni, Sri; Suwarno, Willy Bayuardi
Jurnal Ilmu Komputer dan Agri-Informatika Vol. 10 No. 2 (2023)
Publisher : Departemen Ilmu Komputer, Institut Pertanian Bogor

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29244/jika.10.2.189-199

Abstract

Karakteristik yang diinginkan dari buah melon oleh konsumen meliputi rasa manis, ukuran buah sedang hingga besar, daging tebal dengan warna menarik dan tekstur renyah, serta masa simpan yang relatif lama. Memprediksi waktu panen menjadi hal yang penting terkait masa simpan buah dengan harapan buah melon dapat mencapai konsumen dalam keadaan dan kualitas terbaik, serta memberikan pengalaman yang memuaskan bagi konsumen. Saat ini, ketersediaan tenaga kerja pemanen dengan kemampuan yang mumpuni dalam menentukan buah melon yang akan dipanen menjadi salah satu kendala. Penggunaan robot pertanian dalam pemanenan buah melon merupakan salah satu solusi yang efektif dalam mengatasi permasalahan tersebut. Robot pertanian ini membutuhkan sistem yang mampu memprediksi stadia kematangan buah melon untuk dipanen. Penelitian ini fokus pada analisis perbandingan kinerja antara dua algoritma machine learning yaitu Support Vector Machine (SVM) dan Random Forest (RF), dengan tujuan menentukan pilihan optimal saat menerapkannya pada perangkat komputasi terbatas. SVM dan RF memiliki nilai akurasi tinggi, masing-masing 82% dan 73%. Keduanya juga memiliki waktu komputasi yang cepat, dengan rata-rata waktu inferensi masing-masing 2.14 detik dan 2.15 detik. Rata-rata penggunaan CPU pada algoritma SVM lebih tinggi dibandingkan dengan algoritma RF yaitu 17.80% sedangkan RF 15.48%. Meskipun SVM memiliki precision, recall, dan f-scored yang sedikit lebih tinggi dibandingkan dengan RF, namun setelah dilakukan independent 2-samples t-test terhadap inference time dan penggunaan CPU, didapatkan hasil bahwa tidak ada perbedaan nyata antara SVM dan RF. Keduanya sama-sama memiliki kinerja yang baik dan masuk ke dalam kategori good classification. Meninjau hal tersebut, algoritma RF menjadi algoritma yang disarankan karena memiliki tingkat akurasi yang baik, waktu komputasi cepat, dan penggunaan rata-rata sumberdaya CPU lebih rendah
Model Klasifikasi Fase Pertumbuhan Tebu dari Citra Sentinel 1 Multi-temporal Menggunakan Algoritma Random Forest Bramdito, Vandam Caesariadi; Wijaya, Sony Hartono; Sitanggang, Imas Sukaesih
Jurnal Ilmu Komputer dan Agri-Informatika Vol. 10 No. 2 (2023)
Publisher : Departemen Ilmu Komputer, Institut Pertanian Bogor

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29244/jika.10.2.212-223

Abstract

The Special Region of Yogyakarta, a designated sugarcane center, demands special attention for effective extensification efforts, necessitating spatial insights into sugarcane farming. Monitoring of sugarcane fields served to obtain information on the growth phases of sugarcane and its distribution for agricultural extensification strategies. For this reason, it is necessary to carry out image classification using the Random Forest reliable algorithm to classify sugarcane growth phases in multi-temporal Sentinel 1 images. The sugarcane planting calendar Map is conducted from the image classification outcomes and then tested for its accuracy for evaluation. The classification process involves analyzing each image captured monthly throughout 2020, with a dataset comprising 9690 sample pixels across six classification classes: buildings, vegetation, water bodies, rice fields, sugarcane phase class 1, and sugarcane phase class 2. The results show that the Sentinel 1 image consisting of 13 images has an average classification model accuracy of 65.38%. Notably, the image classification achieved its pinnacle performance in October, boasting the highest overall accuracy level at 73.33%, accompanied by an RMSE value of 2.05.
Deteksi Citra Digital Penyakit Cacar Monyet menggunakan Algoritma Convolutional Neural Network dengan Arsitektur MobileNetV2 Fransisca, Putri Sarah; Matondang, Nurhafifah
Jurnal Ilmu Komputer dan Agri-Informatika Vol. 10 No. 2 (2023)
Publisher : Departemen Ilmu Komputer, Institut Pertanian Bogor

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29244/jika.10.2.200-211

Abstract

Pada bulan Juli tahun 2022, penyakit cacar monyet ditetapkan sebagai darurat kesehatan global. Hal ini dikarenakan penyakit cacar monyet sudah terjadi di lebih dari 70 negara. Kasus cacar monyet di Indonesia ditemukan pertama kali pada bulan Agustus 2022 di Kota Jakarta. Kesamaan gejala yang dimiliki oleh penyakit cacar monyet, cacar air, dan campak menjadi tantangan untuk para tenaga kerja kesehatan dalam membedakan penyakit tersebut. Penelitian ini mengembangkan sebuah model algoritma deteksi otomatis untuk mendeteksi citra digital penyakit cacar monyet. Algoritma tersebut adalah convolutional neural network dengan arsitektur MobileNetV2 serta penerapan transfer learning. Pelatihan model dilakukan dengan jumlah 5 epoch dan mengimplementasikan dua jenis optimizer, yaitu Adam dan RMSprop. Penerapan Adam optimizer dengan learning rate 10-4 menghasilkan akurasi pada data uji sebesar 94%, akurasi pada data latih sebesar 92%, dengan nilai loss function 27%. Hasil yang berbeda dihasilkan oleh penerapan RMSprop optimizer dengan learning rate 45×10-3 menghasilkan akurasi pada data uji sebesar 97%, akurasi pada data latih mencapai 97% namun nilai loss function cukup tinggi yaitu mencapai 52%. Hasil ini menunjukkan bahwa Adam optimizer lebih efektif dalam menyempurnakan parameter model untuk mengoptimalkan deteksi gambar cacar monyet selama pelatihan.
Pengembangan Sistem Manajemen Pengetahuan Tumbuhan Obat Indonesia Berbasis Ontologi Syukriyansyah; Wisnu Ananta Kusuma; Annisa
Jurnal Ilmu Komputer dan Agri-Informatika Vol. 10 No. 2 (2023)
Publisher : Departemen Ilmu Komputer, Institut Pertanian Bogor

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29244/jika.10.2.147-163

Abstract

Pengetahuan tumbuhan obat oleh masyarakat atau etnis lokal untuk penyakit atau gejala tertentu telah berperan penting dalam penemuan beberapa obat berharga yang telah digunakan secara turun-temurun selama bertahun-tahun. Selain itu, banyak sumber pengetahuan tumbuhan obat Indonesia yang heterogen dan terpisah-pisah sehingga sangat penting untuk mengintegrasikannya. Oleh karena itu, sangat penting untuk mengembangkan sistem manajemen pengetahuan (KMS) yang dapat menyimpan, mengelola, berbagi, dan merepresentasikan pengetahuan tumbuhan obat Indonesia sehingga dapat dibagikan, digunakan kembali, dan dimanfaatkan dalam kesehatan Indonesia. Penelitian ini menggunakan ontologi sebagai pola dalam membangun grafik pengetahuan dengan menggunakan basis data graf Neo4j dan kueri Chyper untuk melakukan penalaran pengetahuan berbasis graf. Penalaran pengetahuan berbasis graf digunakan untuk memperoleh pengetahuan terkait. Ontologi dibangun berdasarkan konsep kunci dalam pengobatan tradisional kemudian dipadukan dengan ontologi penyakit (DO) untuk mengatasi kesenjangan antara istilah pemanfaatan tumbuhan tradisional dan istilah medis serta memperkaya pengetahuan kedokteran Indonesia. Sumber data yang digunakan untuk membangun ontologi antara lain adalah Laporan Nasional Eksplorasi Pengetahuan Lokal Etnomedisin dan Tumbuhan Obat di Indonesia Berbasis Komunitas, integreted Digitized Biocollections (iDigBio), Global Biodiversity Information Facility (GBIF), Disease Ontology (DO), Basis Data Tanaman Obat Indonesia (HerbalDB), Dr. Duke’s Phytochemical and Ethnobotanical Databases (Dr. Duke’s), Indian Medicinal Plants, Phytochemystry and Teurapeutics (IMPPAT), Collection of Open Natural Products (COCONUT), KNApSAcK, BioGRID, DisGeNET, dan Side Effect Resource (SIDER). Sistem dikembangkan dengan arsitektur REST API yang terdiri dari front-end (klien) dan back-end (server). Klien memiliki dua sistem utama, yaitu pencarian pengetahuan dan manajemen pengetahuan.
Perbandingan Algoritma Klasifikasi untuk Mendeteksi Kebutuhan Nitrogen Tanaman Padi Berdasarkan Data Citra Multi-spectral Drone Kahfi Gunardi; Karlisa Priandana; Medria Kusuma Dewi Hardhienata; Wulandari; Mohamad Solahudin
Jurnal Ilmu Komputer dan Agri-Informatika Vol. 10 No. 2 (2023)
Publisher : Departemen Ilmu Komputer, Institut Pertanian Bogor

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29244/jika.10.2.238-249

Abstract

Optimalisasi penggunaan pupuk Nitrogen (N) sangat penting untuk meningkatkan produktivitas tanaman padi. Untuk mengetahui jumlah pupuk yang diperlukan oleh tanaman padi, petani umumnya menggunakan Bagan Warna Daun (BWD) dengan cara mencocokkan warna daun padi dengan warna pada BWD secara manual. Namun, hal ini sangat memakan waktu. Salah satu strategi untuk meningkatkan efisiensi penentuan kebutuhan pupuk N adalah dengan menggunakan Multi-spectral Drone. Drone digunakan untuk mengambil citra multispectral, kemudian citra ini digunakan untuk menentukan kebutuhan pupuk N. Penelitian ini membandingkan beberapa algoritma klasifikasi untuk memodelkan kebutuhan pupuk N dari data citra multispectral, dengan menggunakan ground truth dari penskalaan BWD. Algoritma klasifikasi yang dibandingkan yaitu Decision Tree (DT), Artificial Neural Network (ANN), Support Vector Machine (SVM), Random Forest (RF), dan K-Nearest Neighbour (KNN). Kinerja kelima algoritma klasifikasi diukur berdasarkan accuracy, recall, precision dan F1 score. Dalam penelitian ini, ditemukan bahwa model klasifikasi yang memiliki kinerja terbaik adalah algoritma Decision Tree (DT) baik dalam perlakuan tanpa normalisasi dan balancing dan dengan normalisasi dan balancing dengan nilai accuracy, recall, precision, dan­­­ F1-score di atas 90%.
Implementasi Pendekatan Algoritma Deep Learning CNN untuk Identifikasi Citra Pasien Keratitis Agmalaro, Muhammad Asyhar; Kusuma, Wisnu Ananta; Rif’ati, Lutfah; Pramita Andarwati; Anton Suryatama; Rosy Aldina; Hera Dwi Novita; Ovi Sofia
Jurnal Ilmu Komputer dan Agri-Informatika Vol. 10 No. 2 (2023)
Publisher : Departemen Ilmu Komputer, Institut Pertanian Bogor

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29244/jika.10.2.164-175

Abstract

The incidence of keratitis globally ranges from 0.4 to 5.2 per 10,000 people annually. Keratitis can only be identified by an ophthalmologist using a slitlamp as a fundamental instrument for specific eye examination in secondary care facilities. In primary care facilities, eye specialists and slitlamps are not available. This causes delay in the diagnosis and treatment of keratitis patients in public health centers or areas with limited facilities and access to doctors/ophthalmologists. This research aims to develop a keratitis identification model using the convolutional neural network (CNN) method and training data consisting of images produced by smartphones and combined with slitlamp images. The training accuracy of the developed model is 92% with a dropout layer set at 0.3, and the average validation accuracy is 83%, indicating that the model training did not experience overfitting. The testing results with new data achieved an accuracy of 90%. Next, the parameters of the best model will be integrated into an application running on the Android operating system. However, the application’s functionality and UX/UI performance need to be improved to facilitate seamless use of the model.
Kecerdasan Buatan untuk Monitoring Hama dan Penyakit pada Tanaman Eucalyptus: Systematic Literature Review Nasution, Tegar Alami; Yeni Herdiyeni; Wisnu Ananta Kusuma; Budi Tjahjono; Iskandar Zulkarnaen Siregar
Jurnal Ilmu Komputer dan Agri-Informatika Vol. 10 No. 2 (2023)
Publisher : Departemen Ilmu Komputer, Institut Pertanian Bogor

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29244/jika.10.2.224-237

Abstract

Eucalyptus plants, renowned for their economic and environmental significance, are cultivated globally. Despite their value, these plants are vulnerable to pest and disease attacks, impacting productivity and quality. Accurate and timely monitoring is required to control pests and diseases in eucalyptus plants. The conventional method of human-based direct observation for monitoring pests and diseases in eucalyptus plants is fraught with weaknesses. Therefore, efforts are needed to enhance the effectiveness and efficiency of monitoring pests and diseases in eucalyptus plants through artificial intelligence or AI technology. AI is used to automatically detect and classify pests and diseases in eucalyptus plants using machine learning or deep learning algorithms and image processing. This study aims to provide a comprehensive review of the use of AI for detecting pests and diseases in eucalyptus plants using the Systematic Literature Review (SLR) method. Through this approach, this study identifies, evaluates, and analyzes relevant literature on the research topic from various digital sources. This study also provides an overview of the latest developments, methods used, and results achieved, as well as challenges and opportunities in the field of AI research for detecting pests and diseases in eucalyptus plants.
Aplikasi Mobile Untuk Monitoring Tanaman Hidroponik Kangkung Berbasis Thingspeak dan Firebase Atmaja, Fakhri Tri; Muhammad Fachrie
Jurnal Ilmu Komputer dan Agri-Informatika Vol. 10 No. 2 (2023)
Publisher : Departemen Ilmu Komputer, Institut Pertanian Bogor

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29244/jika.10.2.176-188

Abstract

One of the hindrances to agricultural growth in Indonesia is the diminishing agricultural land. Hydroponics is a potential solution for the challenges faced by farmers with limited land resources, since it enables cultivation to be conducted in water-based environments, both vertically and horizontally. Gubuk Mbah Bayan is an individual engaged in the cultivation of hydroponic plants. Gubuk Mbah Bayan continues to employ a manual monitoring technique, requiring farmers to physically visit the field in order to assess the state of the agricultural environment. The objective of this study is to enhance an automated monitoring system designed for monitoring hydroponic plant culture conditions. The system utilizes temperature, total dissolved solid (TDS), and pH data. The proposed system adopts the Internet of Things (IoT) paradigm, connecting Arduino microcontroller with digital sensors. This research encompasses five distinct steps, which include problem identification, system architecture design, program implementation, integration, and testing. The outcome of this research is the development of a hydroponic plant cultivation monitoring system, conveniently accessible through a mobile application. This technology enables farmers to remotely and instantly monitor the hydroponic environment. The testing employed in this study is the system usability scale (SUS) approach. The hydroponic monitoring application demonstrates satisfactory performance, user-friendliness, and utility in assisting farmers with monitoring the hydroponic environment.

Page 1 of 1 | Total Record : 10

 1 

Filter by Year

2023 2023


Reset
Filter By Issues
All Issue Vol. 12 No. 2 (2025) Vol. 12 No. 1 (2025) Vol. 11 No. 2 (2024) Vol. 11 No. 1 (2024) Vol. 10 No. 2 (2023) Vol. 10 No. 1 (2023) Vol 9 No 2 (2022) Vol 9 No 1 (2022) Vol 8 No 2 (2021) Vol. 8 No. 2 (2021) Vol. 8 No. 1 (2021) Vol. 7 No. 2 (2020) Vol. 7 No. 1 (2020) Vol. 5 No. 2 (2018) Vol. 5 No. 1 (2018) Vol. 4 No. 1 (2015) Vol. 3 No. 2 (2014) Vol 3, No 1 (2014) Vol. 3 No. 1 (2014) Vol. 2 No. 2 (2013) Vol 2, No 2 (2013) Vol 2, No 1 (2013) Vol. 2 No. 1 (2013) Vol 1 No 2 (2012) Vol 1, No 2 (2012) Vol 1 No 1 (2012) Vol 1, No 1 (2012) More Issue