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 187 Documents
 13   14   15   16   17 
Model Klasifikasi Kesesuaian Lahan Bawang Putih Menggunakan Interpolasi Spasial dan Algoritme Pohon Keputusan Imas Sukaesih Sitanggang; Annisa; Dini Hayati
Jurnal Ilmu Komputer dan Agri-Informatika Vol. 11 No. 1 (2024)
Publisher : Sekolah Sains Data, Matematika, dan Informatika. Institut Pertanian Bogor

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29244/jika.11.1.1-12

Abstract

Bawang putih merupakan salah satu hasil hortikultura yang harus terpenuhi setiap tahunnya. Jumlah produksi bawang putih tidak sebanding dengan jumlah konsumsi bawang putih menjadi acuan pemerintah untuk melakukan impor guna mencukupi kebutuhan dalam negeri. Hal ini menjadi dasar pemerintah untuk melakukan swasembada bawang putih. Usaha yang dilakukan untuk mencapai swasembada bawang putih salah satunya adalah melakukan perluasan lahan untuk tanaman bawang putih. Penelitian ini bertujuan untuk menentukan model klasifikasi kesesuaian lahan bawang putih menggunakan algoritme C5.0 berdasarkan karakteristik lahan dan interpolasi temperatur menggunakan metode Inverse Distance Weighted (IDW). Penelitian ini menghasilkan pohon keputusan dengan 5 aturan kelas kesesuaian lahan dengan akurasi sebesar 97.81% pada dataset dengan data temperatur bulan Mei 2022. Variabel penting dalam menentukan kelas kesesuaian lahan pada periode ini adalah kedalaman mineral tanah. Sedangkan nilai akurasi pada dataset dengan data temperatur bulan Juli 2022 menghasilkan model pohon keputusan dengan 17 aturan kelas kesesuaian lahan dengan akurasi sebesar 95.91%. Variabel penting dalam menentukan kelas kesesuaian lahan pada periode ini adalah kejenuhan basa.
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.
Evaluasi Tingkat Keamanan Informasi pada Dinas Kominfo Lampung Selatan Menggunakan Indeks Kami 4.3 Kurniawan; Firmansyah; Wasilah; Hasibuan, Muhammad Said
Jurnal Ilmu Komputer dan Agri-Informatika Vol. 11 No. 1 (2024)
Publisher : Sekolah Sains Data, Matematika, dan Informatika. Institut Pertanian Bogor

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29244/jika.11.1.13-18

Abstract

Dinas Komunikasi dan Informasi kabupaten Lampung Selatan mengelola dan menyimpan berbagai jenis data sensitif, termasuk data pribadi penduduk seperti nama, alamat, nomor identitas, dan data pribadi lainnya. Kebocoran data dapat menimbulkan risiko tindak kejahatan memberikan akses yang tidak sah kepada pihak-pihak yang tidak berwenang. Salah satu cara untuk mencegah dan mengurangi ancaman kebocoran data di sistem informasi dengan melakukan audit keamanan sistem informasi. Metode audit keamanan sistem informasi yang diaplikasikan adalah indeks Keamanan Informasi (KAMI). Hasil menunjukkan bahwa tingkat kematangan bernilai I yang bermakna kerangka kerja dan teknologi dan keamanan bernilai rendah dan belum layak sehingga diperlukan banyak perbaikan, untuk kategori pengolahan risiko dan pengolahan aset termasuk dalam tingkat kematangan I+ yang menunjukkan bahwa tergolong rendah sehingga butuh perbaikan dan peningkatan untuk mendapatkan nilai yang cukup baik atau baik, tata kelola termasuk dalam tingkat kematangan II yang menunjukkan bahwa pengelolaan aset tergolong pemenuhan kerangka kerja dasar.
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%.
Perbaikan Kualitas Citra Cahaya Redup Menggunakan Teknik Perbaikan Histogram Equalization dan Adaptive Multi-scale Retinex Aprilianti, Dhila; Nelvi, Annisa Amanda; Khairunisa, Aulia; Inyasdi Kahvi, Muhamad Restu; Giri, Endang Purnama; Marcelita, Faldiena; Muhammad, Fadhel
Jurnal Ilmu Komputer dan Agri-Informatika Vol. 11 No. 1 (2024)
Publisher : Sekolah Sains Data, Matematika, dan Informatika. Institut Pertanian Bogor

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29244/jika.11.1.19-26

Abstract

Citra low light seringkali memiliki kualitas yang rendah, dengan kurangnya cahaya yang menyebabkan citra yang gelap, kontras rendah, dan detail yang terabaikan. Dalam upaya untuk meningkatkan citra low light berbagai metode telah dikembangkan, termasuk histogram equalization dan adaptive multi-scale retinex (AMSR). Dari kedua metode ini, belum ada kesepakatan mengenai mana yang lebih efektif dalam perbaikan citra low light. Dalam penelitian ini, kami membandingkan kinerja metode histogram equalization dan AMSR dalam perbaikan citra low light. Metode histogram equalization diterapkan untuk mengubah distribusi intensitas piksel dalam citra. Histogram equalization memiliki kelemahan dalam mempertahankan kontras lokal dan dapat menghasilkan citra yang terlalu tajam. Selanjutnya, metode AMSR diterapkan untuk memperbaiki kontras dan detail citra low light. Dalam penelitian ini, AMSR diterapkan dengan skala adaptif pada berbagai tingkat deteksi. Hasil penelitian menunjukkan bahwa kedua metode memiliki kemampuan untuk meningkatkan citra low light. Metode histogram equalization memberikan peningkatan yang signifikan dalam kontras global dan kecerahan citra, sementara metode AMSR berhasil mempertahankan kontras lokal dan detail citra. Perbedaan juga terjadi pada hasil yang diperoleh, tergantung pada karakteristik citra dan preferensi pengguna. Berdasarkan analisis dan evaluasi yang dilakukan, dapat disimpulkan bahwa kedua metode memiliki kelebihan dan kelemahan masing-masing dalam perbaikan citra low light.
Prediksi Performa Akademik Mahasiswa untuk Kelulusan Predikat Cum Laude dengan Pendekatan Machine Learning Indra Kusuma Budiyanto , Firgiawan; Hermadi, Irman; Hardhienata, Medria Kusuma Dewi
Jurnal Ilmu Komputer dan Agri-Informatika Vol. 11 No. 1 (2024)
Publisher : Sekolah Sains Data, Matematika, dan Informatika. Institut Pertanian Bogor

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29244/jika.11.1.39-49

Abstract

Penelitian ini bertujuan untuk mengembangkan model yang dapat memprediksi jumlah mahasiswa yang lulus dengan predikat cum laude pada perguruan tinggi. Penelitian ini menggunakan algoritma machine learning untuk klasifikasi sehingga dapat dilakukan prediksi. Hasil dari penelitian ini menunjukkan efektivitas model dalam memprediksi kelulusan cum laude agar dapat memberikan kesempatan bagi universitas untuk meningkatkan kualitas lulusan secara keseluruhan dan mengatasi penurunan standar kelulusan yang mungkin terjadi. Prediksi jumlah mahasiswa cum laude dilakukan pada penelitian ini, untuk membantu proses pengambilan keputusan oleh pemangku kebijakan pada perguruan tinggi. Dengan memanfaatkan teknik machine learning, institusi dapat mengantisipasi dan mendukung mahasiswa dalam mencapai predikat cum laude, sehingga diharapkan dapat meningkatkan kualitas lulusan secara keseluruhan. Dalam penelitian ini, dibandingkan tiga algoritma machine learning yakni algoritma Naïve Bayes, Random Forest, dan C4.5 untuk melakukan prediksi kelulusan mahasiswa dengan predikat cum laude. Hasil penelitian menunjukkan bahwa dalam kasus ini kinerja terbaik dicapai oleh algoritma Naïve Bayes dengan nilai akurasi 87.60%, precision 86.70%, recall 92.10% dan F1-score 89.30%. Selain itu, algoritma Naïve Bayes juga menghasilkan nilai waktu komputasi terendah pada kasus yang diujikan dibandingkan dengan algoritma lainnya.
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.

Page 15 of 19 | Total Record : 187

 13   14   15   16   17 

Filter by Year

2012 2025


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