Article Per Year (5 Year)
p-Index From 2019 - 2024
2.232
P-Index
This Author published in this journals
All Journal International Journal of Electrical and Computer Engineering Techno.Com: Jurnal Teknologi Informasi Bulletin of Electrical Engineering and Informatics Sinkron : Jurnal dan Penelitian Teknik Informatika Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) INTECOMS: Journal of Information Technology and Computer Science Jurnal Mantik Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer) Prosiding Seminar Nasional Sisfotek (Sistem Informasi dan Teknologi Informasi) Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi)
Dhani Ariatmanto
Universitas Amikom Yogyakarta
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Mathematics Mechanical Engineering Transportation

Published : 14 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : Techno.Com: Jurnal Teknologi Informasi

 1 
Identifikasi Penyakit Tanaman Jagung Berdasarkan Citra Daun Menggunakan Convolutional Neural Network Bima Widianto; Ema Utami; Dhani Ariatmanto
Techno.Com Vol 22, No 3 (2023): Agustus 2023
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33633/tc.v22i3.8425

Abstract

Komoditas jagung di Indonesia menjadi tanaman pangan terbesar kedua setelah padi sebagai sumber karbohidrat. Namun dikarenakan keterbatasan kemampuan petani dan faktor lingkungan menyebabkan upaya penanganan tanaman jagung akibat adanya serangan organisme pengganggu tanaman menjadi terhambat. Penelitian ini mengusulkan upaya deteksi secara dini terhadap jenis penyakit pada daun tanaman jagung menggunakan metode Convolutional Neural Network (CNN) yang dikenal sebagai algoritma pembelajaran mesin berkinerja tinggi dalam mengklasifikasikan jenis penyakit tanaman ke dalam beberapa kelas seperti Blight, Common Rust, Grey Leaf Spot, dan Healthy. Selain itu, transformasi warna citra dari RGB, HSV dan Grayscale, proses segmentasi dengan Region of Interest (ROI) serta dilengkapi dengan penerapan ektraksi fitur tekstur dengan menggunakan GLCM telah mampu menghasilkan tingkat akurasi sebesar 94% dan nilai loss rate yang relatif kecil yaitu 0.1742. Hasil penelitian ini menunjukkan bahwa penggunaan metode CNN terbukti secara efisien & efektif dalam melakukan identifikasi jenis penyakit tanaman.
Co-Authors Adrianto Mahendra Wijaya Agus Fatkhurohman Alva Hendi Muhammad Anjar Setiawan annisa gatri zakinah Ari Eka Prasetiyanto Bambang Soedijono Bima Widianto Dendi Anggriandi Dewi Yustika Lakoro Elisa Tikasni Ema Utami Emanuel Minggu Fatihatul Khairani Ferda Ernawan Kusrini M Suyanto M. Iqbal Abdullah Sukri2 Maulana Brama Shandy Ma’ruf Aziz Muzani Muhammad Rusdi Rahman Muhammad Salimy Ahsan Rizki Firdaus Mulya Syifa Nur Fauziah