Claim Missing Document
Check
Articles

Found 3 Documents
Search

Deteksi Penyakit Pada Daun Kentang Menggunakan Pengolahan Citra dengan Metode Convolutional Neural Network Abdul Jalil Rozaqi; Andi Sunyoto; M rudyanto Arief
Creative Information Technology Journal Vol 8, No 1 (2021): Januari - Juni
Publisher : UNIVERSITAS AMIKOM YOGYAKARTA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24076/citec.2021v8i1.263

Abstract

Produk pertanian kentang menjadi sangat penting karena termasuk makanan utama bagi manusia. Kentang memiliki kandungan karbohidrat yang menjadikanya sebagai makanan utama. Dalam mengelola pertanian kentang ini tentu memiliki beberapa kendala diantaranya adalah penyakit yang menyerang pada daun kentang yang jika dibiarkan akan menghasilkan produksi yang buruk atau bahkan gagal panen. Late blight dan early blight adalah penyakit yang sering ditemui pada daun kentang. Penyakit ini memiliki gejala masing-masing sehingga para petani dapat melakukan pencegahan jika melihat gejala pada daun kentang, tetapi langkah ini memliki kelemahan yaitu proses identifikasi yang lama, dan jika penanganan pada penyakit daun ini sangat lambat akan mengakibatkan penambahan biaya perawatan. Dengan memanfaatkan teknologi yaitu berupa pengolahan citra digital maka hal ini bisa diatasi, jadi pada penelitian ini akan mengusulkan metode yang tepat dalam mendeteksi penyakit pada daun kentang. Klasifikasi akan dilakukan dengan tiga kelas berupa daun sehat, early blight, dan late blight menggunakan metode Deep Learning mengguanakan arsitektur Convolutional Neural Network (CNN). Hasil pada peneltian ini dianggap baik karena pada epoch ke 10 dengan batch size 20 menghasilkan training akurasi 95% dan validation accuracy 94%.Kata Kunci—Penyakit daun kentang, late blight, early blight, identifikasi, CNNPotato agricultural products are essential because they are the leading food. Potatoes have carbohydrate content, which makes them the leading food for humans. But in carrying out this potato farming certainly has several obstacles, including the disease that attacks the potato leaves which if left unchecked will result in poor production or even crop failure. late blight and early blight are diseases that are often found in potato leaves. This disease has its own symptoms so that farmers can take precautions if they see symptoms on potato leaves, but this step has a weakness that is a long identification process, and if the handling of this leaf disease is very slow will result in additional maintenance costs. By utilizing technology in the form of digital image processing, this can be overcome, so this research will propose an appropriate method in detecting diseases in the leaves of potato plants. Classification will be carried out with three classes in the form of healthy leaves, early blight, and late blight using the Convolutional Neural Network (CNN) algorithm. The results of this research are considered good because on the 10th epoch with batch size 20 produces 95% accuracy training and 94% validation accuracy.Keywords—Potato leaf disease, late blight, early blight, identification, CNN
PENERAPAN ALGORITMA K NEAREST NEIGHBOR UNTUK REKOMENDASI MINAT KONSENTRASI DI PROGRAM STUDI TEKNIK INFORMATIKA UNIVERSITAS PGRI YOGYAKARTA Adi Prasetyo; Kusrini Kusrini; M Rudyanto Arief
Informasi Interaktif Vol 4, No 1 (2019): Jurnal Informasi Interaktif
Publisher : Universitas Janabadra

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (312.179 KB)

Abstract

The graduation time of a student is very important because it relates to many parties, in addition to the students concerned, guardian lecturers, and program study programs and related parties in the time of student graduation. one of the factors which is the result of graduation from informatics engineering study program students is that many students are wrong in taking thesis titles that are not in accordance with their interests and concentration. So research needs to be done to solve this problem. One way to solve problems is to make predictions. Selection of interest by using student data using Case Base Reasoning (CBR). In this study applying the K-NN Algorithm in determining recommendations in choosing the concentration. The results obtained from this study are by classification using the K-NN Algorithm obtained concentrations that match their interests.  Keywords : Predictions, Case Base Reasoning, K-NN Algorithm
ANALISIS KLASIFIKASI BENCANA BANJIR BERDASARKAN CURAH HUJAN MENGGUNAKAN ALGORITMA NAÏVE BAYES Slamet Triyanto; Andi Sunyoto; M Rudyanto Arief
JOISIE (Journal Of Information Systems And Informatics Engineering) Vol 5 No 2 (2021)
Publisher : Institut Bisnis dan Teknologi Pelita Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35145/joisie.v5i2.1785

Abstract

Penelitian data mining dalam berbagai aspek termasuk dalam bencana, khususnya bencana banjir terus dilakukan. Dengan adanya jumlah curah hujan dan dengan hanya terdapat 2 (dua) kelas dalam bencana banjir yakni Banjir dan Tidak Banjir, maka Naïve Bayes sangat memungkinkan untuk digunakan sebagai algoritma dalam melakukan perhitungan probability. Dengan akurasi yang baik, maka algoritma Naïve Bayes dalam peneltian ini sangat layak disandingkan dengan berbagai algoritma lainnya khususnya untuk melakukan klasifikasi dengan 2 (dua) kelas. Selain pemilihan algoritma yang tepat, penggunaan dataset yang tepat untuk dilakukan pengujian menjadikan proses mining data dapat memberikan informasi yang tepat. Pengujian menggunakan dataset yang telah diuji dengan algoritma lain sebelumnya, dijadikan pembanding sehingga diketahui dengan pola dan ciri khas dataset diperoleh informasi algoritma data mining yang tepat. Dengan demikian, peningkatan keilmuan khususnya dalam data mining dapat terus berkembang. Meskipun tidak dapat dipungkiri dataset yang tersedia perlu untuk dilakukan preprocessing data. Tahap preprocessing data ini dilakukan untuk mendapat dataset yang baik. Kemudian data melwati tahap pembagian/splitting, barulah data diolah menggunakan algoritma naïve bayes. Dalam pengujian menggunakan library dari Scikit-Learn ini ternyata Naïve mampu memberikan akurasi sebesar 79.16%. Berbeda dengan pengujian selanjutnya, Naïve Bayes diterapkan pada RapidMiner sebagai pembanding. Keluaran dari RapidMiner cukup mengejutkan karena akurasi mencapai 98,31%.