Article Per Year (5 Year)
p-Index From 2019 - 2024
0.817
P-Index
This Author published in this journals
All Journal Telematika SISFOTENIKA Informatika : Jurnal Informatika, Manajemen dan Komputer
Nur Nafi'iyah
Unknown Affiliation
Computer Science & IT Education

Published : 4 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search

 1 
CNN Architecture for Classifying Types of Mango Based on Leaf Images Nur Nafi'iyah; Jauharul Maknun
Telematika Vol 14, No 2: August (2021)
Publisher : Universitas Amikom Purwokerto

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35671/telematika.v14i2.1262

Abstract

In such conditions, it is necessary to have a system that can automatically classify plant species or identify types of plant diseases using either machine learning or deep learning. The plant classification system for ordinary people who are not familiar with the field of crops is not an easy job, it requires in-depth knowledge of the field from the experts. This study proposes a system for identifying mango plant species based on leaves using the CNN method. The reason for proposing the CNN method from previous research is that the CNN method produces good accuracy. Most previous studies to classify plant species use the leaves of the plant. The purpose of this study is to propose a CNN architectural model in classifying mango species based on leaf imagery. The input image of colored mango tree leaves measuring 224x224 is trained based on the CNN architectural model that was built. There are 4 CNN architectural models proposed in the study and 1 transfer learning InceptionV4. Based on the evaluation test results of the proposed CNN architectural model, that the best architectural model is the third. The number of parameters of the third CNN architecture is 1,245,989 with loss values and accuracy during evaluation are 1,431 and 0.55. The largest number of parameters is transfer learning InceptionV3 21,802,784, but transfer learning shows the lowest accuracy value and the highest loss, namely 0.2, and 1.61.
ANALISIS ALGORITMA BACKPROPAGATION DENGAN SVM DALAM HASIL PREDIKSI NILAI UJIAN NASIONAL PADA SEKOLAH TINGKAT PERTAMA Nur Nafi'iyah
I N F O R M A T I K A Vol 12, No 1 (2020): MEI 2020
Publisher : STMIK DUMAI

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (751.1 KB) | DOI: 10.36723/juri.v12i1.204

Abstract

Dalam menyikapi ujian nasional tingkat SMP beberapa sekolah dan dinas pendidikan di daerah selalu berusaha mendadakan try out. Tujuan diadakan try out dan bimbingan belajar adalah siswa agar dapat lulus di ujian nasional. Usaha yang dilakukan tersebut agar siswa bisa memenuhi grade kelulusan ujian nasional. Selain dengan cara tersebut, dapat dilakukan dengan membuat suatu sistem yang dapat memprediksi nilai ujian nasional siswa SMP. Penelitian ini bertujuan untuk membandingkan hasil prediksi nilai ujian nasional siswa SMP dengan algoritma backpropagation dan SVM. Di mana dataset yang digunakan adalah dataset nilai ujian nasional pada mata pelajaran Bahasa Indonesia, Bahasa Inggris, Matematika, dan Ilmu Pengetahuan Alam siswa SMP. Kami membuat arsitektur algoritma backpropagation dengan 2 model. Model pertama dengan 5 node hidden layer, dan model kedua dengan 7 node hidden layer. Input dari kedua algoritma adalah 7 variabel, dengan 701 baris dataset, 561 baris untuk pelatihan dan 140 baris pengujian, dan outputnya adalah nilai ujian nasional. Hasil pengujian antara backpropagation dan algoritma SVM menghasilkan nilai MSE terendah, yaitu backpropagation dengan MSE rata-rata 103,3. Di mana struktur yang digunakan dalam algoritma backpropagation dengan 7 node input layer, 5 node hidden layer dan 1 node output layer. Sedangkan jika menggunakan struktur algoritma backpropagation dengan 7 node input layer, 7 node hidden layer, dan 1 node output layer MSE adalah 106,6. Jika menggunakan algoritma SVM, nilai MSE rata-rata adalah 200. Kata kunci : Nilai Ujian Nasional SMP, Backpropagation, SVM
Price Prediction of Vegetable Oil Kaggle Data with Multiple Linear Regression and Backpropagation Nur Nafi'iyah; Nela Nevrivanti Aulia
SISFOTENIKA Vol 12, No 2 (2022): SISFOTENIKA
Publisher : STMIK PONTIANAK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30700/jst.v12i2.1071

Abstract

Indonesia has an abundant agricultural sector. The agricultural sector is very abundant, one of which is coconut oil, palm oil. Oil prices are often uncontrolled fluctuations that cannot be determined based on parameters. The ups and downs of oil prices can be seen clearly from graphs and tables of previous data. Farmers who plant coconut and oil palm often experience losses due to the high cost of planting, but when harvesting the price drops. In order to reduce the losses experienced by farmers, we propose a vegetable oil price prediction system. The aim of this research is to predict the price of vegetable oil, starting from palm oil, coconut oil, fish oil, soybean oil, peanut oil, and sunflower oil by using multiple linear regression and Backpropagation methods. The data used is from Kaggle, with year and month input variables, from 2006 to 2018. The total dataset is 153 lines, used training 110 lines, and testing 43 lines. The results of our prediction of accuracy testing with MAPE, the average accuracy value of the multiple linear regression method is 0.385, and the average accuracy value of the Backpropagation method is 0.209. Based on the MAPE accuracy results, the multiple linear regression algorithm and Backpropagation show the best Backpropagation
ANALISIS JUMLAH NODE HIDDEN LAYER ALGORITMA BACKPROPAGATION DALAM IDENTIFIKASI PENYAKIT MATA Nur Nafi'iyah; Irma Dwi Rohmawati
I N F O R M A T I K A Vol 14, No 1 (2022): MEI 2022
Publisher : STMIK DUMAI

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36723/juri.v14i1.249

Abstract

Mata mempunyai banyak manfaat, diantaranya dapat digunakan sebagai alat penglihatan dan alat pengenalan manusia karena setiap individu mempunyai karakteristik atau ciri yang berbeda setiap iris mata. Mata juga dapat digunakan sebagai alat bantu identifikasi penyakit, misalnya identifikasi penyakit mata, penyakit prankreas, penyakit ginjal, dan diabetic retinopathy berdasarkan citra iris mata. Ekstraksi fitur citra dan metode identifikasi sangat berpengaruh terhadap hasil identifikasi penyakit. Ekstraksi fitur yang digunakan dalam penelitian ini adalah fitur tekstur citra, yaitu nilai rata-rata citra grayscale, standar deviasi, skewness, variance, entropy, kontras, energi, korelasi, homogeneity. Citra input dari penelitian diambil dari kaggle dataset dengan jumlah kelas penyakit sebanyak tiga, yaitu Gloucoma, Cataracts, dan Uveitis. Tujuan penelitian ini menganalisis jumlah node di hidden layer Backpropagation dalam identifikasi penyakit mata. Metode Backpropagation yang diusulkan akan terdapat 4 jenis arsitektur sebagai berikut: arsitektur pertama 9 node input layer, 5 node hidden layer, dan 2 node output layer. Arsitektur kedua adalah 9, 7, 2, arsitektur ketiga 9, 9, 2, dan arsitektur keempat 9, 15, 2. Hasil dari ujicoba arsitektur yang nilai akurasinya terbaik adalah 9, 7, 2, dengan 9 node input layer, 7 node hidden layer, dan 2 node output layer sebesar 54.17%.
Co-Authors Irma Dwi Rohmawati Jauharul Maknun Nela Nevrivanti Aulia