Jurnal Ilmu Komputer dan Agri-Informatika最新文献

Kecerdasan Buatan untuk Monitoring Hama dan Penyakit pada Tanaman Eucalyptus: Systematic Literature Review 人工智能监测桉树病虫害：系统性文献综述

Jurnal Ilmu Komputer dan Agri-Informatika Pub Date : 2023-12-21 DOI: 10.29244/jika.10.2.224-237

Tegar Alami, Yeni Herdiyeni, Wisnu Ananta Kusuma, Budi Tjahjono, Iskandar Z. Siregar

{"title":"Kecerdasan Buatan untuk Monitoring Hama dan Penyakit pada Tanaman Eucalyptus: Systematic Literature Review","authors":"Tegar Alami, Yeni Herdiyeni, Wisnu Ananta Kusuma, Budi Tjahjono, Iskandar Z. Siregar","doi":"10.29244/jika.10.2.224-237","DOIUrl":"https://doi.org/10.29244/jika.10.2.224-237","url":null,"abstract":"Eucalyptus merupakan salah satu jenis tanaman kehutanan yang banyak dibudidayakan di berbagai negara karena memiliki nilai ekonomi dan lingkungan yang tinggi. Namun, tanaman eucalyptus juga rentan terhadap serangan hama dan penyakit yang dapat menurunkan produktivitas dan kualitasnya. Pemantauan atau monitoring yang akurat dan tepat waktu diperlukan untuk mengendalikan hama dan penyakit tanaman eucalyptus. Monitoring hama dan penyakit tanaman eucalyptus secara konvensional dilakukan dengan cara observasi langsung oleh manusia, namun metode ini memiliki beberapa kelemahan. Oleh karena itu, perlu adanya upaya untuk meningkatkan efektivitas dan efisiensi monitoring hama dan penyakit tanaman eucalyptus dengan memanfaatkan teknologi kecerdasan buatan atau Artificial Intelligence (AI). AI dapat digunakan untuk melakukan deteksi dan klasifikasi hama dan penyakit tanaman eucalyptus secara otomatis dengan menggunakan algoritma pembelajaran mesin atau pembelajaran mendalam dan pengolahan citra. Tujuan dari penelitian ini adalah untuk menyajikan tinjauan komprehensif tentang penggunaan AI dalam mendeteksi hama dan penyakit tanaman eucalyptus dengan menggunakan metode Systematic Literature Review (SLR). Penelitian ini mengidentifikasi, mengevaluasi, dan menganalisis literatur yang relevan dengan topik penelitian dari berbagai sumber digital. Penelitian ini juga memberikan gambaran menyeluruh tentang perkembangan terkini, metode-metode yang digunakan, hasil-hasil yang dicapai, serta tantangan dan peluang yang ada dalam bidang penelitian AI untuk deteksi hama dan penyakit tanaman eucalyptus.","PeriodicalId":367113,"journal":{"name":"Jurnal Ilmu Komputer dan Agri-Informatika","volume":"28 11","pages":""},"PeriodicalIF":0.0,"publicationDate":"2023-12-21","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"138949758","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

引用次数: 0

Deteksi Citra Digital Penyakit Cacar Monyet menggunakan Algoritma Convolutional Neural Network dengan Arsitektur MobileNetV2 使用带有 MobileNetV2 架构的卷积神经网络算法检测猴痘病毒数字图像

Jurnal Ilmu Komputer dan Agri-Informatika Pub Date : 2023-12-21 DOI: 10.29244/jika.10.2.200-211

Putri Sarah Fransisca, Nurhafifah Matondang

{"title":"Deteksi Citra Digital Penyakit Cacar Monyet menggunakan Algoritma Convolutional Neural Network dengan Arsitektur MobileNetV2","authors":"Putri Sarah Fransisca, Nurhafifah Matondang","doi":"10.29244/jika.10.2.200-211","DOIUrl":"https://doi.org/10.29244/jika.10.2.200-211","url":null,"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.","PeriodicalId":367113,"journal":{"name":"Jurnal Ilmu Komputer dan Agri-Informatika","volume":"94 4","pages":""},"PeriodicalIF":0.0,"publicationDate":"2023-12-21","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"138994150","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

引用次数: 0

Model Klasifikasi Fase Pertumbuhan Tebu dari Citra Sentinel 1 Multi-temporal Menggunakan Algoritma Random Forest 利用随机森林算法从多时空哨兵 1 号图像中建立甘蔗生长阶段分类模型

Jurnal Ilmu Komputer dan Agri-Informatika Pub Date : 2023-12-21 DOI: 10.29244/jika.10.2.212-223

Vandam Caesariadi Bramdito, S. Wijaya, I. S. Sitanggang

{"title":"Model Klasifikasi Fase Pertumbuhan Tebu dari Citra Sentinel 1 Multi-temporal Menggunakan Algoritma Random Forest","authors":"Vandam Caesariadi Bramdito, S. Wijaya, I. S. Sitanggang","doi":"10.29244/jika.10.2.212-223","DOIUrl":"https://doi.org/10.29244/jika.10.2.212-223","url":null,"abstract":"Daerah Istimewa Yogyakarta yang telah ditetapkan sebagai kawasan sentra tebu memerlukan perlakuan khusus dalam upaya ekstensifikasi yang memerlukan informasi spasial usaha tani tebu. Pemantauan lahan tebu dilakukan untuk mendapatkan informasi fase pertumbuhan tebu dan sebarannya untuk strategi ekstensifikasi pertanian. Oleh karena itu perlu dilakukan klasifikasi citra menggunakan algoritma random forest yang reliable untuk mengklasifikasikan fase pertumbuhan tebu pada citra Sentinel 1 multi-temporal. Peta kalender tanam tebu dibuat dari hasil klasifikasi citra yang telah dilakukan dan menguji tingkat akurasi untuk evaluasi. Klasifikasi dilakukan dengan setiap citra pada setiap bulan yang terekam sepanjang tahun 2020. Data citra yang digunakan sebanyak 9690 sampel piksel yang terdiri atas 6 kelas klasifikasi yaitu bangunan, vegetasi, badan air, sawah, tebu kelas fase 1, dan kelas fase tebu 2. Hasil uji model klasifikasi menunjukkan bahwa Citra Sentinel 1 yang terdiri atas 13 citra memiliki akurasi model rata-rata yaitu 65.38%. Hasil klasifikasi citra yang memiliki tingkat akurasi keseluruhan tertinggi senilai 73.33% dengan nilai RMSE 2.05 terjadi pada bulan Oktober.","PeriodicalId":367113,"journal":{"name":"Jurnal Ilmu Komputer dan Agri-Informatika","volume":"54 6","pages":""},"PeriodicalIF":0.0,"publicationDate":"2023-12-21","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"138951767","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

引用次数: 0

Perbandingan Algoritma Klasifikasi untuk Mendeteksi Kebutuhan Nitrogen Tanaman Padi Berdasarkan Data Citra Multi-spectral Drone 基于多光谱无人机图像数据检测水稻植株氮素需求的分类算法比较

Jurnal Ilmu Komputer dan Agri-Informatika Pub Date : 2023-12-21 DOI: 10.29244/jika.10.2.238-249

Kahfi Gunardi, Karlisa Priandana, Medria Kusuma Dewi Hardhienata, Wulandari, Mohamad Solahudin

{"title":"Perbandingan Algoritma Klasifikasi untuk Mendeteksi Kebutuhan Nitrogen Tanaman Padi Berdasarkan Data Citra Multi-spectral Drone","authors":"Kahfi Gunardi, Karlisa Priandana, Medria Kusuma Dewi Hardhienata, Wulandari, Mohamad Solahudin","doi":"10.29244/jika.10.2.238-249","DOIUrl":"https://doi.org/10.29244/jika.10.2.238-249","url":null,"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%.","PeriodicalId":367113,"journal":{"name":"Jurnal Ilmu Komputer dan Agri-Informatika","volume":"53 16","pages":""},"PeriodicalIF":0.0,"publicationDate":"2023-12-21","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"138952393","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

引用次数: 0

Pemilihan Algoritma Machine Learning untuk Perangkat dengan Komputasi Terbatas pada Deteksi Kematangan Buah Melon Berjala 为计算能力有限的设备选择机器学习算法，用于检测带皮瓜果的成熟度

Jurnal Ilmu Komputer dan Agri-Informatika Pub Date : 2023-11-30 DOI: 10.29244/jika.10.2.189-199

Rizqia Zakiah, Sri Wahjuni, W. B. Suwarno

{"title":"Pemilihan Algoritma Machine Learning untuk Perangkat dengan Komputasi Terbatas pada Deteksi Kematangan Buah Melon Berjala","authors":"Rizqia Zakiah, Sri Wahjuni, W. B. Suwarno","doi":"10.29244/jika.10.2.189-199","DOIUrl":"https://doi.org/10.29244/jika.10.2.189-199","url":null,"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","PeriodicalId":367113,"journal":{"name":"Jurnal Ilmu Komputer dan Agri-Informatika","volume":" 12","pages":""},"PeriodicalIF":0.0,"publicationDate":"2023-11-30","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"139197621","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

引用次数: 0

Pengelompokan Publikasi Ilmiah Berdasarkan Bidang Kepakaran Menggunakan Latent Dirichlet Allocation dan Normalized PSO-K-means 使用潜在 Dirichlet 分配和归一化 PSO-K-means 根据专业领域对科学出版物进行聚类

Jurnal Ilmu Komputer dan Agri-Informatika Pub Date : 2023-11-30 DOI: 10.29244/jika.10.2.121-132

Fina Charisma Hayatina, S. Wijaya, M. K. D. Hardhienata

{"title":"Pengelompokan Publikasi Ilmiah Berdasarkan Bidang Kepakaran Menggunakan Latent Dirichlet Allocation dan Normalized PSO-K-means","authors":"Fina Charisma Hayatina, S. Wijaya, M. K. D. Hardhienata","doi":"10.29244/jika.10.2.121-132","DOIUrl":"https://doi.org/10.29244/jika.10.2.121-132","url":null,"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.","PeriodicalId":367113,"journal":{"name":"Jurnal Ilmu Komputer dan Agri-Informatika","volume":"75 1","pages":""},"PeriodicalIF":0.0,"publicationDate":"2023-11-30","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"139198502","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

引用次数: 0

Analisis Potensi Lokasi dan Klasifikasi Electronic Data Capture (EDC) pada UMKM BNI Agen46 BNI Agen46 中小微企业电子数据采集（EDC）的潜在位置和分类分析

Jurnal Ilmu Komputer dan Agri-Informatika Pub Date : 2023-11-30 DOI: 10.29244/jika.10.2.133-146

Fiqhri Mulianda, Putra, S. Wijaya, Reinaldy Jalu Nusantara

{"title":"Analisis Potensi Lokasi dan Klasifikasi Electronic Data Capture (EDC) pada UMKM BNI Agen46","authors":"Fiqhri Mulianda, Putra, S. Wijaya, Reinaldy Jalu Nusantara","doi":"10.29244/jika.10.2.133-146","DOIUrl":"https://doi.org/10.29244/jika.10.2.133-146","url":null,"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.","PeriodicalId":367113,"journal":{"name":"Jurnal Ilmu Komputer dan Agri-Informatika","volume":"34 1","pages":""},"PeriodicalIF":0.0,"publicationDate":"2023-11-30","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"139200931","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

引用次数: 0

Pengembangan Sistem Manajemen Pengetahuan Tumbuhan Obat Indonesia Berbasis Ontologi 开发基于本体的印度尼西亚药用植物知识管理系统

Jurnal Ilmu Komputer dan Agri-Informatika Pub Date : 2023-11-30 DOI: 10.29244/jika.10.2.147-163

Syukriyansyah Syukriyansyah, Wisnu Ananta Kusuma, Annisa

{"title":"Pengembangan Sistem Manajemen Pengetahuan Tumbuhan Obat Indonesia Berbasis Ontologi","authors":"Syukriyansyah Syukriyansyah, Wisnu Ananta Kusuma, Annisa","doi":"10.29244/jika.10.2.147-163","DOIUrl":"https://doi.org/10.29244/jika.10.2.147-163","url":null,"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.","PeriodicalId":367113,"journal":{"name":"Jurnal Ilmu Komputer dan Agri-Informatika","volume":"43 1","pages":""},"PeriodicalIF":0.0,"publicationDate":"2023-11-30","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"139202193","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

引用次数: 0

Implementasi Pendekatan Algoritma Deep Learning CNN untuk Identifikasi Citra Pasien Keratitis 角膜炎患者图像识别的深度学习 CNN 算法实现方法

Jurnal Ilmu Komputer dan Agri-Informatika Pub Date : 2023-11-30 DOI: 10.29244/jika.10.2.164-175

Muhammad Asyhar Agmalaro, Wisnu Ananta Kusuma, Lutfah Rif’ati, Pramita Andarwati, Anton Suryatama, Rosy Aldina, Hera Dwi Novita, Ovi Sofia

{"title":"Implementasi Pendekatan Algoritma Deep Learning CNN untuk Identifikasi Citra Pasien Keratitis","authors":"Muhammad Asyhar Agmalaro, Wisnu Ananta Kusuma, Lutfah Rif’ati, Pramita Andarwati, Anton Suryatama, Rosy Aldina, Hera Dwi Novita, Ovi Sofia","doi":"10.29244/jika.10.2.164-175","DOIUrl":"https://doi.org/10.29244/jika.10.2.164-175","url":null,"abstract":"Insiden keratitis secara global berkisar antara 0.4 sampai 5.2 per 10,000 orang setiap tahunnya. Penanggulangan gangguan penglihatan akibat keratitis secara dini dan akurat dapat mencegah kebutaan akibat kekeruhan kornea. Keratitis dapat diidentifikasi oleh dokter spesialis mata dengan bantuan slitlamp sebagai instrumen dasar pemeriksaan spesialistik organ mata di fasilitas layanan sekunder. Pada fasilitas layanan primer tidak tersedia dokter spesialis mata dan juga slitlamp. Hal ini meyebabkan terjadinya keterlambatan diagnosis dan penanganan terhadap pasien-pasien keratitis di puskesmas atau daerah-daerah dengan fasilitas serta akses ke dokter spesialis mata yang terbatas. Penelitian ini bertujuan untuk mengembangkan model identifikasi keratitis menggunakan metode convolutional neural network (CNN) dan data latih berupa citra yang dihasilkan oleh gawai pintar dan dikombinasikan dengan citra slitlamp. Akurasi pelatihan dari model yang dikembangkan adalah 92% dengan layer dropout ditetapkan dengan nilai 0.3. Rata-rata akurasi validasinya adalah 83% sehingga dapat dikatakan pelatihan model yang dikembangkan tidak mengalami overfitting. Adapun hasil pengujian dengan data baru mencapai akurasi sebesar 90%. Selanjutnya parameter model terbaik disematkan ke dalam aplikasi yang berjalan di sistem operasi berbasis Android, namun fungsionalitas serta kinerja UX/UI dari aplikasi perlu ditingkatkan untuk memfasilitasi model agar dapat digunakan secara sempurna.","PeriodicalId":367113,"journal":{"name":"Jurnal Ilmu Komputer dan Agri-Informatika","volume":"16 1","pages":""},"PeriodicalIF":0.0,"publicationDate":"2023-11-30","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"139201007","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

引用次数: 0

Aplikasi Mobile Untuk Monitoring Tanaman Hidroponik Kangkung Berbasis Thingspeak dan Firebase 基于 Thingspeak 和 Firebase 的羽衣甘蓝水培植物监控移动应用程序

Jurnal Ilmu Komputer dan Agri-Informatika Pub Date : 2023-11-30 DOI: 10.29244/jika.10.2.176-188

Fakhri Tri Atmaja, Muhammad Fachrie

{"title":"Aplikasi Mobile Untuk Monitoring Tanaman Hidroponik Kangkung Berbasis Thingspeak dan Firebase","authors":"Fakhri Tri Atmaja, Muhammad Fachrie","doi":"10.29244/jika.10.2.176-188","DOIUrl":"https://doi.org/10.29244/jika.10.2.176-188","url":null,"abstract":"Salah satu alasan yang menghambat pertumbuhan pertanian di Indonesia adalah berkurangnya lahan pertanian. Hidroponik merupakan solusi potensial untuk mengatasi tantangan yang dihadapi oleh petani dengan sumber daya lahan yang terbatas, karena hidroponik memungkinkan budidaya dilakukan di lingkungan berbasis air, baik secara vertikal maupun horizontal. Gubuk Mbah Bayan adalah salah satu individu yang bergerak di bidang budidaya tanaman hidroponik. Gubuk Mbah Bayan masih menggunakan teknik pemantauan manual, yang mengharuskan petani untuk mengunjungi lapangan secara fisik untuk menilai keadaan lingkungan pertanian. Tujuan dari penelitian ini adalah untuk meningkatkan sistem pemantauan otomatis yang dirancang untuk tujuan pemantauan kondisi kultur tanaman hidroponik. Sistem ini akan menggunakan data suhu, total dissolved solid (TDS), dan pH. Sistem yang diusulkan menggunakan paradigma Internet of Things (IoT), mikrokontroler Arduino dihubungkan dengan sensor digital. Penelitian ini mencakup lima langkah yang berbeda, yang meliputi identifikasi masalah, desain arsitektur sistem, implementasi program, integrasi, dan pengujian. Hasil dari penelitian ini adalah pengembangan sistem pemantauan budidaya tanaman hidroponik yang dapat diakses dengan mudah melalui aplikasi mobile. Teknologi ini memungkinkan petani untuk memantau lingkungan hidroponik dari jarak jauh dan secara instan. Pengujian yang digunakan dalam penelitian ini adalah pendekatan system usability scale (SUS). Aplikasi pemantauan hidroponik menunjukkan kinerja yang memuaskan, mudah digunakan, dan berguna dalam membantu petani memantau lingkungan hidroponik.","PeriodicalId":367113,"journal":{"name":"Jurnal Ilmu Komputer dan Agri-Informatika","volume":"178 5","pages":""},"PeriodicalIF":0.0,"publicationDate":"2023-11-30","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"139205601","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

引用次数: 0