Abstract:Abstract: Oil palm leaf diseases can significantly reduce harvest productivity. Manual identification is considered less effective because it requires a long time and carries the risk of misidentification. This study develops…
elops a leaf image detection system using a CNN with the MobileNetV2 architecture, implemented on both web and mobile platforms. A dataset of 1,200 images from Kaggle and field observations covers four classes: leaf spot, anthracnose, yellow stripe, and Other. The research stages include data collection, image preprocessing, dataset splitting, CNN model training using the MobileNetV2 architecture, model testing, performance evaluation, and system implementation on web and mobile platforms. Evaluation was conducted using confusion matrix, accuracy, precision, recall, and F1-score parameters. Based on testing results, the model achieved 93.33% accuracy, 93.71% precision, 92.92% recall, and 93.31% F1-score. The developed system was successfully implemented on web and mobile platforms with features such as image upload, automatic classification, detection history, and disease management recommendations. With this system, users are expected to perform early detection of oil palm leaf diseases more quickly, practically, and accurately.
Keywords: CNN, Deep Learning, Image Classification, MobileNetV2, Oil Palm Leaf Disease.
Abstrak: Penyakit daun kelapa sawit dapat menurunkan produktivitas panen secara signifikan. Identifikasi manual dinilai kurang efektif karena membutuhkan waktu lama dan berpotensi salah identifikasi. Penelitian ini membangun sistem deteksi citra daun menggunakan CNN arsitektur MobileNetV2 berbasis web dan mobile. Dataset 1.200 citra dari Kaggle dan observasi lapangan mencakup empat kelas: bercak daun, antraknosa, garis kuning, dan Other. Tahapan penelitian meliputi pengumpulan data, preprocessing citra, pembagian dataset, pelatihan model CNN menggunakan arsitektur MobileNetV2, pengujian model, evaluasi performa, serta implementasi sistem berbasis web dan mobile. Proses evaluasi dilakukan menggunakan parameter confusion matrix, accuracy, precision, recall, dan F1-score. Berdasarkan hasil pengujian, model memperoleh akurasi 93,33%, precision 93,71%, recall 92,92%, dan F1-score 93,31%. Sistem yang dibangun berhasil diimplementasikan pada platform web dan mobile dengan fitur unggah citra, proses klasifikasi otomatis, riwayat deteksi, serta rekomendasi penanganan penyakit. Dengan adanya sistem ini, pengguna diharapkan dapat melakukan deteksi dini penyakit daun kelapa sawit secara lebih cepat, praktis, dan akurat.
Kata Kunci: CNN, Deep Learning, Klasifikasi Citra, MobileNetV2, Penyakit Daun Sawit.
Abstract:Pneumonia is one of the leading causes of death in children, so early detection is very important to increase the chances of recovery. This study aims to develop a hybrid model based on artificial intelligence to detect…
pneumonia in children by combining X-ray images and clinical data. The system is built in two main stages: image feature extraction using Convolutional Neural Network (CNN) based on MobileNetV2 architecture, and combined classification of visual and clinical features using Support Vector Machine (SVM). The CNN model successfully classified children's lung conditions with an accuracy of 89.92% and a recall of 0.95 in the pneumonia class, indicating excellent detection sensitivity. The SVM model built using clinical data also showed competitive performance with an accuracy of 90%, confirming the important contribution of clinical data in supporting diagnosis. The hybrid model combining visual feature vectors (128 dimensions) and 12 clinical features showed very high performance with an accuracy of 98% on the test data, and precision and recall above 0.98 in both classes. Principal Component Analysis (PCA) visualization shows a clearly separated class distribution, supporting the reliability of the multimodal representation used. The results of this study indicate that the integration of visual and clinical data significantly improves the accuracy and sensitivity of the model, making it a potential candidate as an AI-based pneumonia diagnostic tool. This model is very relevant to be applied in areas with limited medical personnel, to support faster and more accurate early detection. Further research is recommended to test the model's performance on more heterogeneous external data to ensure generalization capabilities.
Abstract:Abstract: Industrial waste has had a negative impact on the environment and human health. Industrial waste pollution can occur due to improperly managed waste disposal. Managing industrial waste can be one way to reduce…
the impact of environmental pollution. Checking industrial waste can be a solution for implementing oversight of waste management, but it will be difficult to implement if done in a large industrial area. Waste classification based on organic and non-organic waste categories. Convolutional Neural Networks (CNNs) and MobileNet can be applied to automatically detect organic and non-organic industrial waste systems. Researchers have conducted a comparative study between the Convolutional Neural Network (CNN) and MobileNet models, which is useful for obtaining the best model. The results of the analysis concluded that MobileNet has better accuracy, precision, and recall compared to the CNN model. The accuracy, precision, and recall generated by MobileNet are 99.5%, 99.4%, and 100%. Therefore, MobileNet is very suitable for implementation in an automatic industrial waste detection system in real-time applications.  Â
Keyword: computer vision; Â convolutional neural network (CNN); deep learning; industrial waste; mobilenet.
Â
 Abstrak: Limbah industri telah mengakibatkan dampak buruk bagi lingkungan dan kesehatan manusia. Pencemaran limbah industri dapat terjadi akibat pembuangan limbah yang tidak terkelola dengan baik. Pengelolaan limbah industri dapat menjadi salah satu cara untuk mengurangi dampak pencemaran lingkungan. Pengecekan limbah industri dapat menjadi solusi untuk menerapkan pengawasan terhadap pengelolaan limbah, namun akan sulit diterapkan jika dilakukan pada area industri yang luas. Klasifikasi limbah berdasarkan kategori limbah organik dan limbah non organik. Convolutional Neural Network (CNN) dan MobileNet dapat diterapkan untuk sistem pendeteksi limbah industri organik dan non organik secara otomatis. Peneliti telah melakukan studi komparatif antara model Convolutional Neural Network (CNN) dan MobileNet yang berguna untuk memperoleh model terbaik. Hasil analisa yang telah dilakukan menyimpulkan bahwasanya MobileNet mempunyai akurasi, precision dan recall yang lebih baik jika dibandingkan dengan model CNN. Akurasi, precision dan recall yang dihasilkan oleh MobileNet sebesar 99,5% 99,4% dan 100%. Oleh karena itu, MobileNet sangat cocok untuk diterapkan pada sistem deteksi limbah industri secara otomatis pada aplikasi real-time.
Kata kunci: computer vision; convolutional neural network (CNN); limbah industri; mobilenet; pembelajaran mendalam.
Abstract:Abstract: Automated batik motif classification is challenged by high inter-class similarity and texture complexity. This study proposes a hybrid model integrating MobileNetV2 as a feature extractor and Support Vector Machine…
hine (SVM) as the classifier to optimize accuracy and efficiency. Utilizing a Kaggle dataset of 8,640 images across 20 batik categories, the data was partitioned into 420 training images per class (Dayak: 360) and 15 testing images per class. The results demonstrate superior performance with 96.00% accuracy, exceeding the 90% target. The system showed high computational efficiency with a total execution time of 359.92 seconds and feature extraction taking only 22.63 seconds. This hybrid approach provides an ideal performance balance for resource-constrained mobile applications.
Keywords: batik classification; MobileNetV2; support vector machine; hybrid model; computational efficiency
Abstrak: Klasifikasi motif batik secara otomatis menghadapi tantangan kemiripan visual antar-kelas yang tinggi. Penelitian ini bertujuan mengoptimalkan akurasi dan efisiensi pengenalan batik menggunakan model hibrida MobileNetV2 sebagai pengekstraksi fitur dan Support Vector Machine (SVM) sebagai klasifikator. Menggunakan dataset Kaggle berisi 8.640 citra dari 20 kategori batik, data dibagi menjadi 420 citra latih per kelas (kecuali Batik Dayak 360) dan 15 citra uji per kelas. Hasil eksperimen menunjukkan performa impresif dengan akurasi 96,00%, melampaui target awal 90%. Sistem ini sangat efisien dengan total waktu eksekusi 359,92 detik, di mana ekstraksi fitur hanya membutuhkan 22,63 detik. Kombinasi MobileNetV2 dan SVM memberikan keseimbangan performa ideal untuk implementasi pada perangkat bergerak dengan sumber daya terbatas.
Kata kunci: klasifikasi batik; MobileNetV2; Support Vector Machine; Hybrid Model; efisiensi komputasi
Abstract:Kanker payudara dapat menurunkan kualitas hidup sehingga diperlukan skrining yang cepat dan konsisten. Penelitian ini mengembangkan sistem klasifikasi kanker payudara berbasis Convolutional Neural Network (CNN) yang diimplementasikan…
plementasikan pada aplikasi skrining berbasis web. Dataset disusun ke dalam data latih, validasi, dan uji, kemudian citra diproses melalui penyesuaian ukuran 224×224, normalisasi, serta augmentasi pada data latih. Model dibangun menggunakan arsitektur MobileNetV3 Small dengan keluaran tiga kelas, yaitu Normal, Benign, dan Malignant. Sistem juga menerapkan validasi input untuk memastikan prediksi hanya dilakukan pada citra jaringan payudara sebelum proses inferensi. Hasil pengujian pada 300 data uji menunjukkan akurasi sebesar 88,00% dengan performa per kelas yang bervariasi, di mana kesalahan klasifikasi masih terjadi pada kelas-kelas yang memiliki kemiripan ciri visual. Hasil ini menunjukkan CNN efektif untuk mendukung skrining awal kanker payudara dan dapat ditingkatkan melalui penambahan data serta optimasi pelatihan pada penelitian selanjutnya
Abstract:Penyakit tanaman merupakan salah satu faktor utama penurunan hasil pertanian pada komoditas tomat dan cabai di Indonesia. Deteksi dini secara manual memerlukan keahlian khusus dan waktu yang lama. Penelitian ini mengusulkan…
kan sistem klasifikasi penyakit tanaman berbasis deep learning menggunakan arsitektur MobileNetV2 dengan pendekatan transfer learning. Dataset PlantVillage yang terdiri dari 20.638 gambar daun dengan 15 kelas digunakan sebagai data pelatihan. Model dievaluasi menggunakan metrik accuracy, precision, recall, dan F1-score. Visualisasi Grad-CAM diterapkan untuk menginterpretasikan area fokus model dalam pengambilan keputusan. Hasil eksperimen menunjukkan akurasi sebesar 89,93% pada data uji dengan rata-rata weighted F1-score sebesar 0,90. Visualisasi Grad-CAM membuktikan model mengidentifikasi area terinfeksi secara akurat. Pengujian pada gambar nyata menunjukkan kemampuan model dalam kondisi dunia nyata.