https://journal.ipb.ac.id/index.php/jika/issue/feed Jurnal Ilmu Komputer dan Agri-Informatika 2024-06-07T13:13:42+07:00 Medria Kusuma Dewi Hardhienata medria.hardhienata@apps.ipb.ac.id Open Journal Systems <p><span style="font-weight: 400;"><strong>Jurnal Ilmu Komputer dan Agri-informatika</strong>&nbsp;merupakan jurnal nasional yang diterbitkan dua kali setahun pada bulan <strong>Mei</strong> dan <strong>November</strong> serta bersifat <strong>open access</strong> dengan mitra bestari nasional dan internasional. <strong>Jurnal Ilmu Komputer dan Agri-informatika</strong>&nbsp;&nbsp;dikelola oleh Departemen Ilmu Komputer FMIPA IPB University yang terbit pertama kali pada tahun 2012. JIKA merupakan jurnal ilmiah nasional yang mempublikasikan artikel ilmiah hasil penelitian dalam ruang lingkup bidang <strong>ilmu komputer</strong> serta aplikasi <strong>informatika</strong> untuk pengembangan pertanian secara luas.&nbsp;</span></p> <p><span style="font-weight: 400;">Berdasarkan </span><a href="https://drive.google.com/file/d/1-F9sZ-3iM6_lSwQDOfNEIfwdzMEB3p4y/view?usp=sharing"><span style="font-weight: 400;">Surat Pemberitahuan Hasil Akreditasi Jurnal Ilmiah Periode IV Tahun 2022</span></a><span style="font-weight: 400;"><strong> Jurnal Ilmu Komputer dan Agri-informatika&nbsp;</strong>&nbsp;mulai terbitan Volume 7 No 1 Tahun 2020 telah terakreditasi <strong>SINTA 3.</strong></span></p> <p><strong><a title="Fokus dan Ruang Lingkup" href="https://journal.ipb.ac.id/index.php/jika/ruanglingkup">FOKUS &amp; RUANG LINGKUP</a></strong></p> <div> <p>&nbsp;</p> </div> https://journal.ipb.ac.id/index.php/jika/article/view/55672 Perancangan Antarmuka Pengguna Aplikasi Mobile Sistem Informasi Akademik (SIMAK) menggunakan Metode Design Thinking 2024-06-07T13:13:14+07:00 Muhamad Saad Nurul Ishlah nurul.ishlah@unpak.ac.id Nathasya Sri Wahyuni natasha.085019024@unpak.ac.id Lita Karlitasari lita.karlitasari@unpak.ac.id <p style="font-weight: 400;">SIMAK (Sistem Informasi Akademik) merupakan sebuah sistem yang dibangun untuk mendukung pelaksanaan penyelenggaraan pendidikan, seperti proses registrasi, perkuliahan, evaluasi, serta pelaporan. Saat ini SIMAK banyak digunakan di perguruan tinggi, termasuk di Universitas Pakuan. Meski demikian, SIMAK yang digunakan saat ini oleh mahasiswa Universitas Pakuan adalah berbasiskan <em>website </em>dengan tampilan yang tidak responsif ketika dibuka di peramban web pada perangkat <em>mobile</em>. Akibatnya tampilan dan pengalaman pengguna SIMAK akan tetap seperti yang diperuntukan untuk pengguna website dan belum menyesuaikan dengan tampilan dan pengalaman pengguna pada perangkat <em>mobile</em>. Selain itu, Universitas Pakuan juga belum memiliki aplikasi mobile SIMAK sendiri yang dirancang khusus sesuai dengan kebutuhan pengguna. Berdasarkan masalah tersebut, pada penelitian ini dilakukan perancangan antarmuka pengguna aplikasi mobile SIMAK Universitas Pakuan menggunakan pendekatan<em>&nbsp;Design Thinking</em>. Evaluasi dalam penelitian dilakukan dengan kuesioner berdasarkan persepsi pengguna terhadap lima aspek <em>usability heuristic</em>, yaitu <em>Visibility of Status System, Match Between System</em>&nbsp;<em>and The Real World, Consistency and Standards, Recognition Rather Than Recall, </em>dan<em>&nbsp;Aesthetic and Minimalist</em>. Selanjutnya dilakukan survey untuk mendapatkan umpan balik dari pengguna terkait perancangan antarmuka pengguna yang telah dibangun. Hasil penelitian menunjukkan bahwa perancangan antarmuka pengguna aplikasi mobile SIMAK untuk Universitas Pakuan telah berhasil dirancang dengan prototipe sebagai luaran yang memiliki kinerja yang lebih baik dari sistem yang dibangun sebelumnya. Selain itu, hasil <em>usability testing</em>&nbsp;menunjukkan bahwa prototipe SIMAK berbasis <em>mobile</em>&nbsp;dapat diterima dengan baik oleh pengguna dan dapat dijadikan acuan untuk pengembangan aplikasi<em>&nbsp;mobile</em>&nbsp;SIMAK lebih lanjut.</p> 2024-05-31T19:37:04+07:00 Copyright (c) 2024 Muhamad Saad Nurul Ishlah, Nathasya Sri Wahyuni, Lita Karlitasari https://journal.ipb.ac.id/index.php/jika/article/view/55236 Perancangan Arsitektur Sistem Informasi Pelayanan Pengujian Benih pada (Balai Besar PPMBTPH) Menggunakan TOGAF ADM 2024-06-07T13:13:18+07:00 Rachmat Tauffan Mulus rachmattauffan@apps.ipb.ac.id Yani Nurhadryani yani_nurhadryani@apps.ipb.ac.id Hari Agung Adrianto agung@apps.ipb.ac.id <p style="font-weight: 400;">Pengujian mutu benih berperan besar dalam menyajikan hasil uji yang tepat dan akurat, sesuai dengan peraturan. Balai Besar Pengembangan Pengujian Mutu Benih Tanaman Pangan dan Hortikultura (BBPPMBTPH) memiliki peran dalam pelaksanaan pelayanan dan sebagai laboratorium acuan nasional dalam pengujian mutu benih. Penelitian ini bertujuan untuk merancang arsitektur sistem manajemen informasi pelayanan pengujian benih dengan menggunakan kerangka kerja TOGAF ADM. Tahapan penelitian dimulai dengan <em>preliminary</em>, arsitektur visi dan arsitektur bisnis menganalisis identifikasi tujuan, kebutuhan pengguna, pemetaan proses bisnis, dan identifikasi risiko. Kemudian, dilakukan perancangan arsitektur sistem informasi yang mencakup arsitektur data dan arsitektur aplikasi. Hasil penelitian menunjukkan bahwa TOGAF ADM dapat digunakan dalam perancangan arsitektur sistem informasi pengujian laboratorium BBPPMBTPH. Berdasarkan <em>gap analysis</em>, peningkatan kualitas pelayanan berkaitan dengan aspek efisiensi, efektivitas, akurasi, transparansi, dan akuntabilitas. Aspek-aspek tersebut menjadi proses bisnis yang diinginkan dalam bentuk sistem informasi manajemen. Arsitektur sistem informasi menghasilkan 5 kandidat modul aplikasi yaitu manajemen permohonan, manajemen pengujian, manajemen data, manajemen pelaporan, dan manajemen laporan, modul aplikasi tersebut saling terintegrasi membentuk sistem informasi manajemen pengujian laboratorium.</p> 2024-05-31T19:34:40+07:00 Copyright (c) 2024 Rachmat Tauffan Mulus, Yani Nurhadryani, Hari Agung Adrianto https://journal.ipb.ac.id/index.php/jika/article/view/54738 Analisis Quality of Service pada Rancang Bangun Pendeteksi Penyakit Tanaman Tomat Berbasis CNN dan Aplikasi Telegram 2024-06-07T13:13:22+07:00 Silvia Dwi Yanti silviadwiyanti@gmail.com Yuris Mulya Saputra ym.saputra@ugm.ac.id <p style="font-weight: 400;">Peningkatan tanaman tomat terjadi secara konsisten dari tahun ke tahun dan berkontribusi signifikan terhadap perekonomian nasional. Peningkatan kepadatan tanaman dan perluasan area panen dapat menciptakan kondisi yang ideal untuk penyebaran penyakit pada tanaman tomat, yang berpotensi mengancam hasil panen. Penelitian ini merancang model <em>machine learning</em>&nbsp;menggunakan algoritme <em>Convolutional Neural Networks</em>&nbsp;(CNN) untuk mendeteksi penyakit tanaman tomat dengan tingkat akurasi yang diperoleh mencapai 96%. Tingkat <em>loss</em>&nbsp;dari model tergolong rendah yaitu sekitar 13%, membuktikan bahwa prediksi model cukup dekat dengan kondisi sebenarnya. Hasil ini menunjukkan bahwa kinerja model efektif untuk mencegah penyebaran penyakit tanaman tomat dengan membantu mengidentifikasi penyakit lebih awal. Model <em>machine learning</em>&nbsp;diimplementasikan melalui Bot Telegram sebagai antarmuka pengguna, yang tidak hanya efektif dalam memberikan informasi deteksi penyakit tanaman tomat, tetapi juga memastikan informasi tersampaikan dengan efisien dan tepat. Analisis <em>Quality of Service</em>&nbsp;(QoS) dilakukan terhadap komunikasi antara pengguna dan server Telegram dengan mempertimbangkan parameter <em>throughput, delay,</em>&nbsp;dan <em>packet delivery. </em>Nilai QoS secara keseluruhan adalah berindeks 3 kategori “Memuaskan” sesuai standarisasi versi TIPHON. Nilai QoS tersebut didapatkan dari nilai parameter <em>throughput</em>&nbsp;dengan indeks 4 kategori “Sangat Bagus”, nilai parameter <em>packet delivery </em>dengan indeks 4 kategori “Sangat Bagus”, serta nilai parameter <em>delay</em>&nbsp;dengan indeks 4 kategori “Sangat Bagus”.</p> 2024-05-31T19:33:05+07:00 Copyright (c) 2024 Silvia Dwi Yanti, Yuris Mulya Saputra https://journal.ipb.ac.id/index.php/jika/article/view/54090 Pengamatan Lingkungan Kandang Berbasis Internet of Things (Iot) pada Pertumbuhan Ayam Pedaging 2024-06-07T13:13:25+07:00 Fatthurohman Komara N fatthurohmanfatthurohman@apps.ipb.ac.id Iman Rahayu Hidayati Soesanto imanso@apps.ipb.ac.id Sri Wahjuni my_juni04@apps.ipb.ac.id <p style="font-weight: 400;"><em>Internet of Things (IoT) </em>merupakan sistem jaringan dengan sensor-sensor tertanam yang terhubung ke internet. Dengan penerapan IoT dalam peternakan ayam, diharapkan kegiatan peternakan ayam menjadi lebih efektif. Ayam broiler merupakan ayam ras yang digunakan untuk menghasilkan daging dan merupakan peralihan dari vertebrata&nbsp;(berdarah panas) ke avertebrata&nbsp;(berdarah dingin) dengan suhu pemeliharaan optimal 23–24 ºC, sedangkan kelembapan ideal berkisar antara 50%–70%. Suhu lingkungan di Indonesia yang beriklim tropis mencapai rata-rata 27–28 ºC, dapat menyebabkan stres pada ayam. Ciri-ciri <em>hea</em><em>t</em><em>&nbsp;stress</em>&nbsp;pada ayam meliputi gangguan pertumbuhan, penurunan konsumsi pakan, kegelisahan, pengembangan sayap, peningkatan konsumsi air, hingga kematian. Penelitian ini bersifat deskriptif dan menggunakan metode pengamatan dengan satu perlakuan dan lima ulangan. Parameter yang diukur dalam penelitian ini meliputi suhu, kelembapan, pakan, dan bobot ayam. Parameter tersebut digunakan untuk menghitung <em>Temperature-Humidity Index</em>&nbsp;(THI), konsumsi pakan, pertambahan bobot badan, bobot badan akhir, dan <em>Feed Conversion Ratio</em>&nbsp;(FCR) dengan menggunakan metode regresi dan korelasi. Analisis regresi dalam penelitian ini menunjukkan bahwa terdapat pengaruh yang sangat signifikan antara variabel terikat (THI) terhadap variabel bebas (konsumsi pakan, FCR, PBB) dengan nilai P &lt; 0.01, dan variabel terikat (THI) terhadap variabel bebas (mortalitas) memiliki pengaruh yang signifikan dengan nilai P &lt; 0.05. Hasil ANOVA yang digunakan untuk mengetahui perbedaan antar kandang menunjukkan superskrip yang sama.</p> 2024-05-31T19:30:50+07:00 Copyright (c) 2024 Fatthurohman Komara N, Iman Rahayu Hidayati Soesanto, Sri Wahjuni https://journal.ipb.ac.id/index.php/jika/article/view/49196 Prediksi Performa Akademik Mahasiswa untuk Kelulusan Predikat Cum Laude dengan Pendekatan Machine Learning 2024-06-07T13:13:28+07:00 Firgiawan Indra Kusuma Budiyanto firgiawan.indra@apps.ipb.ac.id Irman Hermadi irmanhermadi@apps.ipb.ac.id Medria Kusuma Dewi Hardhienata medria.hardhienata@apps.ipb.ac.id <p style="font-weight: 400;">Penelitian ini bertujuan untuk mengembangkan model yang dapat memprediksi&nbsp;jumlah mahasiswa yang lulus dengan predikat&nbsp;<em>cum laude</em>&nbsp;pada perguruan tinggi. Penelitian ini menggunakan algoritma&nbsp;<em>machine learning</em>&nbsp;untuk klasifikasi sehingga dapat dilakukan prediksi.&nbsp;Hasil dari penelitian ini menunjukkan efektivitas model dalam memprediksi kelulusan <em>cum laude</em>&nbsp;agar dapat memberikan kesempatan bagi universitas untuk meningkatkan kualitas lulusan secara keseluruhan dan mengatasi penurunan standar kelulusan yang mungkin terjadi. Prediksi jumlah mahasiswa <em>cum laude </em>dilakukan pada penelitian ini, untuk<em>&nbsp;</em>membantu&nbsp;proses pengambilan keputusan oleh pemangku kebijakan pada perguruan tinggi. Dengan memanfaatkan teknik <em>machine learning</em><em>,</em>&nbsp;institusi dapat mengantisipasi dan mendukung mahasiswa dalam mencapai predikat <em>cum laude</em>, sehingga diharapkan dapat meningkatkan kualitas lulusan secara keseluruhan. Dalam penelitian ini, dibandingkan tiga algoritma&nbsp;<em>machine learning </em>yakni algoritma&nbsp;Naïve Bayes, Random Forest, dan C4.5&nbsp;untuk&nbsp;melakukan prediksi kelulusan mahasiswa dengan predikat <em>cum laude</em>. Hasil penelitian menunjukkan bahwa dalam kasus ini kinerja&nbsp;terbaik dicapai oleh algoritma&nbsp;Naïve Bayes dengan nilai akurasi 87.60%, <em>precision</em>&nbsp;86.70%, <em>recall</em>&nbsp;92.10% dan <em>F1-score</em>&nbsp;89.30%. Selain itu, algoritma&nbsp;Naïve Bayes juga menghasilkan nilai waktu komputasi terendah pada kasus yang diujikan dibandingkan dengan algoritma&nbsp;lainnya.</p> <p>&nbsp;</p> 2024-05-31T19:26:29+07:00 Copyright (c) 2024 Firgiawan Indra Kusuma Budiyanto , Irman Hermadi, Medria Kusuma Dewi Hardhienata https://journal.ipb.ac.id/index.php/jika/article/view/53546 Analisis Kesenjangan Pemenuhan Standar Sistem Manajemen Keamanan Informasi pada Ina-Geoportal 2024-06-07T13:13:31+07:00 Eka Marliana marlianaeka@apps.ipb.ac.id Yani Nurhadryani yani_nurhadryani@apps.ipb.ac.id Irman Hermadi irmanhermadi@apps.ipb.ac.id <p style="font-weight: 400;">Peningkatan ancaman terhadap keamanan informasi saat ini dan tuntutan regulasi terhadap sistem Ina-geoportal sebagai sistem elektronik strategis menuntut Badan Informasi Geospasial untuk menerapkan serta memperoleh sertifikasi standar ISO/IEC 27001 pada ruang lingkup Ina-geoportal. Analisis kesenjangan dilakukan guna mengevaluasi tingkat ketersediaan persyaratan standar dan kontrol keamanan informasi yang telah ditetapkan, berdasarkan studi dokumen, observasi, dan wawancara kepada 10 responden dari Pusat Pengelolaan dan Penyebarluasan Informasi Geospasial. Hasil analisis menunjukkan bahwa mayoritas persyaratan dalam standar belum terpenuhi, dengan 20 dari 26 persyaratan masih belum terpenuhi. Hal ini terjadi karena Badan Informasi Geospasial baru menerapkan ISO/IEC 27001 pada ruang lingkup fasilitas fisik dan jaringan di pusat data. Dari 108 kontrol keamanan informasi yang ditetapkan, sebanyak 28 kontrol belum terpenuhi, meskipun sebagian besar kontrol telah terpenuhi oleh penerapan standar pada ruang lingkup saat ini.</p> 2024-05-31T19:23:02+07:00 Copyright (c) 2024 Eka Marliana, Yani Nurhadriyani, Irman Hermadi https://journal.ipb.ac.id/index.php/jika/article/view/49125 Perbaikan Kualitas Citra Cahaya Redup Menggunakan Teknik Perbaikan Histogram Equalization dan Adaptive Multi-scale Retinex 2024-06-07T13:13:35+07:00 Fadhel Muhammad fatdhel_fadhel@apps.ipb.ac.id Dhila Aprilianti 290402dhilaaprilianti@apps.ipb.ac.id Annisa Amanda Nelvi annisaamanda@apps.ipb.ac.id Aulia Khairunisa auliakhairunisa@apps.ipb.ac.id Muhamad Restu Inyasdi Kahvi mkahvikahvi@apps.ipb.ac.id Endang Purnama Giri endangpurnamagiri@apps.ipb.ac.id Faldiena Marcelita faldiena.m@apps.ipb.ac.id <div>Citra low light seringkali memiliki kualitas yang rendah, dengan kurangnya cahaya yang menyebabkan</div> <div>citra yang gelap, kontras rendah, dan detail yang terabaikan. Dalam upaya untuk meningkatkan citra low light</div> <div>berbagai metode telah dikembangkan, termasuk histogram equalization dan adaptive multi-scale retinex</div> <div>(AMSR). Dari kedua metode ini, belum ada kesepakatan mengenai mana yang lebih efektif dalam perbaikan</div> <div>citra low light. Dalam penelitian ini, kami membandingkan kinerja metode histogram equalization dan AMSR</div> <div>dalam perbaikan citra low light. Metode histogram equalization diterapkan untuk mengubah distribusi intensitas piksel dalam citra. Histogram equalization memiliki kelemahan dalam mempertahankan kontras lokal dan dapat menghasilkan citra yang terlalu tajam. Selanjutnya, metode AMSR diterapkan untuk memperbaiki kontras dan detail citra low light. Dalam penelitian ini, AMSR diterapkan dengan skala adaptif pada berbagai tingkat deteksi. Hasil penelitian menunjukkan bahwa kedua metode memiliki kemampuan untuk meningkatkan citra low light. Metode histogram equalization memberikan peningkatan yang signifikan dalam kontras global dan kecerahan citra, sementara metode AMSR berhasil mempertahankan kontras lokal dan detail citra. Perbedaan juga terjadi pada hasil yang diperoleh, tergantung pada karakteristik citra dan preferensi pengguna. Berdasarkan analisis dan evaluasi yang dilakukan, dapat disimpulkan bahwa kedua metode memiliki kelebihan dan kelemahan masing-masing dalam perbaikan citra low light.</div> 2024-05-31T19:21:05+07:00 Copyright (c) 2024 Fadhel Muhammad, Dhila Aprilianti, Annisa Amanda Nelvi, Aulia Khairunisa, Muhamad Restu Inyasdi Kahvi, Endang Purnama Giri, Faldiena Marcelita https://journal.ipb.ac.id/index.php/jika/article/view/48805 Evaluasi Tingkat Keamanan Informasi pada Dinas Kominfo Lampung Selatan Menggunakan Indeks Kami 4.3 2024-06-07T13:13:38+07:00 Wasilah wasilah@darmajaya.ac.id Kurniawan kurniawan@gmail.com Muhammad Said Hasibuan msaid@darmajaya.ac.id Firmansyah firmansyah@gmail.com <div>Dinas Komunikasi dan Informasi kabupaten Lampung Selatan mengelola dan menyimpan berbagai jenis</div> <div>data sensitif, termasuk data pribadi penduduk seperti nama, alamat, nomor identitas, dan data pribadi lainnya.</div> <div>Kebocoran data dapat menimbulkan risiko tindak kejahatan memberikan akses yang tidak sah kepada pihak-pihak yang tidak berwenang. Salah satu cara untuk mencegah dan mengurangi ancaman kebocoran data di sistem informasi dengan melakukan audit keamanan sistem informasi. Metode audit keamanan sistem informasi yang diaplikasikan adalah indeks Keamanan Informasi (KAMI). Hasil menunjukkan bahwa tingkat kematangan bernilai I yang bermakna kerangka kerja dan teknologi dan keamanan bernilai rendah dan belum layak sehingga diperlukan banyak perbaikan, untuk kategori pengolahan risiko dan pengolahan aset termasuk dalam tingkat kematangan I+ yang menunjukkan bahwa tergolong rendah sehingga butuh perbaikan dan peningkatan untuk mendapatkan nilai yang cukup baik atau baik, tata kelola termasuk dalam tingkat kematangan II yang menunjukkan bahwa pengelolaan aset tergolong pemenuhan kerangka kerja dasar.</div> <div>&nbsp;</div> 2024-05-31T19:05:06+07:00 Copyright (c) 2024 Kurniawan, Firmansyah, Muhammad Said Hasibuan https://journal.ipb.ac.id/index.php/jika/article/view/48632 Model Klasifikasi Kesesuaian Lahan Bawang Putih Menggunakan Interpolasi Spasial dan Algoritme Pohon Keputusan 2024-06-07T13:13:42+07:00 Dini Hayati dinihayatidini@apps.ipb.ac.id Imas Sukaesih Sitanggang imas.sitanggang@apps.ipb.ac.id Annisa annisa@apps.ipb.ac.id <p style="font-weight: 400;">Bawang putih merupakan salah satu hasil hortikultura yang harus terpenuhi setiap tahunnya. Jumlah produksi bawang putih tidak sebanding dengan jumlah konsumsi bawang putih menjadi acuan pemerintah untuk melakukan impor guna mencukupi kebutuhan dalam negeri. Hal ini menjadi dasar pemerintah untuk melakukan swasembada bawang putih. Usaha yang dilakukan untuk mencapai swasembada bawang putih salah satunya adalah melakukan perluasan lahan untuk tanaman bawang putih. Penelitian ini bertujuan untuk menentukan model klasifikasi kesesuaian lahan bawang putih menggunakan algoritme C5.0 berdasarkan karakteristik lahan dan interpolasi temperatur menggunakan metode <em>Inverse Distance Weighted</em>&nbsp;(IDW). Penelitian ini menghasilkan pohon keputusan dengan 5 aturan kelas kesesuaian lahan dengan akurasi sebesar 97.81% pada dataset dengan data temperatur bulan Mei 2022. Variabel penting dalam menentukan kelas kesesuaian lahan pada periode ini adalah kedalaman mineral tanah. Sedangkan nilai akurasi pada dataset dengan data temperatur bulan Juli 2022 menghasilkan model pohon keputusan dengan 17 aturan kelas kesesuaian lahan dengan akurasi sebesar 95.91%. Variabel penting dalam menentukan kelas kesesuaian lahan pada periode ini adalah kejenuhan basa.</p> 2024-05-31T19:01:42+07:00 Copyright (c) 2024 Dini Hayati, Imas Sukaesih Sitanggang, Annisa https://journal.ipb.ac.id/index.php/jika/article/view/50053 Kecerdasan Buatan untuk Monitoring Hama dan Penyakit pada Tanaman Eucalyptus: Systematic Literature Review 2023-12-21T15:54:55+07:00 Tegar Alami Nasution tegar.nst@gmail.com Yeni Herdiyeni 182tegar@apps.ipb.ac.id Wisnu Ananta Kusuma 182tegar@apps.ipb.ac.id Budi Tjahjono 182tegar@apps.ipb.ac.id Iskandar Zulkarnaen Siregar 182tegar@apps.ipb.ac.id <p>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.</p> 2023-12-21T13:34:39+07:00 Copyright (c) 2023 Tegar Alami Nasution, Yeni Herdiyeni, Wisnu Ananta Kusuma, Budi Tjahjono, Iskandar Zulkarnaen Siregar https://journal.ipb.ac.id/index.php/jika/article/view/49040 Perbandingan Algoritma Klasifikasi untuk Mendeteksi Kebutuhan Nitrogen Tanaman Padi Berdasarkan Data Citra Multi-spectral Drone 2023-12-21T15:54:58+07:00 Kahfi Gunardi kahfigunardi12kahfi@apps.ipb.ac.id Karlisa Priandana karlisa@apps.ipb.ac.id Medria Kusuma Dewi Hardhienata medria.hardhienata@apps.ipb.ac.id Wulandari wulandari.ilkom@apps.ipb.ac.id Mohamad Solahudin mohamadso@apps.ipb.ac.id <p>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 <em>Multi-spectral Drone. </em>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 <em>ground truth</em> dari penskalaan BWD. Algoritma klasifikasi yang dibandingkan yaitu <em>Decision Tree</em> (DT), <em>Artificial Neural Network</em> (ANN), <em>Support Vector Machine</em> (SVM), <em>Random Forest</em> (RF), dan <em>K-Nearest Neighbour</em> (KNN). Kinerja kelima algoritma klasifikasi diukur berdasarkan <em>accuracy</em>, <em>recall</em>, <em>precision</em> dan <em>F1 score.</em> Dalam penelitian ini, ditemukan bahwa model klasifikasi yang memiliki kinerja terbaik adalah algoritma <em>Decision Tree</em> (DT) baik dalam perlakuan tanpa normalisasi dan <em>balancing</em> dan dengan normalisasi dan <em>balancing</em> dengan nilai&nbsp; <em>accuracy</em>, <em>recall</em>, <em>precision</em>, dan­­­ F1-<em>score</em> di atas 90%.</p> 2023-12-21T11:47:40+07:00 Copyright (c) 2023 Kahfi Gunardi, Karlisa Priandana, Medria Kusuma Dewi Hardhienata, Wulandari, Mohamad Solahudin https://journal.ipb.ac.id/index.php/jika/article/view/48719 Model Klasifikasi Fase Pertumbuhan Tebu dari Citra Sentinel 1 Multi-temporal Menggunakan Algoritma Random Forest 2023-12-21T15:55:01+07:00 Vandam Caesariadi Bramdito vandamcaesariadi@apps.ipb.ac.id Sony Hartono Wijaya sony@apps.ipb.ac.id Imas Sukaesih Sitanggang imas.sitanggang@apps.ipb.ac.id <p>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.</p> 2023-12-21T11:34:36+07:00 Copyright (c) 2023 Vandam Caesariadi Bramdito, Sony Hartono Wijaya, Imas Sukaesih Sitanggang https://journal.ipb.ac.id/index.php/jika/article/view/48902 Deteksi Citra Digital Penyakit Cacar Monyet menggunakan Algoritma Convolutional Neural Network dengan Arsitektur MobileNetV2 2023-12-21T15:55:04+07:00 Putri Sarah Fransisca putrisf@upnvj.ac.id Nurhafifah Matondang nurhafifahmatondang@upnvj.ac.id <p>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.</p> 2023-12-21T11:08:31+07:00 Copyright (c) 2023 Putri Sarah Fransisca, Nurhafifah Matondang https://journal.ipb.ac.id/index.php/jika/article/view/50825 Aplikasi Mobile Untuk Monitoring Tanaman Hidroponik Kangkung Berbasis Thingspeak dan Firebase 2023-12-21T15:55:07+07:00 Fakhri Tri Atmaja fakhritriatmaja287@gmail.com Muhammad Fachrie fakhritriatmaja287@gmail.com <p>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.</p> 2023-11-30T23:33:59+07:00 Copyright (c) https://journal.ipb.ac.id/index.php/jika/article/view/48426 Pengelompokan Publikasi Ilmiah Berdasarkan Bidang Kepakaran Menggunakan Latent Dirichlet Allocation dan Normalized PSO-K-means 2023-12-21T15:55:10+07:00 Fina Charisma Hayatina finacharisma@apps.ipb.ac.id Sony Hartono Wijaya sony@apps.ipb.ac.id Medria Kusuma Dewi Hardhienata medria.hardhienata@apps.ipb.ac.id <p>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.</p> 2023-11-30T22:32:04+07:00 Copyright (c) 2023 Fina Charisma Hayatina, Sony Hartono Wijaya, Medria Kusuma Dewi Hardhienata https://journal.ipb.ac.id/index.php/jika/article/view/48697 Pemilihan Algoritma Machine Learning untuk Perangkat dengan Komputasi Terbatas pada Deteksi Kematangan Buah Melon Berjala 2023-12-21T15:55:21+07:00 Rizqi Alifahasni Zakiah alifrizqi@apps.ipb.ac.id Sri Wahjuni my_juni04@apps.ipb.ac.id Willy Bayuardi Suwarno willy@apps.ipb.ac.id <p>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</p> 2023-11-30T00:00:00+07:00 Copyright (c) 2023 Rizqi Alifahasni Zakiah, Sri Wahjuni, Willy Bayuardi Suwarno https://journal.ipb.ac.id/index.php/jika/article/view/49563 Implementasi Pendekatan Algoritma Deep Learning CNN untuk Identifikasi Citra Pasien Keratitis 2023-12-21T15:55:14+07:00 Muhammad Asyhar Agmalaro agmalaro@apps.ipb.ac.id Wisnu Ananta Kusuma ananta@apps.ipb.ac.id Lutfah Rif’ati lutfah.rifati@brin.go.id Pramita Andarwati mita.andarwati@gmail.com Anton Suryatama anton.suryatma@brin.go.id Rosy Aldina rosyaldina@yahoo.com Hera Dwi Novita hera_spm@ub.ac.id Ovi Sofia dr.ovisofia@ub.ac.id <p>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.</p> 2023-11-30T00:00:00+07:00 Copyright (c) 2023 Muhammad Asyhar Agmalaro, Wisnu Ananta Kusuma, Lutfah Rif’ati, Pramita Andarwati, Anton Suryatama, Rosy Aldina, Hera Dwi Novita, Ovi Sofia https://journal.ipb.ac.id/index.php/jika/article/view/47713 Analisis Potensi Lokasi dan Klasifikasi Electronic Data Capture (EDC) pada UMKM BNI Agen46 2023-12-21T15:55:25+07:00 Fiqhri Mulianda Putra fqhrmp@gmail.com Marimin marimin@ipb.ac.id Sony Hartono Wijaya sony@apps.ipb.ac.id Reinaldy Jalu Nusantara reinaldy.nusantara@outlook.com <p>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.</p> 2023-11-30T00:00:00+07:00 Copyright (c) https://journal.ipb.ac.id/index.php/jika/article/view/48993 Pengembangan Sistem Manajemen Pengetahuan Tumbuhan Obat Indonesia Berbasis Ontologi 2023-12-21T15:55:18+07:00 Syukriyansyah 2020syukriyansyah@apps.ipb.ac.id Wisnu Ananta Kusuma ananta@apps.ipb.ac.id Annisa annisa@apps.ipb.ac.id <p class="abstrak">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.</p> 2023-11-30T00:00:00+07:00 Copyright (c) 2023 syukriyansyah syukriyansyah, Wisnu Ananta Kusuma, Annisa https://journal.ipb.ac.id/index.php/jika/article/view/46853 The Multivariate Forecasting of Chicken and Beef Prices Involving Weather, Economic, and Health Factors Using the Gated Recurrent Unit Method 2023-12-21T15:55:29+07:00 Muhammad Ikhsan Ananda ikhsanananda@apps.ipb.ac.id <p><em>Food security, especially in the livestock sector in the form of broiler chicken and beef cattle, is a strategic issue for Indonesia to always be able to balance supply and demand for these food commodities. Food price forecasting is needed to mitigate rising food prices for these commodities. Previous research on food price forecasting was only univariate forecasting and comparison of error results between forecasting algorithms. This study aims to perform multivariate forecasting of broiler and beef cattle prices in DKI Jakarta by involving weather, economic, and health factors using the Gated Recurrent Unit (GRU) algorithm where the accuracy test is based on the MAPE value. The GRU algorithm for multivariate forecasting of broiler and beef cattle prices yielded an average MAPE for training and testing of 0.471% and 1.150% indicating that all models in the very good accuracy category for multivariate forecasting of broiler and beef cattle were represented. In addition, the model also produces deviations between MAPE values in the training data and test data which are not too different so that the model developed with each price of broiler chicken and beef cattle is categorized in the best fitting category.</em></p> 2023-06-28T22:51:00+07:00 Copyright (c) 2023 Muhammad Ikhsan Ananda