Jatropha curcas disease identification using Fuzzy Neural Network

Saragih, Triando Hamonangan; Fajri, Diny Melsye Nurul; Hamdianah, Andi; Mahmudy, Wayan Firdaus; Anggodo, Yusuf Priyo

doi:10.1109/siet.2017.8304153

Cited by 5 publications

(5 citation statements)

References 31 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…The basic system of the human brain is called a neural network. Planting knowledge with neural networks has been widely applied by many people, one example is applied by Saragih who identifies Jatropha plant diseases using Fuzzy Neural Network [5] which is one of the artificial intelligence systems that can detect types of plant diseases based on their symptoms. Unfortunately the level of accuracy achieved is only about 30% and then optimization is done again so that the results are further improved by using Simulated Annealing [6].…”

Section: Introductionmentioning

confidence: 99%

Detection of Disease and Pest of Kenaf Plant using Convolutional Neural Network

Fajri

Mahmudy

Yulianti

2021

JITeCS

Self Cite

View full text Add to dashboard Cite

Kenaf fiber is mainly used for forest wood substitute industrial products. Thus, the kenaf fiber can be promoted as the main composition of environmentally friendly goods. Unfortunately, there are several Kenaf gardens that have been stricken with the disease-causing a lack of yield. By utilizing advances in technology, it was felt to be able to help kenaf farmers quickly and accurately detect which pests or diseases attacked their crops. This paper will discuss the application of the machine learning method which is a Convolutional Neural Network (CNN) that can provide results for inputting leaf images into the results of temporary diagnoses. The data used are 838 image data for 4 classes. The average results prove that with CNN an accuracy value of 73% can be achieved for the detection of diseases and plant pests in Kenaf plants.

show abstract

Section: Introductionmentioning

confidence: 99%

Detection of Disease and Pest of Kenaf Plant using Convolutional Neural Network

Fajri

Mahmudy

Yulianti

2021

JITeCS

Self Cite

View full text Add to dashboard Cite

show abstract

“…Lapisan-lapisan penyusun jaringan syaraf tiruan dibagi menjadi tiga, yaitu: Lapisan masukan (Input Layer), unit-unit dalam input layer disebut unit-unit input yang memiliki tugas menerima pola masukan dari luar yang menggambarkan suatu permasalahan. Lapisan Tersembunyi (Hidden Layer), unit-unit dalam lapisan tersembunyi disebut unit-unit tersembunyi yang nilai output-nya tidak dapat diamati secara langsung (Saragih et al, 2017). Lapisan keluaran (Output Layer), unit-unit dalam lapisan keluaran disebut unit-unit output yang merupakan solusi jaringan syaraf tiruan terhadap suatu permasalahan (Utomo et al, 2017).…”

Section: Jaringan Syaraf Tiruanunclassified

Jaringan Syaraf Tiruan Backpropagation Dengan Adaptive Moment Estimation Untuk Klasifikasi Penyakit Covid-19 Di Kalimantan Selatan

Saragih

Huda²

2022

JMMTE

View full text Add to dashboard Cite

Jaringan syaraf tiruan adalah suatu metode komputasi yang meniru sistem jaringan syaraf biologi. Metode ini menggunakan elemen perhitungan non-linier dasar yang disebut neuron yang diorganisasikan sebagai jaringan yang paling berhubungan, sehingga mirip dengan jaringan syaraf manusia. Salah satu teknik penerapannya bisa dilakukan sebagai metode klasifikasi. Salah satu metode klasifikasi yang sering digunakan yaitu metode Backpropagation. Metode Backpropagation menggunakan konsep supervised learning. Salah satu pendekatan yang bisa dilakukan dalam pembelajarannya dengan melakukan optimasi pembobotan. Metode optimasi yang digunakan yaitu metode optimasi Adaptive Moment Estimation (ADAM). Optimasi ADAM yaitu metode optimasi yang menggunakan konsep stokastik dalam melakukan pencarian parameter terbaik. Data yang digunakan pada penelitian ini yaitu data Covid 19 di Kalimantan Selatan. Data yang digunakan sebanyak 192 kasus yang mana 121 penyakit Covid 19 dan 71 penyakit bukan Covid. Hasil akurasi dari klasifikasi menggunakan metode Backpropagation yang sudah dioptimasi dengan metode ADAM menyatakan lebih baik dibandingkan tanpa optimasi ADAM dengan akurasi rata-rata sebesar 69.77% dan akurasi maksimal terbaik sebesar 71.05%.

show abstract

“…Berdasarkan hasil penelitian ini, dapat disimpulkan metode ini bisa menghasilkan akurasi yang lebih baik dibandingkan penelitian sebelumnya. Untuk penelitian selanjutnya, bisa menggunakan metode klasifikasi seperti Fuzzy KNN [16], Fuzzy Neural Network [7], [17] ataupun Extreme Learning Machine [18]- [20] untuk mendapatkan akurasi yang lebih baik lagi.…”

Section: Simpulanunclassified

Optimasi Fungsi Keanggotaan Fis Tsukamoto Menggunakan Simulated Annealing Untuk Identifikasi Penyakit Gigi

Saragih

Ramadhani

Mazdadi

et al. 2020

klik

Self Cite

View full text Add to dashboard Cite

Teeth are one of the tools in the framework related to the human stomach which fills as a food destroyer for simple processing. Diseases that attack teeth can withstand this action and cannot be distinguished quickly by young dental specialists. This problem can be solved by methods in the field of technology. The algorithm that can be used is FIS Tsukamoto in classification. Optimization of the membership function at FIS Tsukamoto is needed to improve accuracy. Optimization of FIS Tsukamoto membership function using Simulated Annealing produced the highest accuracy at 92.5% of the 100 test data.Keywords: Simulated Annealing; FIS Tsukamoto, Dental Disease, Optimization Gigi adalah salah satu alat dalam kerangka terkait perut manusia yang mengisi sebagai penghancur makanan untuk pemrosesan sederhana. Penyakit yang menyerang gigi dapat menahan tindakan ini dan tidak dapat dibedakan dengan cepat oleh dokter muda spesialis gigi. Masalah ini dapat diselesaikan dengan metode di bidang teknologi. Algoritma yang bisa digunakan yaitu FIS Tsukamoto dalam melakukan klasifikasi. Optimasi fungsi keanggotaan pada FIS Tsukamoto diperlukan untuk meningkatkan akurasi. Optimasi fungsi keanggotaan FIS Tsukamoto menggunakan Simulated Annealing menghasilkan akurasi paling tinggi yaitu 92,5% dari 100 data uji.Kata kunci: Simulated Annealing; FIS Tsukamoto, Penyakit Gigi, Optimisasi

show abstract

Jatropha curcas disease identification using Fuzzy Neural Network

Cited by 5 publications

References 31 publications

Detection of Disease and Pest of Kenaf Plant using Convolutional Neural Network

Detection of Disease and Pest of Kenaf Plant using Convolutional Neural Network

Jaringan Syaraf Tiruan Backpropagation Dengan Adaptive Moment Estimation Untuk Klasifikasi Penyakit Covid-19 Di Kalimantan Selatan

Optimasi Fungsi Keanggotaan Fis Tsukamoto Menggunakan Simulated Annealing Untuk Identifikasi Penyakit Gigi

Contact Info

Product

Resources

About