Klaim Artikel Anda
Verifikasi kepemilikan artikel akademik
Apakah artikel-artikel ini milik Anda?
Daftarkan diri Anda sebagai author untuk mengklaim artikel dan dapatkan profil akademik terverifikasi dengan fitur lengkap.
Badge Verifikasi
Profil terverifikasi resmi
Statistik Lengkap
H-index, sitasi, dan metrik
Visibilitas Tinggi
Tampil di direktori author
Kelola Publikasi
Dashboard artikel terpadu
Langkah-langkah Klaim Artikel:
- 1. Daftar akun author dengan email akademik Anda
- 2. Verifikasi email dan lengkapi profil
- 3. Login dan buka menu "Klaim Artikel"
- 4. Cari dan klaim artikel Anda
- 5. Tunggu verifikasi dari admin (1-3 hari kerja)
Menampilkan 1–2 dari 2 artikel
Deteksi Penyakit Daun Gandum Menggunakan Model Deteksi Objek YOLO
Purwoko, Herman
; Tumanggor, Benelekser
; Supriatna, Dahlan
; Purwoko Putro, Herman
; Tumanggor, Benelekser
; Supriatna, Dahlan
JUISI : Jurnal Ilmiah Sistem Informasi
Vol 6
, No 1
(2026)
Tanaman padi merupakan salah satu komoditas pangan utama di dunia yang memiliki peran penting dalam menjaga ketahanan pangan global. Namun, produktivitas tanaman padi seringkali terganggu oleh berbagai penyakit daun yang dapat menurunkan kualitas dan hasil panen secara signifikan. Deteksi penyakit secara dini menjadi langkah penting untuk mengendalikan penyebaran penyakit tersebut. Metode konvensional yang mengandalkan pengamatan manual memiliki keterbatasan dalam hal kecepatan, akurasi, serta k...
Google Scholar
DOI
Implementasi Metode Vision Transformer (ViT) Dalam Klasifikasi Jenis Tanah
Hasbi, Abdilah
; Ardollynata, Ardollynata
; Tumanggor, Benelekser
; Hasbi, Abdilah
; Ardollynata, Ardollynata
; Tumanggor, Benerlekser
JUISI : Jurnal Ilmiah Sistem Informasi
Vol 5
, No 1
(2026)
This study applies the Vision Transformer (ViT) method to soil-type classification and evaluates its accuracy using digital images. The Vision Transformer (ViT) is a Deep Learning architecture that uses self-attention to extract global features from images, enabling it to recognize texture and color patterns more comprehensively than other convolutional methods. The dataset used consists of eight soil types, each containing 77 image data in “.jpg” format. Each image was processed and augmented t...
Google Scholar
DOI