2) ABSTRAK Gandum adalah jenis tanaman yang kaya karbohidrat. Permintaan gandum di Indonesia selalu meningkat setiap tahun tetapi berbanding terbalik dengan jumlah produksi gandum nasional. Salah satu faktor yang menghambat produksi gandum adalah kegagalan panen akibat penyakit atau hama. Penyakit yang umum pada tanaman gandum adalah Septoria dan Stripe Rust. Penyakit tersebut dapat diidentifikasi melalui warna dan bercak daun. Seiring perkembangan teknologi, petani dapat mengawasi tanaman secara otomatis menggunakan bantuan komputer. Dengan menggunakan deep learning, penyakit pada tanaman gandum dapat diidentifikasi dengan mudah. Penelitian ini bertujuan untuk mengidentifikasi penyakit pada tanaman gandum melalui daun menggunakan metode Residual Network (ResNet). ResNet adalah jenis arsitektur Convolution Neural Network (CNN) dengan menggunakan model yang sudah dilatih sebelumnya. Dengan ResNet tidak memerlukan untuk melatih data dari awal sehingga dapat mempersingkat waktu. Data yang digunakan terdiri dari 291 gambar yang terbagi menjadi normal, penyakit Septoria, dan penyakit Stripe Rust. Setelah pengujian didapatkan akurasi sebesar 98% dengan perbandingan data latih dan uji sebesar 90:10 dan nilai confusion matrix sebesar 0.35 sehingga dapat disimpulkan bahwa metode ResNet dapat mengidentifikasi penyakit pada tanaman gandum.

abstract

Binar is an online learning platform that provides courses and certifications in the digital field. The Binar app has been downloaded 500,000 times and has a rating of 3.6 on the Google Play Store. However, user ratings sometimes do not match their reviews. In application development, not only the number of ratings but also user opinions need to be considered. Therefore, developers must be able to interpret every opinion given, and sentiment analysis was conducted using the Naïve Bayes Multinomial and Bernoulli algorithms along with Information Gain feature selection to interpret user opinions. This study used the Knowledge Discovery in Database (KDD) method. The data used consisted of 713 reviews of the Binar app, including 518 positive and 195 negative reviews. The best results were obtained in the 9:1 data split scenario with the Bernoulli Naïve Bayes model achieving an accuracy of 93.06%, precision of 87.04%, recall of 100%, f1-score of 93.07%, and AUC of 0.988.

Abstrak: Masalah yang timbul dalam peramalan hasil produksi pertanian antara lain adalah sulit untuk mendapatkan data yang lengkap dari variabel-variabel yang mempengaruhi hasil pertanian dalam jangka panjang. Kondisi ini akan semakin sulit ketika peramalan mencakup wilayah yang cukup luas. Akibatnya, variabel-variabel tersebut harus diinterpolasi sehingga akan menyebabkan bias terhadap hasil peramalan. (1) Mengetahui gambaran meta analisis penelitian peramalan produk pertanian menggunakan Long Short Term Memory (LSTM), (2) Mengetahui penelitian meta analisis cakupan wilayah, komoditi dan periode data terkait produk pertanian terutama gandum, kedelai jagung dan pisang, (3) Mengetahui praproses data antara lain menghilangkan data yang tidak sesuai, menangani data yang kosong, serta memilih variabel tertentu. Sebagai solusi dari masalah tersebut, peramalan hasil produksi pertanian dilakukan berdasarkan data historis hasil produksi pertanian. Salah model peramalan yang saat ini banyak dikembangkan adalah model jaringan syaraf LSTM yang merupakan pengembangan dari model jaringan syaraf recurrent (RNN). Tulisan ini merupakan hasil kajian literatur pengembangan model-model LSTM untuk peramalan hasil produksi pertanian meliputi gandum, kedelai, jagung dan pisang. Perbaikan kinerja model LSTM dilakukan mulai dari praproses, tuning hyperparameter, sampai dengan penggabungan dengan metode lain. Berdasarkan kajian tersebut, model-model LSTM memiliki kinerja yang lebih baik dibandingkan dengan model benchmark.   Kata kunci: jaringan syaraf, LSTM, peramalan, produksi pertanian, RNN.   Abstract: Problems that arise in forecasting agricultural products include the difficulty of obtaining complete data on the variables that affect agricultural yields in the long term. This condition will be more difficult when the forecast covers a large area. As a result, these variables must be interpolated so that it will cause a bias towards the forecasting results. (1) Knowing the description of research maps for forecasting agricultural products using Long short term memory (LSTM), (2) Knowing Research Coverage areas, commodities, and data periods related to agricultural products, especially Wheat, Soybeans, corn, and bananas, (3) Knowing Preprocessing data between others remove inappropriate data, handle blank data, and select certain variables. This paper is the result of a literature review on the development of LSTM models for crop yields forecasting including wheat, soybeans, corn, and bananas. The Performance Improvements of the LSTM models were carried out by preprocessing data, hyperparameter tuning, and combining LSTM with other methods. Based on this study, LSTM models have better performance compared to the benchmark model.   Keywords: neural network, LSTM, forecasting, crop yield, RNN.

Secara tradisional, brosur banyak digunakan dalam penyampaian informasi tentang suatu produk. Seiring dengan perkembangan teknologi, brosur ini dapat diubah menjadi brosur digital yang bersifat interaktif dalam bentuk aplikasi Android. Salah satunya adalah dengan mengimplementasikan augmented reality agar konten aplikasi dapat berinteraksi dengan lingkungan ketika aplikasi ini digunakan. Metode augmented reality yang digunakan disini adalah markerless augmented reality. Hasil pengujian menggunakan rating scale menunjukkan bahwa aplikasi brosur digital yang dikembangkan tergolong baik dan dapat bermanfaat baik bagi tenaga pemasaran produk mobil Suzuki Ertiga maupun bagi pelanggan