Research Publications

Authors

Purnawansyah; Darwis, Herdianti, Universitas Muslim Indonesia, Makassar, Indonesia; Raja, Roesman Ridwan, Kyushu Institute of Technology, Iizuka City, Jepang

Abstract

This research explores public sentiment towards the Indonesian police using sentiment analysis and machine learning techniques. The study addresses the challenge of understanding public opinion based on social media comments related to significant police cases. The aim is to compare reported satisfaction levels with actual public sentiment. Utilizing the Indonesian RoBERTa base IndoLEM sentiment classifier, comments were analyzed and preprocessed. The classification was conducted using Random Forest (RF) and Complement Naive Bayes (CNB) models, incorporating unigram and bi-gram features. Oversampling techniques were applied to handle data imbalance. The best-performing model, Random Forest with bi-gram features, achieved high evaluation scores, including a precision of 0.91 and accuracy of 0.91. The findings reveal significant insights into public opinion, contributing to improved law enforcement strategies and public trust.

Related SDGs

Authors

Kurnia, Arif; Harlinda; Darwis, Herdianti, Universitas Muslim Indonesia, Makassar, Indonesia

Abstract

Gojek adalah aplikasi layanan on-demand yang telah menjadi salah satu platform terbesar di Asia Tenggara dengan jutaan pengguna aktif dan 5 juta ulasan di App Store. Ulasan ini menjadi sumber informasi penting untuk mengevaluasi dan meningkatkan layanan. Penelitian ini bertujuan untuk menganalisis sentimen ulasan pengguna Gojek dengan mengelompokkan ulasan menjadi lima kelas sentimen: "Sangat Puas", "Puas", "Cukup", "Buruk", dan "Sangat Buruk". Metode yang digunakan meliputi K-Nearest Neighbors (KNN), Naive Bayes, dan Support Vector Machine (SVM). Setelah melakukan text preprocessing, ketiga metode tersebut dievaluasi berdasarkan accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model SVM dengan kernel Linear mencapai akurasi tertinggi sebesar 79.00%, diikuti kernel RBF dengan precision tertinggi sebesar 83.85%. Model Naive Bayes menunjukkan performa cukup baik dengan akurasi 78.00%, sementara KNN memiliki akurasi terendah sebesar 69.25%. Berdasarkan hasil ini, SVM, khususnya dengan kernel Linear dan RBF, terbukti menjadi metode paling efektif dalam menganalisis sentimen pengguna Gojek, memberikan wawasan yang lebih akurat untuk perbaikan layanan

Related SDGs

Authors

Purnawansyah, Department of Electrical Engineering and Informatics, Universitas Negeri Malang, Jl. Semarang, Malang, 65145, Indonesia; Department of Computer Science, Universitas Muslim Indonesia, Jl. Urip Sumoharjo, Makassar, 90231, Indonesia; Darwis, Herdianti; Azis, Huzain, Department of Computer Science, Universitas Muslim Indonesia, Jl. Urip Sumoharjo, Makassar, 90231, Indonesia; Wibawa, Aji Prasetya; Widiyaningtyas, Triyanna, Department of Electrical Engineering and Informatics, Universitas Negeri Malang, Jl. Semarang, Malang, 65145, Indonesia; Haviluddin, Department of Computer Science, Universitas Mulawarman Jl. Kuaro Gunung Kelua, Samarinda, 75119, Indonesia

Abstract

This study aims to assess the effectiveness of various algorithms in the realms of supervised and semi-supervised learning applied to three multiclass facial image datasets: JAFFE, Georgia tech, and Yale. The datasets were partitioned into proportions of 80:20, 75:25, and 50:50 for supervised learning, while semi-supervised learning was conducted with labelled and unlabeled data ratios of 20:80, 25:75, and 50:50. The evaluated algorithms include convolutional neural networks (CNNs), decision tree, long short-term memory, K-nearest neighbors (K-NNs), multilayer perceptron, and support vector classifier (SVC), each with varying parameters. Experimental outcomes reveal that the performance of models depends on the dataset partitioning strategies and the type of algorithms used. Specifically, linear and polynomial SVC consistently yield favorable results in supervised learning, particularly demonstrating efficacy on the Georgia tech dataset. Conversely, on the JAFFE and Yale dataset, linear SVC and K-NN emerge as optimal choices. The inclusion of semi-supervised learning enhances insights, particularly evident in the Georgia tech dataset, where the combination of labeled and unlabeled data significantly improves accuracy, especially when leveraging linear SVC algorithm. Although there are some instances of sub-optimal performance in certain algorithms like CNN on specific datasets, this research provides comprehensive insights into the effectiveness of various models in contexts of limited-label learning. The implications of these findings are crucial in advancing the development of adaptive and robust facial recognition systems, especially in navigating datasets characterized by diverse variations and complexities.

Related SDGs

Authors

Harlinda, L; Rahma, Dewi Ernita; Azis, Huzain; Irawati; Ramdaniah, Faculty of Computer Science, Universitas Muslim Indonesia, Makassar, Indonesia; Isnan, Mahmud, Computer Science Department School of Computer Science Bina Nusantara University, Jakarta, Indonesia

Abstract

The objective of this work is to develop an automatic classification system that can accurately and consistently distinguish between healthy and Curvularia-infected oil palm leaves, even in the face of inadequate data. The proposed approach uses the ResNet50 model as a feature extractor in conjunction with more conventional machine learning techniques like Random Forest and K-Nearest Neighbors. With a focus on implementation feasibility and efficiency in real-world applications, this combination has shown competitive performance when compared to the end-to-end ResNet50 approach. With these contributions, this study offers methods for diagnosing plant diseases that are intelligent, flexible, and resource-efficient, facilitating digital transformation in the agriculture industry. These findings highlight the potential of hybrid deep learning systems in providing accurate, fast, and cost-effective disease diagnosis solutions for oil palm plantations, particularly in tropical environments with limited resources.

Related SDGs

Authors

Suzanti, Ika Oktavia; Kamil, Fajrul Ihsan; Rochman, Eka Mala Sari; Rachman, Fika Hastarita; Solihin, Firdaus, Informatics Engineering Department, University of Trunojoyo Madura, Bangkalan, Indonesia; Huzain Azis, Malaysian Institute of Information Technology (MIIT), Universiti Kuala Lumpur, Kuala Lumpur, Malaysia; Suni, Alfa Faridh, Computer Science Department, Newcastle University, United Kingdom

Abstract

Hidden paradise is a term that aptly describes the island of Madura, which offers diverse tourism potential. Through the Google Maps application, tourists can access sentiment-based information about various attractions in Madura, serving both as a reference before visiting and as evaluation material for the local government. The Multinomial Naïve Bayes method is used for text classification due to its simplicity and effectiveness in handling text mining tasks. The sentiment classification is divided into three categories: positive, negative, and mixed. Initial analysis revealed an imbalance in sentiment data, with most reviews being positive. To address this, sampling techniques—both oversampling and undersampling—were applied to achieve a more balanced data distribution. Additionally, the Adaptive Boosting ensemble method was used to enhance the accuracy of the Multinomial Naïve Bayes model. The dataset was split into training and testing sets using ratios of 60:40, 70:30, and 80:20 to evaluate the model’s stability and reliability. The results showed that the highest F1-score, 84.1%, was achieved using the Multinomial Naïve Bayes method with Adaptive Boosting, which outperformed the model without boosting, which had an accuracy of 76%.

Related SDGs

Authors

Syafie, Lukman; Herman; As' ad, Ihwana; Universitas Muslim Indonesia

Abstract

This community service program aims to improve digital literacy among elementary school students in Kedah, Malaysia through introducing robotics and Scratch programming. The main issue faced was students' limited exposure to computational thinking and STEM-based learning. Through intensive training provided by Universitas Muslim Indonesia, students from 13 schools were equipped with fundamental skills in visual programming using Scratch and basic robotics concepts. The training was officially opened by the Special Officer to the Minister of Education Malaysia and covered introduction to computational thinking, hands-on Scratch programming, and educational robotics demonstrations. Results showed significant improvement in students' understanding of programming concepts and increased enthusiasm towards technology. Additionally, an educational module was created for continued learning. The program successfully enhanced students' digital literacy and received strong appreciation from school principals who expressed interest in ongoing collaboration for similar activities.

Related SDGs

Authors

Junaid, Annisa; Ilmawan, Lutfi Budi; Azis, Andi Adillah Firstani, Universitas Muslim Indonesia

Abstract

Pemanfaatan kayu sebagai bahan konstruksi masih sangat tinggi di Indonesia, namun proses pemilahan kayu di tingkat industri kecil hingga menengah masih dilakukan secara visual dan subjektif. Hal ini berdampak pada ketidaksesuaian antara mutu kayu dan penggunaannya di lapangan. Kegiatan pengabdian ini bertujuan untuk memberikan pelatihan teknik pemilahan kayu berbasis sains menggunakan metode stress wave velocity kepada pelaku usaha kayu. Metode ini bersifat non-destruktif, mudah diterapkan, dan dapat memperkirakan kekuatan mekanis kayu berdasarkan kecepatan rambat gelombang tegangan yang terukur melalui aplikasi Wave Spectra dan Wood Quality Detector. Pelatihan dilaksanakan di UD. Cahaya Putri, Katimbang, Paccerakkang, Makassar. Hasil kegiatan menunjukkan peningkatan pengetahuan mitra sebesar 56% mengenai konsep kekuatan kayu dan teknik pemeriksaannya, serta meningkatnya keterampilan penggunaan alat uji sederhana berbasis smartphone. Kegiatan ini diharapkan menjadi langkah awal dalam upaya standarisasi pemilahan kayu secara ilmiah di tingkat UMKM untuk mendukung industri konstruksi berkelanjutan.

Related SDGs

Authors

Syaifullah, Muhammad Andi; Hayati, Lilis Nur; Ilmawan, Lutfi Budi, Informatics Engineering,Faculty of Computer Science, University of Muslim Indonesia, Makassar City, Indonesia

Abstract

Royal Cafe Makassar still relies on a manual system for managing queues and processing orders, which leads to long waiting lines, delayed service, and frequent recording errors. This study aims to design and implement a mobile-based queue management application using the First Come First Served (FCFS) method to create a more efficient, structured, and transparent ordering process. System development follows the Waterfall model, consisting of requirement analysis, system design, implementation, testing, and maintenance phases. The application provides features for registration and login, digital menu browsing, ordering, payment processing, queue monitoring, and a role-based workflow involving administrators, baristas, and waiters. Functional validation is conducted using black-box testing, while usability evaluation employs the System Usability Scale (SUS). The results show that every major function of the application operates according to the specified requirements. The SUS evaluation, involving 73 respondents, yields an average score of 82.35, which falls into the “very good” and “acceptable” categories, indicating high usability and user satisfaction. The FCFS mechanism effectively addresses operational issues by ensuring fair and consistent service order based on customer arrival time, reducing manual workload, and minimizing ordering errors. Overall, the developed system provides a practical digital solution for improving café service efficiency and can serve as a reference model for similar small-scale businesses adopting queue management applications.

Related SDGs

Authors

Mansyur, St. Hajrah; Hidayah, Nurul, Sistem Informasi, Universitas Muslim Indonesia, Makassar, Indonesia; Ilmawan, Lutfi Budi; Putra, Meydil Eka Syah; Rahmansyah, Moh. Fathur, Teknik Informatika,Universitas Muslim Indonesia,Makassar,Indonesia; Nengsi, Ratika, Pendidikan Agama Islam, Universitas Muslim Indonesia, Makassar, Indonesia

Abstract

Pendidikan inklusif bagi penyandang disabilitas masih menghadapi keterbatasan media pembelajaran adaptif, khususnya pada pembelajaran huruf dan harakat hijaiyah yang menuntut kompleksitas komunikasi visual, auditori, dan taktil. Kegiatan Pengabdian kepada Masyarakat (PkM) ini bertujuan mengembangkan dan mengimplementasikan media digital multisensori HarakaTouch sebagai solusi inovatif di SLB Negeri 1 Makassar. Metode pelaksanaan dirancang melalui tujuh tahapan utama: HarakaConnect, HarakaTrain, HarakaTech, HarakaGuide, HarakaTrack, HarakaReflect, dan HarakaSustain, dengan melibatkan 16 siswa difabel serta 15 guru. Hasil menunjukkan adanya peningkatan signifikan pada capaian siswa: skor pemahaman huruf dan harakat meningkat dari 42% menjadi 81% (+39%), kemandirian belajar dari 2,1 menjadi 3,6, serta konsentrasi dari 50% menjadi 82%. Pada guru, pemahaman strategi pembelajaran inklusif naik dari 55% menjadi 88% (+33%), dan keterampilan penggunaan media dari 2,3 menjadi 3,7. Keberhasilan program ditandai dengan terbentuknya komunitas Guru Hijaiyah Inklusi, serta legitimasi hukum melalui sertifikat HAKI. Temuan ini membuktikan bahwa HarakaTouch efektif meningkatkan literasi hijaiyah difabel, memperkuat kapasitas guru, dan berpotensi dikembangkan sebagai educational technology inklusif berskala nasional.

Related SDGs

Authors

Kurniati, Nia, Universitas Muslim Indonesia, Jl.Urip Sumoharjo Km.05, Makassar dan 90231, Indonesia; Irawati; Hasnawi, Mardiyyah; Fattah, Farniwati; As'ad, Ihwana; Hasanuddin, Tasrif, Fakultas Ilmu Komputer, Universitas Muslim Indonesia, Jl.Urip Sumoharjo Km.05, Makassar dan 90231, Indonesia; Mazhud, Nurfathana, Fakultas Sastra, Universitas Muslim Indonesia, Jl.Urip Sumoharjo Km.05, Makassar dan 90231, Indonesia

Abstract

Kegiatan Pengabdian kepada Masyarakat (PKM) ini dilaksanakan di Taman Pendidikan Al-Qur’an (TPA) Darul Ilmi, Kelurahan Benteng Selatan, Kepulauan Selayar. Tujuan kegiatan ini adalah untuk memberikan edukasi kepada siswa-siswi TPA mengenai pengelolaan sampah non-organik menjadi barang kerajinan tangan melalui penerapan aplikasi digital berbasis multimedia interaktif. Permasalahan utama mitra meliputi metode pembelajaran yang masih konvensional dan monoton, serta rendahnya pengetahuan masyarakat dan siswa tentang jenis-jenis sampah dan cara pemanfaatannya. Solusi yang ditawarkan berupa penggunaan aplikasi edukasi yang berisi informasi tentang pengertian, jenis, dampak, dan cara pengolahan sampah non-organik, disertai tutorial pembuatan kerajinan tangan serta permainan edukatif. Metode pelaksanaan kegiatan meliputi observasi, wawancara, studi pustaka, sosialisasi, pelatihan, pendampingan, dan evaluasi melalui penyebaran kuesioner pre-test dan post-test. Hasil kegiatan menunjukkan peningkatan pengetahuan siswa TPA sebesar 67% setelah penerapan aplikasi. Para peserta menjadi lebih aktif, kreatif, dan memahami pentingnya pengelolaan sampah bagi lingkungan. Selain itu, siswa mampu mengolah limbah non-organik menjadi produk kerajinan seperti tempat pensil, vas bunga, dan hiasan dinding. Kegiatan ini tidak hanya meningkatkan keterampilan dan kesadaran lingkungan peserta, tetapi juga memperkenalkan pendekatan pembelajaran berbasis teknologi yang menarik dan efektif di lingkungan pendidikan non-formal. Dengan demikian, penerapan aplikasi ini terbukti bermanfaat dalam menumbuhkan kreativitas serta kepedulian terhadap lingkungan sejak usia dini.

Related SDGs

Authors

Lasinrang, Akhmad Petta Lolo; Harlinda; Sugiarti, Universitas Muslim Indonesia, Makassar, Indonesia

Abstract

Baju Bodo yang berasal dari suku Bugis ini merupakan salah satu baju tertua yang ada di dunia. Baju bodo sebagai warisan budaya Sulawesi Selatan memiliki nilai estetika dan sejarah yang tinggi. Baju Bodo dapat ditemukan di toko-toko yang menyediakan layanan peminjaman. Saat ini peminjaman Baju Bodo masih dilakukan secara manual. Penelitian ini bertujuan untuk merancang sebuah sistem peminjaman baju bodo berbasis Android yang efisien dan mudah digunakan. Namun, saat ini ketersedian aplikasi untuk meminjam baju bodo masih terbatas. Oleh karena itu, penelitian ini diharapkan menjadi solusi, dimana dengan adanya rancangan aplikasi nantinya dapat dikembangkan menjadi aplikasi yang dapat diakses masyarakat yang dapat mempermudah proses peminjaman Baju Bodo. Metode pengembangan sistem yang digunakan adalah metode waterfall, yang terdiri dari tahap analisis, perancangan, implementasi, pengujian, dan pemeliharaan. Tahap analisis dilakukan untuk mengidentifikasi kebutuhan pengguna dan fungsionalitas sistem. Tahap perancangan meliputi perancangan antarmuka pengguna (user interface) dan basis data

Related SDGs

Authors

Ashad, Bayu Adrian, Program Studi Teknik Elektro, Fakultas Teknik, Universitas Muslim Indonesia; Ramdaniah, Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Muslim Indonesia

Abstract

Kegiatan pengabdian kepada masyarakat ini dilaksanakan di UD Tani Nila Nusantara, Kabupaten Pangkep, dengan tujuan meningkatkan efisiensi penggunaan energi listrik pada sistem budidaya ikan nila melalui penerapan teknologi smart meter berbasis Internet of Things (IoT). Permasalahan utama mitra adalah tingginya konsumsi energi akibat pengoperasian aerator, dan pompa air yang berlangsung hampir tanpa henti setiap hari. Untuk mengatasi hal tersebut, diterapkan sistem monitoring energi berbasis IoT yang memungkinkan pengelolaan daya secara real-time. Metode pelaksanaan kegiatan menggunakan pendekatan pendidikan masyarakat dan difusi ipteks melalui pelatihan, instalasi sistem smart meter, serta pendampingan langsung kepada mitra dalam pengoperasian dan analisis data energi. Hasil evaluasi menunjukkan peningkatan pemahaman mitra terhadap efisiensi energi dan kemampuan menggunakan perangkat digital secara mandiri. Selain itu, terjadi penurunan konsumsi listrik rata-rata sebesar 15–20% setelah penerapan sistem. Kegiatan ini tidak hanya meningkatkan efisiensi operasional tambak, tetapi juga memperkuat literasi digital dan kesadaran penggunaan energi berkelanjutan di sektor perikanan. Dengan demikian, penerapan smart meter berbasis IoT dapat menjadi solusi praktis dan aplikatif menuju pengelolaan energi yang cerdas, efisien, dan ramah lingkungan pada usaha tambak ikan air tawar.

Related SDGs

Authors

Ramdaniah, Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Muslim Indonesia; Ashad, Bayu Adrian, Program Studi Teknik Elektro, Fakultas Teknik, Universitas Muslim Indonesia

Abstract

Kegiatan Pengabdian kepada Masyarakat (PkM) ini bertujuan meningkatkan efisiensi dan literasi digital masyarakat petambak melalui pelatihan penggunaan aplikasi Feeder Planner di Kabupaten Pangkep, Sulawesi Selatan. Permasalahan utama yang dihadapi mitra adalah manajemen tambak yang masih dilakukan secara manual tanpa pencatatan berbasis data, sehingga mengakibatkan pemborosan pakan dan sulitnya evaluasi produksi. Metode pelaksanaan menggunakan pendekatan Participatory Action Research (PAR) melalui skema pelatihan dan difusi ipteks dengan pendampingan langsung di lapangan. Kegiatan berlangsung selama empat bulan, dari Agustus hingga November 2025, bekerja sama dengan mitra UD Tani Nila Nusantara dan melibatkan enam orang petambak sebagai peserta. Tahapan kegiatan meliputi observasi kebutuhan, sosialisasi, pelatihan penggunaan aplikasi, pendampingan, serta evaluasi partisipatif. Hasil kegiatan menunjukkan peningkatan kemampuan peserta dalam mengoperasikan aplikasi secara mandiri untuk mencatat jadwal dan riwayat pemberian pakan. Efisiensi pakan meningkat sekitar 15%, dengan konsistensi pencatatan mencapai 83% dan ketepatan jadwal pemberian pakan sebesar 85%. Kegiatan ini membuktikan bahwa pelatihan berbasis aplikasi digital mampu mendorong transformasi manajemen tambak menuju sistem yang lebih efisien, terukur, dan berkelanjutan di kalangan masyarakat petambak.

Related SDGs

Authors

Septiawan, M.Fiqry; Anraeni, Siska; Ramdaniah, Informatics Engineering, Computer Sience, Universitas Muslim Indonesia, Indonesia

Abstract

Technological advancements have provided convenience for Generation Z in managing finances; however, many are still not accustomed to recording their financial activities regularly. Shopping receipts, which should serve as proof of transactions, are often ignored or poorly managed, despite their important role in tracking expenses. Therefore, this research aims to develop an Android-based financial recording application capable of handling both manual input and automated recording through receipt scanning using Optical Character Recognition (OCR) technology. The findings indicate that ChatGPT-4o significantly outperforms EasyOCR by providing more consistent accuracy and faster, stable processing, making it a more reliable solution for receipt-based financial recording. Developed using the Agile Kanban method, the application was validated through alpha testing and proven to function properly across all features. Beyond practical benefits for users, this research also contributes to the financial technology literature by demonstrating the integration of large language models (LLM) to enhance OCR performance in mobile finance applications.

Related SDGs

Authors

Dolly, Indra, Departement of information Systems, Computer Science, Universitas Muslim Indonesia, Indonesia; Ramdaniah; Ode, Nada Kayatri, Department of Informatic Engineering, Computer Science, Universitas Muslim Indonesia, Indonesia

Abstract

Deforestation in Papua has emerged as a significant environmental concern, attracting considerable attention due to its effects on biodiversity and the livelihoods of indigenous communities. This study seeks to examine public sentiment toward the issue by analyzing comments posted on the YouTube platform, employing the Long Short-Term Memory (LSTM) method. A dataset of 3,000 comments was gathered and processed through several stages, including text cleaning, tokenization, normalization, and Term Frequency–Inverse Document Frequency (TF-IDF) weighting. Subsequently, an LSTM model was developed and assessed using accuracy, precision, recall, and F1-score as evaluation metrics. The results reveal that the LSTM model achieved an accuracy of 88.43%, a precision of 90.01%, a recall of 97.49%, and an F1-score of 93.60%. Nevertheless, signs of overfitting were observed, indicated by lower validation performance compared to training results. These findings demonstrate that the LSTM approach is effective for identifying public opinion regarding deforestation and can serve as a valuable reference in decision-making and the formulation of environmental policies.

Related SDGs

Authors

Gaffar, Andi Widya Mufila; Widyawati, Dewi; Fahmi; Ulfiani, Sri, Fakultas Ilmu Komputer Universitas Muslim Indonesia, Indonesia

Abstract

Kacang-kacangan merupakan sumber pangan padat energi yang kaya nutrisi bioaktif, berperan penting dalam menjaga kesehatan serta menurunkan risiko penyakit kronis yang dimana kacang-kacangan memiliki jenis dan varietas yang sangat beragam dengan ciri-ciri seperti warna, bantuk dan karateristik yang berbeda beda. Penelitian ini bertujuan untuk mengembangkan sistem deteksi otomatis jenis kacang-kacangan menggunakan metode Convolutional Neural Network (CNN) berbasis arsitektur Faster Objects, More Objects (FOMO) yang diintegrasikan dengan perangkat berbiaya rendah ESP32-Cam melalui platform Edge Impulse. Empat jenis kacang yang digunakan sebagai objek penelitian meliputi kacang hijau, kacang kedelai, kacang merah, dan kacang tanah, dengan total 530 citra hasil akuisisi data. Proses penelitian meliputi tahapan akuisisi data, pre-processing berupa pelabelan, normalisasi, dan resize, pembagian dataset, pelatihan model dengan 60 epoch dan learning rate 0,001, hingga evaluasi kinerja model. Hasil evaluasi menunjukkan bahwa model mencapai F1 Score rata-rata 90,4%, yang termasuk kategori sangat baik, dengan keseimbangan optimal antara precision dan recall. Pada tingkat per kelas, kacang merah berhasil dikenali sempurna dengan akurasi 100%, kacang hijau memperoleh akurasi 94,4%, sedangkan kacang kedelai dan kacang tanah masing-masing mencapai 88% dan 88,9%. Analisis feature explorer menunjukkan adanya tumpang tindih pada distribusi kacang kedelai dan kacang tanah akibat kemiripan tekstur dan morfologi, sehingga berpotensi menimbulkan kesalahan klasifikasi. Secara keseluruhan, hasil penelitian ini membuktikan bahwa CNN dengan menggunakan ESP32-Cam mampu mendeteksi jenis kacang-kacangan dengan akurasi yang sangat baik.

Related SDGs