Research Publications

Authors

Indra; Dolly, Alwi; Erick Irawadi,

Abstract

Program Pengabdian Kepada Masyarakat (PKM) ini dilaksanakan dengan tujuan utama untuk meningkatkan literasi digital bagi para pengelola dan anggota Rumah Baca Pangngadakkang. Intervensi ini dinilai penting karena peran rumah baca sebagai pusat literasi semakin krusial di tengah tantangan literasi digital yang ada di Indonesia. Revolusi digital yang kian pesat menuntut kompetensi literasi dan digital untuk menghadapi tumbuhnya masyarakat informasi dan jaringan. Oleh karena itu, PKM ini berfokus pada pelatihan penggunaan aplikasi Canva untuk mendorong kemampuan kreatif dalam membuat konten visual yang menarik dan edukatif, serta Microsoft Excel untuk memperkuat keterampilan dalam pencatatan dan pengelolaan data rumah baca secara digital. Pelaksanaan kegiatan melalui tahapan observasi, sosialisasi, pelatihan, dan evaluasi. Hasil evaluasi terhadap 22 peserta menunjukkan perbaikan nilai rata-rata posttest yang cukup mencolok untuk Canva yaitu 80.00 dari pretest 65.00, dan untuk Microsoft Excel naik drastis menjadi 80.45 dari pretest 45.00. Keberhasilan program ini didukung oleh fasilitas yang memadai dan antusiasme tinggi dari para peserta, serta dampak langsungnya terlihat pada peningkatan kapasitas literasi digital dan manajemen administrasi rumah baca.

Related SDGs

Authors

Fattah; Farniwati, Sugiarti; Sugiarti, Irawati; Irawati, Hayati; Lilis Nur

Abstract

Pengabdian masyarakat ini dilaksanakan di TPA Nurul Iman Pannara, Kota Makassar, yang menghadapi keterbatasan dalam pemanfaatan teknologi digital pada pembelajaran huruf hijaiyah. Kegiatan dilakukan melalui pelatihan, pendampingan, dan praktik penggunaan aplikasi Augmented Reality (AR) kepada 21 guru dan asisten guru. Aplikasi AR ini menampilkan 30 huruf hijaiyah dalam bentuk tiga dimensi (3D), dilengkapi audio pelafalan, menu petunjuk, serta kuis interaktif untuk menguji pemahaman santri. Hasil implementasi menunjukkan adanya peningkatan kompetensi guru dalam mengoperasikan teknologi AR serta munculnya variasi metode pembelajaran yang lebih menarik dan interaktif. Bagi santri, penggunaan aplikasi AR mempermudah pemahaman bentuk huruf, meningkatkan motivasi belajar, serta memperkuat daya ingat melalui visualisasi tiga dimensi. Evaluasi dengan kuesioner terhadap 19 responden menghasilkan skor rata-rata 4,25 (kategori tinggi), yang menegaskan respon positif terhadap penggunaan aplikasi ini. Dengan demikian, kegiatan ini berhasil meningkatkan kompetensi guru sekaligus efektivitas pembelajaran huruf hijaiyah, serta mendukung transformasi digital pendidikan nonformal.

Related SDGs

Authors

Mubaraka, Muhammad Afdhal; Fattah, Farniwati; Azis, Huzain, Universitas Muslim Indonesia, Makassar, Indonesia

Abstract

Perkembangan teknologi Internet of Things (IoT) telah membawa dampak signifikan dalam kehidupan sehari-hari, terutama dalam pengelolaan rumah. Tugas akhir ini memiliki tujuan untuk merancang dan membangun prototipe smart home berbasis ESP32 yang dilengkapi dengan fitur sistem keamanan pintu, lampu pintar, dan AC pintar. ESP32 dipilih sebagai mikrokontroler karena kemampuannya dalam koneksi Wi-Fi dan Bluetooth, serta performanya yang baik dalam aplikasi IoT. Penelitian ini menggunakan metode perancangan prototipe yang mencakup analisis kebutuhan dan perancangan sistem. Hasil dari perancangan ini menunjukkan bahwa prototipe yang dibangun dapat berfungsi dengan baik dalam mengontrol akses pintu, pencahayaan, dan suhu ruangan secara efisien. Perancangan ini juga menunjukkan bahwa sistem dapat dioperasikan dengan tingkat respons yang cepat, yaitu kurang dari 2 detik untuk setiap perintah yang diberikan. Dengan demikian, penelitian ini tidak hanya memberikan solusi praktis untuk meningkatkan kenyamanan dan keamanan rumah, tetapi juga berkontribusi terhadap pengembangan teknologi smart home di Indonesia

Related SDGs

Authors

Irsana, Muhammad Alif; Fattah, Farniwati; Syafie, Lukman, Universitas Muslim Indonesia, Makassar, Indonesia

Abstract

Sejak 2019, perkuliahan di Fakultas Ilmu Komputer Universitas Muslim Indonesia (FIKOM UMI) didukung oleh sebuah aplikasi Learning Management System berbasis website yang diberi nama Kalam (kalam.umi.ac.id). Seiring berjalannya waktu, respon pengguna terbentuk sehingga mendorong perlunya analisis pengalaman pengguna sebagai dasar pertimbangan dalam perbaikan dan perkembangan lebih lanjut. Penelitian ini bertujuan untuk mengetahui pengalaman pengguna selama menggunakan LMS Kalam. Dimensi yang digunakan sesuai dengan karakteristik LMS Kalam sebagai platform Pendidikan, sehingga ada 5 dimensi yang digunakan yaitu general ux, ease of use, interactivity, engagement, assignment & assessment. Partisipan pada penelitian ini berjumlah 10 orang pengguna LMS Kalam. 50 kurva yang digambarkan partisipan dimana pada masing – masing partisipan menggambarkan 10 kurva. Berdasarkan hasil penelitian ini faktor yang berpengaruh dalam perubahan pengalaman pengguna pada LMS Kalam antara lain adalah tampilan website yang simpel, website mudah digunakan, dan akses Kalam yang sulit Ketika banyak pengguna yang aktif diwaktu yang sama

Related SDGs

Authors

Abdullah, Syahrul Mubarak; Sumardin, Andi, Fakultas Ilmu Komputer UMI, Jalan Urip Sumiharjo KM 5, 90231, Indonesia

Abstract

Program Pengabdian kepada Masyarakat (PkM) ini dirancang untuk memperkuat kompetensi kewirausahaan santri melalui penerapan konsep Santripreneur yang terintegrasi dengan teknologi tepat guna pada budidaya ayam petelur. Pesantren sebagai lembaga pendidikan Islam memiliki potensi besar dalam mencetak sumber daya manusia yang religius, mandiri, dan berdaya saing. Namun, sejumlah tantangan masih dihadapi, seperti minimnya keterampilan bisnis praktis, kurangnya akses terhadap teknologi budidaya modern, serta terbatasnya pemahaman mengenai manajemen usaha berbasis syariah. Kegiatan ini meliputi pelatihan kewirausahaan, penerapan prinsip muamalah dalam bisnis, pendampingan teknik budidaya ayam petelur, serta penggunaan teknologi seperti Pengenalan beberapa marketplace media sosial dan pengambilan gambar dan video. Program ini diikuti oleh 25 santri yang terlibat dalam sesi teori dan praktik langsung di masjid dalam wilayah pesantren. Hasil evaluasi menunjukkan peningkatan kemampuan yang signifikan, di mana 88% peserta memahami konsep muamalah Syariah Islam, 84% menguasai teknik pemeliharaan ayam yang benar, dan 79% mampu mengoperasikan perangkat teknologi sederhana untuk mendukung pemasaran di masa yang akan datang. Secara keseluruhan, program ini berhasil membangun pola pemberdayaan pesantren yang relevan dengan kebutuhan ekonomi modern. Integrasi nilai agama, keterampilan teknis, dan teknologi memungkinkan pesantren untuk mengembangkan unit usaha berkelanjutan sekaligus menjadi model pembelajaran kewirausahaan yang dapat direplikasi oleh pesantren lain di Indonesia.

Related SDGs

Authors

As’ad, Ihwana, Department of Information Systems, Faculty of Computer Science, Universitas Muslim Indonesia, Jl. Urip Sumoharjo KM5, Makassar and 90231, Indonesia; Rahmatullah, Andi Muhammad; Abdullah, Syahrul Mubarak; Fahmi, Department of Informatics Engineering, Faculty of Computer Science, Universitas Muslim Indonesia, Jl. Urip Sumoharjo KM5, Makassar and 90231, Indonesia; Pakka, Hariani Ma'tang, Department of Electrical Engineering, Faculty of Engineering, Universitas Muslim Indonesia, Jl. Urip Sumoharjo KM5, Makassar and 90231, Indonesia; Andiyan, Department of Architecture, Faculty of Science and Engineering, Universitas Faletehan Indonesia, Kompleks Surapati Core Blok-K1, Bandung

Abstract

Traditional clove essential oil distillation remains inefficient due to manual labor dependency, imprecise oil-water separation, and inconsistent product quality. Addressing these limitations, this study aims to design and develop a smart, Internet of Things (IoT)-based system named AquaClove to automate and optimize the distillation process. The system integrates an ESP32 microcontroller, ultrasonic sensors, and solenoid valves, enabling precise fluid level detection and automated oil-water separation. Using the Arduino IoT Cloud, the system supports real-time monitoring and remote control, enhancing operational transparency and scalability. results indicate that the system achieved a 32% reduction in total distillation time (from 4.2 to 2.9 hours), 66.7% reduction in labor requirements (from 3 to 1 personnel), and 66.7% reduction in oil loss per 10-liter batch (from 0.6 L to 0.2 L). The ultrasonic sensors consistently detected liquid levels with an average measurement deviation of less than ±2 mm, while solenoid valves responded within 0.8 seconds of command input. These outcomes demonstrate significant improvements in process efficiency, separation precision, and system responsiveness. Furthermore, the modular container design promotes gravity-assisted separation, enhancing energy efficiency and reducing mechanical complexity. The remote monitoring feature allows users to access real-time data on fluid levels and system status, ensuring reliable operation with minimal manual supervision. AquaClove thus demonstrates how integrating ultrasonic sensing and IoT technologies can modernize traditional agricultural processes. This study contributes a scalable and sustainable solution to the essential oil industry, particularly in small- and medium-scale clove oil production.

Related SDGs

Authors

Abdullah, Syahrul Mubarak; Sumardin, Andi; Munira; Anraeni, Siska, Universitas Muslim Indonesia, Jl. Urip Sumiharjo KM.5, Makassar, 90231

Abstract

Industri halal berkembang pesat sebagai pilar pertumbuhan ekonomi global, termasuk di Indonesia, didorong oleh populasi Muslim yang besar, kesadaran akan konsumsi halal, dan dukungan program pemerintah. Sertifikasi halal menjadi aspek kritis, terutama bagi UMKM, namun masih terdapat kendala seperti keterbatasan akses dan pemahaman. Untuk mengatasi hal ini, Badan Penyelenggara Jaminan Produk Halal (BPJPH) meluncurkan program Sertifikat Halal Gratis (SEHATI) melalui aplikasi SIHALAL. Namun, implementasinya menghadapi tantangan, seperti minimnya pengetahuan pelaku usaha tentang prosedur sertifikasi. Studi ini dilakukan di Desa Pucak, Kabupaten Maros, dengan melibatkan pelaku UMKM dan aparat desa. Metode yang digunakan bersifat partisipatif dan edukatif, meliputi presentasi, simulasi penggunaan aplikasi SIHALAL, serta diskusi kelompok. Hasil evaluasi menunjukkan bahwa mayoritas peserta (48 orang) percaya SIHALAL akan membantu UMKM, dan 42 peserta menyatakan akan menggunakan layanan SIHALAL BPJPH. Namun, sebagian kecil responden masih ragu, menunjukkan perlunya sosialisasi lebih intensif. Hasil pelatihan ini berhasil meningkatkan pemahaman peserta tentang pentingnya sertifikasi halal dan penggunaan aplikasi SIHALAL. Meskipun demikian, upaya lebih lanjut dalam edukasi dan promosi diperlukan untuk meningkatkan penerimaan dan pemanfaatan layanan ini, sehingga dapat mendukung pertumbuhan industri halal di Indonesia.

Related SDGs

Authors

Wanda; Abdullah, Syahrul Mubarak, Universitas Muslim Indonesia

Abstract

A house is a place of residence for humans, and along with the advancement of time, houses have evolved into various types, including two-story and three-story buildings. Electricity expenses can increase due to the large number of electrical connections in multi-story houses. For example, a two-story house typically contains 3 to 4 bedrooms, which requires occupants to go up and down the stairs to turn off the lights. Often, lights are left on when residents forget to switch them off before leaving the house. A solution to this issue is to develop an automatic light control system using a sound sensor. This system allows the lights to be turned on automatically, even when the occupant is on the first floor or when the house is unoccupied. This research aims to design an automatic lamp control device using a sound sensor based on Arduino. The system produced by this research enables users to activate lights automatically by mentioning the name of the room, eliminating the need to move between floors to operate lights on the second or third floor. Based on the results of room and distance testing, an accuracy of 80% was achieved for room-specific tests, 70% for distance testing, and 68.82% for sound sensor detection accuracy. These results indicate that the design and implementation of the system have performed well.

Related SDGs

Authors

Purnawansyah; Manga, Abdul Rachman, Universitas Muslim Indonesia, Makassar, Indonesia

Abstract

Sampah menjadi permasalahan besar di Indonesia seiring dengan meningkatnya populasi dan konsumsi masyarakat. Untuk mengatasi permasalahan ini, klasifikasi sampah yang akurat diperlukan guna mendukung pengelolaan dan daur ulang yang lebih efektif. Penelitian ini menerapkan algoritma K-Nearest Neighbors (KNN) untuk mengklasifikasikan sampah berdasarkan jenisnya, dengan menggunakan tiga metrik jarak: Euclidean, Manhattan, dan Minkowski. Dataset yang digunakan terdiri dari 997 gambar yang terbagi menjadi dua kelas, yaitu kertas dan kardus. Data dibagi menjadi 80% untuk pelatihan dan 20% untuk pengujian. Proses preprocessing meliputi resize gambar ke ukuran 128x128 piksel serta normalisasi data. Model dievaluasi menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa jarak Manhattan memberikan performa terbaik dengan akurasi 83%, diikuti oleh Euclidean dengan 75,50%, dan Minkowski dengan 66,50%. Temuan ini menegaskan bahwa pemilihan metrik jarak dalam algoritma KNN sangat memengaruhi kinerja model. Dengan pendekatan ini, diharapkan dapat meningkatkan efisiensi sistem pengelolaan sampah berbasis teknologi, sehingga mendukung upaya daur ulang yang lebih baik dan ramah lingkungan

Related SDGs

Authors

Ariani, Lisna; Indra, Dolly; Umar, Fitriyani, Universitas Muslim Indonesia, Makassar, Indonesia

Abstract

Cengkeh merupakan salah satu komoditas unggulan di sektor pertanian Indonesia yang memiliki nilai ekonomi tinggi, namun rentan mengalami penurunan kualitas akibat kontaminasi jamur selama proses panen dan pascapanen. Selama ini, proses klasifikasi cengkeh berjamur dan tidak berjamur masih dilakukan secara manual, yang cenderung tidak efisien, subjektif, dan berpotensi menimbulkan inkonsistensi, terutama ketika harus menangani volume data dalam jumlah besar. Oleh karena itu, penelitian ini dirancang untuk mengembangkan sistem klasifikasi otomatis berbasis kecerdasan buatan menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur InceptionV3. Penelitian akan dilakukan di Kecamatan Lasusua, Kabupaten Kolaka Utara, dengan menggunakan dataset sebanyak 1.000 citra digital cengkeh yang diambil dari dua pose berbeda. Seluruh citra akan melalui tahapan preprocessing dan augmentasi guna memperkuat kualitas dan keragaman data, sebelum digunakan dalam proses pelatihan model CNN. Evaluasi terhadap performa model akan dilakukan dengan mengukur nilai akurasi, presisi, recall, dan F1-score untuk menentukan sejauh mana efektivitas sistem dalam mengklasifikasikan cengkeh ke dalam dua kelas, yaitu berjamur dan tidak berjamur. Diharapkan hasil dari penelitian ini dapat memberikan kontribusi nyata terhadap peningkatan efisiensi, akurasi, dan objektivitas dalam proses sortasi cengkeh serta menjadi langkah awal dalam penerapan teknologi deep learning untuk mendukung digitalisasi mutu hasil pertanian, khususnya pada komoditas strategis seperti cengkeh

Related SDGs

Authors

Purnawansyah; Julisa; Darwis, Herdianti; Astuti, Wistiani; Umar, Fitriyani; Sugiarti, Faculty of Computer Science, Universitas Muslim Indonesia, Makassar, Indonesia

Abstract

Mangrove ecosystems play an important role in maintaining the balance of the coastal environment, both from ecological and economic aspects. To support the conservation of this ecosystem, accurate information on the classification of mangrove species is needed. The manual identification process that is still widely used has limitations in efficiency and scale. Therefore, this research proposes a deep learning-based mangrove leaf image classification approach using VGG16 architecture as a feature extractor, which is then classified using two machine learning algorithms, namely Support Vector Machine (SVM) and Random Forest. The dataset used consists of leaf images of three mangrove species, namely Avicennia alba, Rhizophora apiculata, and Sonneratia alba, which were collected directly. To improve the generalization performance of the model, various image augmentation scenarios were performed, including zoom, flip, rotation, and a combination of the three. Performance evaluation was conducted using accuracy, precision, recall, and F1-score metrics using a k-fold cross-validation scheme. The results show that the combination of VGG16 + SVM with zoom augmentation provides the highest accuracy of

Related SDGs

Authors

Lahuddin, Harlinda; Muliawan, Muh. Raihan Alif; Darwis; Herdianti; Jabir, Sitti Rahmah; Adawiyah, Rabiatul, Faculty of Computer Science, Universitas Muslim Indonesia, Makassar, Indonesia; Takemoto, Kazuhiro, Department of Bioscience and Bioinformatics, Kyushu Institute of Technology Fukuoka, Japan

Abstract

Cryptocurrency markets exhibit significant volatility and nonlinearity, creating difficulties for precise price prediction. This study assesses and contrasts six deep learning models LSTM, CNN, Transformer, TCN, CNN-LSTM, and TCN-LSTM for forecasting the closing prices of four popular cryptocurrencies: Bitcoin (BTC), Ethereum (ETH), Binance Coin (BNB), and Litecoin (LTC). Each model utilizes historical OHLCV data of 5 years, processed through a uniform preprocessing pipeline that encompasses normalization, sliding window segmentation, and an 80: 20 train-test division. Experimental findings indicate that the hybrid TCN-LSTM model exceeds the performance of all other models based on evaluation metrics including MAE, RMSE, MAPE, and \boldsymbol{R}^{2}, showing its capacity to grasp both short- and long-term time patterns. This study additionally highlights the effectiveness of parallel hybrid architectures, particularly the TCN-LSTM model. These findings contribute to the expanding body of research on deep learning applications in financial forecasting and offer practical guidance for developing robust cryptocurrency prediction models.

Related SDGs

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