Article Per Year (5 Year)
p-Index From 2019 - 2024
3.929
P-Index
This Author published in this journals
All Journal JETT (Jurnal Elektro dan Telekomunikasi Terapan) JOIV : International Journal on Informatics Visualization JOURNAL OF ELECTRICAL AND SYSTEM CONTROL ENGINEERING Jurnal Ilmiah FIFO TEKTRIKA - Jurnal Penelitian dan Pengembangan Telekomunikasi, Kendali, Komputer, Elektrik, dan Elektronika IJAIT (International Journal of Applied Information Technology) Journal of Computer, Electronic, and Telecommunication (COMPLETE) Jurnal Ilmiah Teknik Elektro eProceedings of Engineering Jurnal Ilmiah Agroust
Suryo Adhi Wibowo
Universitas Telkom
Agriculture, Biological Sciences & Forestry Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering

Published : 33 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search
Journal : Jurnal Ilmiah FIFO

 1 
Investigasi Pengaruh Step Training pada Metode Single Shot Multibox Detector untuk Marker dalam Teknologi Augmented Reality Vivian Alfionita Sutama; Suryo Adhi Wibowo; Rissa Rahmania
Jurnal Ilmiah FIFO Vol 12, No 1 (2020)
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (825.593 KB) | DOI: 10.22441/fifo.2020.v12i1.001

Abstract

Nowadays, Artificial Intelligence is one of the most developing technology, especially on Augmented Reality (AR). AR is a technology which connected between real world and virtual in a real time that allows user to interact directly and display it in 3D. AR technology has two methods, that are AR based on marker and AR based on markerless. However, AR based on marker need an object detection system which has high performance as an interaction tools between user and the device. Single shot multibox detector (SSD) is an object detection algorithm that has fast learning computation and good performance. This method is affected by some parameters like number of epoch, learning rate, batch size, step training, etc. However, to create a good system it took a long process such as taking dataset, labelling process, then training and testing models to gain the best performance. In this experiment, we analyze SSD method in AR technology using inception architecture as pre-trained Convolutional neural network (CNN), and then do transfer learning to minimize amount training time. The configuration that used is the number of step training. The result of this experiment gets the best accuracy in 70.17%. Then, the best performance is used as an object detection model for marker’s AR technology.Abstrak Saat ini, Artificial intelligence merupakan teknologi yang sedang berkembang pesat. Salah satunya adalah teknologi Augmented Reality (AR). AR adalah teknologi yang menggabungkan dunia nyata dengan virtual secara real-time dengan interaksi pengguna secara langsung dan menampilkannya dalam bentuk 3D. Teknologi AR ini memiliki dua metode yaitu dengan marker dan markerless. Dalam perkembangannya, AR berbasis marker membutuhkan sistem deteksi objek yang memiliki performa tinggi sebagai alat interaksi antara pengguna dengan perangkatnya. Single shot multibox detector (SSD) merupakan algoritma deteksi objek yang memiliki komputasi pembelajaran dan kinerja yang baik. Metode ini dipengaruhi oleh beberapa parameter seperti jumlah lapisan konvolusi, epoch, learning rate, jumlah batch, step training, dll. Namun, dalam mengimplementasikannya diperlukan proses yang cukup panjang seperti, pengambilan dataset, proses pelabelan, proses pelatihan menggunakan metode SSD, dan melakukan pengujian terhadap beberapa model untuk mencari perfomansi paling baik. Dalam percobaan ini, kami melakukan analisis terhadap metode SSD pada teknologi AR menggunakan arsitektur Inception sebagai pre-trained Convolutional neural network (CNN), kemudian dilakukan transfer learning untuk memperkecil jumlah kelas data pelatihan dan waktu pelatihan data. Konfigurasi yang digunakan berupa jumlah step pada pelatihan. Hasil dari penilitian ini menunjukan akurasi terbaik sebesar 70,17%. Kemudian, perfomansi terbaik digunakan sebagai model deteksi objek untuk marker pada teknologi AR.
Identifikasi Individu Berdasarkan Pola Citra Rugae Palatina Menggunakan Adaptive Neuro Fuzzy Inference System (ANFIS) Farah Hana Kusumaputri; Suryo Adhi Wibowo; Yuti Malinda
Jurnal Ilmiah FIFO Vol 12, No 2 (2020)
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441//fifo.2020.v12i2.005

Abstract

Abstract Indonesia is a country that is in an area prone to natural disasters, such as volcanic eruptions, earthquakes, tsunamis, and others. These natural disasters often cause many victims to die. To identify the victims' identities, an identification process is needed. The identification method most commonly used today is using fingerprints, teeth, and DNA. However, this identification method still has some shortcomings. At present a more effective alternative method is offered by utilizing the palatine rugae pattern. Rugae palatina has individual characteristics and is resistant to all kinds of damage. So that Rugae palatina has the potential to be used in the process of individual identification. In this research, application of palatine rugae image processing application will be developed with data recording, image registration, feature extraction using Principal Component Analysis (PCA) method, and palatine rugae pattern classification using Adaptive Neuro Fuzzy Inference System (ANFIS) method. The expected output from this final project is a system that is able to identify individuals by utilizing the palatine rugae pattern. To get good and effective parameters for system performance, periodic testing is carried out. The sampling procedure uses original photographs directly taken from the palatine rugae, so that it will facilitate the identification process. Keyword: ANFIS, ANN, Fuzzy Logic, PCA, rugae palatina Abstrak Negara Indonesia merupakan negara yang berada di daerah rawan bencana alam, seperti erupsi gunung merapi, gempa bumi, tsunami, dan lain-lain. Bencana alam tersebut seringkali menyebabkan korban meninggal dalam jumlah yang banyak. Untuk mengenali identitas para korban tersebut diperlukannya proses identifikasi. Metode identifikasi yang paling sering digunakan saat ini yaitu menggunakan sidik jari, gigi, dan DNA. Namun, metode identifikasi tersebut masih mempunyai beberapa kekurangan. Saat ini ditawarkan metode alternatif yang lebih efektif yaitu dengan memanfaatkan pola rugae palatina. Rugae palatina memiliki sifat yang individual dan tahan terhadap segala macam kerusakan. Sehingga Rugae palatina memiliki potensi untuk digunakan dalam proses identifikasi individu. Dalam penelitian ini akan dikembangkan aplikasi pengolahan sampel citra rugae palatina dengan proses perekaman data, registrasi citra, ekstrasi ciri menggunakan metode Principal Component Analysis (PCA), dan klasifikasi pola rugae palatina menggunakan metode Adaptive Neuro Fuzzy Inference System (ANFIS). Keluaran yang diharapkan dari penelitian ini adalah sebuah sistem yang mampu mengidentifikasi individu dengan memanfaatkan pola rugae palatina. Untuk mendapatkan parameter yang baik dan efektif terhadap performansi sistem, maka dilakukan pengujian secara berkala. Prosedur pegangambilan sampel menggunakan foto asli yang secara langsung diambil dari rugae palatina, sehingga akan mempermudah proses identifikasi. Kata kunci: ANFIS, ANN, Fuzzy Logic, PCA, rugae palatina 
Investigasi pengaruh Step Training pada Skema Same-Padding untuk Metode Faster R-CNN dalam Teknologi Augmented Reality Anky Aditya P; Suryo Adhi Wibowo; Rissa Rahmania
Jurnal Ilmiah FIFO Vol 12, No 2 (2020)
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441//fifo.2020.v12i2.002

Abstract

Abstract Augmented Reality (AR) is a technology with the concept of combining real-world dimensions with virtual world dimensions that are displayed in realtime. In the AR environment, interaction techniques used can vary. Marker-based AR is one type of AR that allows virtual objects to be displayed in the real world by using markers as pointers. In the use of marker-based AR required object detection method used for tracking markers. In this study, a system that can detect objects in the form of fingertips will be designed. In designing the system the Faster Region-based Convolutional Neural Network (Faster R-CNN) method is used. R-CNN Faster is an object detection method which is a combination of the Fast R-CNN method and the Region Proposal Network (RPN). The results of the detection parameters will be used for tracking, namely the coordinates x, y, width, and length. This research uses the Faster R-CNN method because it has a faster computing speed compared to the previous method, namely Particle Filter. The Faster R-CNN method uses ResNet architecture as the core of CNN. The system configuration to be tested is the 25K, 50K and 75K step training with the same-padding scheme. The testing process is taken from a video consisting of 10800 training data and 3600 test data. The best system configuration based on parameter priority for AR technology is obtained in the 50K step training.Keyword: augmented reality, convolutional neural network, faster region-based convolutional neural network, region proposal network, ResNet.Abstrak Augmented Reality (AR) adalah teknologi dengan konsep menggabungkan dimensi dunia nyata dengan dimensi dunia virtual yang ditampilkan secara real-time. Dalam lingkungan AR, teknik interaksi yang digunakan dapat bermacam – macam. Marker-based AR merupakan salah satu jenis AR yang memungkinkan objek virtual ditampilkan ke dalam dunia nyata dengan digunakannya  marker sebagai pointer-nya. Dalam penggunaan AR berbasis marker diperlukan metode deteksi objek yang digunakan untuk tracking marker. Dalam penelitian ini akan dirancang sebuah sistem yang dapat mendeteksi objek berupa ujung jari. Dalam perancangan sistem tersebut digunakan metode Faster Region-Based Convolutional Nueral Network (Faster R-CNN). Faster R-CNN merupakan salah satu metode deteksi objek yang merupakan gabungan dari metode Fast R-CNN dan Region Proposal Network (RPN). Hasil dari parameter deteksi akan digunakan untuk tracking, yaitu koordinat x, y, width, dan length. Penelitian ini menggunakan metode Faster R-CNN karena memiliki kecepatan komputasi yang lebih cepat dibandingkan dengan metode sebelumnya yaitu Particle Filter. Metode Faster R-CNN mengunakan arsitektur ResNet sebagai inti dari CNN. Konfigurasi sistem yang akan diuji adalah step training 25K, 50K dan 75K dengan skema same-padding. Proses pengujian diambil dari video yang terdiri dari 10800 data latih dan 3600 data uji. Konfigurasi sistem terbaik berdasarkan prioritas parameter untuk teknologi AR didapatkan pada step training 50K.Keyword: augmented reality, convolutional neural network, faster region-based convolutional neural network, region proposal network, ResNet.
Investigasi Pengaruh Skema Stride dan Step Training untuk Deteksi Jari Pada Region-based Fully Convolutional Network (R-FCN) dalam Teknologi Augmented Reality Hashfi Fadhillah; Suryo Adhi Wibowo; Rita Purnamasari
Jurnal Ilmiah FIFO Vol 12, No 2 (2020)
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441//fifo.2020.v12i2.003

Abstract

Abstract  Combining the real world with the virtual world and then modeling it in 3D is an effort carried on Augmented Reality (AR) technology. Using fingers for computer operations on multi-devices makes the system more interactive. Marker-based AR is one type of AR that uses markers in its detection. This study designed the AR system by detecting fingertips as markers. This system is designed using the Region-based Deep Fully Convolutional Network (R-FCN) deep learning method. This method develops detection results obtained from the Fully Connected Network (FCN). Detection results will be integrated with a computer pointer for basic operations. This study uses a predetermined step scheme to get the best IoU parameters, precision and accuracy. The scheme in this study uses a step scheme, namely: 25K, 50K and 75K step. High precision creates centroid point changes that are not too far away. High accuracy can improve AR performance under conditions of rapid movement and improper finger conditions. The system design uses a dataset in the form of an index finger image with a configuration of 10,800 training data and 3,600 test data. The model will be tested on each scheme using video at different distances, locations and times. This study produced the best results on the 25K step scheme with IoU of 69%, precision of 5.56 and accuracy of 96%.Keyword: Augmented Reality, Region-based Convolutional Network, Fully Convolutional Network, Pointer, Step training Abstrak Menggabungkan dunia nyata dengan dunia virtual lalu memodelkannya bentuk 3D merupakan upaya yang diusung pada teknologi Augmented Reality (AR). Menggunakan jari untuk operasi komputer pada multi-device membuat sistem yang lebih interaktif. Marker-based AR merupakan salah satu jenis AR yang menggunakan marker dalam deteksinya. Penelitian ini merancang sistem AR dengan mendeteksi ujung jari sebagai marker. Sistem ini dirancang menggunakan metode deep learning Region-based Fully Convolutional Network (R-FCN). Metode ini mengembangkan hasil deteksi yang didapat dari Fully Connected Network (FCN). Hasil deteksi akan diintegrasikan dengan pointer komputer untuk operasi dasar. Penelitian ini menggunakan skema step training yang telah ditentukan untuk mendapatkan parameter IoU, presisi dan akurasi yang terbaik. Skema pada penelitian ini menggunakan skema step yaitu: 25K, 50K dan 75K step. Presisi tinggi menciptakan perubahan titik centroid yang tidak terlalu jauh. Akurasi  yang tinggi dapat meningkatkan kinerja AR dalam kondisi pergerakan yang cepat dan kondisi jari yang tidak tepat. Perancangan sistem menggunakan dataset berupa citra jari telunjuk dengan konfigurasi 10.800 data latih dan 3.600 data uji. Model akan diuji pada tiap skema dilakukan menggunakan video pada jarak, lokasi dan waktu yang berbeda. Penelitian ini menghasilkan hasil terbaik pada skema step 25K dengan IoU sebesar 69%, presisi sebesar 5,56 dan akurasi sebesar 96%.Kata kunci: Augmented Reality, Region-based Convolutional Network, Fully Convolutional Network, Pointer, Step training 
Co-Authors Agniya Tazkiya Aulia Agus Pratondo Akhmad Yusuf Nasirudin Aldo Tripolyta Alvaro Septra Dominggo Nauw Angga Rusdinar Anky Aditya P Annisa Istiqomah Atina Nur Azizah Bambang Hidayat Bambang Hidayat Bambang Setia Nugroho Casi Setianingsih Dany Eka Saputra Devita Rahma Apriliani Dini Himmah Al Aliyyah Al Aliyyah Djoko Heru Pamungkas Dwiki Kurniawan Dyah Avita Sari Fahmi Oscandar Fahmi Oscandar Faiz Nashrullah Farah Hana Kusumaputri Felix Corputty Fiky Yosef Suratman Fityanul Akhyar Gelar Budiman Hanaluthfina Nurhadiati Hashfi Fadhillah Iwan Iwut Tritoasmoro JANGKUNG RAHARJO Koredianto Usman Kusuma Nindia Rizki Ledya Novamizanti Liyana Faiza Lulud Annisa Ainun Mahmuddah Lyra Vega Ugi Muhammad Alief Hidayah Baso Muthia Saada Nadya Sindi Safitri Oriza Intani Prasaja Wibawa Utama Putri Utami Hafgianti Raditiana Patmasari Ricky Hilmi Sudrajad Rissa Rahmania Rissa Rahmania Rissa Rahmania Rissa Rahmania Rita Purnamasari Tembang Florian Falah Viky Premeita Mitayani Vivian Alfionita Sutama Wiwit Ratri Wulandari Yacobus Sunaryo Yurika Ambar Lita Yuti Malinda