Article Per Year (5 Year)
p-Index From 2019 - 2024
3.515
P-Index
This Author published in this journals
All Journal International Journal of Electrical and Computer Engineering TEKTRIKA - Jurnal Penelitian dan Pengembangan Telekomunikasi, Kendali, Komputer, Elektrik, dan Elektronika Progresif: Jurnal Ilmiah Komputer eProceedings of Engineering Journal of Computer Engineering: Progress, Application and Technology
Randy Erfa Saputra
Universitas Telkom
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering

Published : 61 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 57 Documents
Search
Journal : eProceedings of Engineering

 2   3   4   5   6 
Deteksi Pelanggaran Pada Bahu Jalan Tol Dengan Intelligent Transportation System Menggunakan Algoritma Yolov5 Alfian Imran; Casi Setianingsih; Randy Erfa Saputra
eProceedings of Engineering Vol 10, No 5 (2023): Oktober 2023
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak—Pemerintah melalui Peraturan Pemerintah No. 15 Tahun 2005 Pasal 41 ayat (2) memberlakukan penggunaan bahu jalan tol serta larangan pada baju jalan tol. Bahu jalan tol dapat digunakan untuk arus lalu lintas pada keadaan darurat; bagi kendaraan yang berhenti darurat; tidak digunakan untuk menarik/menderek/mendorong kendaraan; tidak digunakan untuk keperluan menaikkan atau menurunkan penumpang dan/ atau barang dan/ atau hewan; dan tidak digunakan untuk mendahului kendaraan. Intelligent transportation sistem yang dibuat diharapkan dapat mengurangi pelanggaran yang terjadi pada bahu jalan tol. Hasil akhir dari pengembangan model intelligent transportation system dengan YOLOv5 ini sudah sangat baik. Dengan konfigurasi dataset 240 data test, 5 data validation, dan 5 data test. Konfigurasi learning-rate = 0,01; batch-size = 64; dan epochs = 100. Didapatkan hasil akhir yang sangat memuaskan dengan mAP = 97,9 %; precision = 93,7 %; dan recall = 97,1 %. Penulis berharap sistem yang telah dibuat ini dapat terintegrasi dengan sistem e-tilang.Kata kunci—bahu jalan tol, YOLOv5, intelligent transportation system
Deteksi Pelanggaran pada Bahu Jalan Tol Menggunakan Algoritma Cascade R-CNN Belinda Fridolin Darmanto; Casi Sastika; Randy Erfa Saputra
eProceedings of Engineering Vol 10, No 5 (2023): Oktober 2023
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak— Bahu jalan tol merupakan bagian kiri jalan tol yang berguna bagi kendaraan yang mengalami keadaan darurat. Namun masih banyak kendaran yang menggunakan bahu jalan tol dengan tidak bijak seperti menggunakannya untuk mengdahului kendaraan lain atau berhenti atau beristirahat dalam waktu yang lama. Hal ini dapat menyebabkan kecelakaan dan juga keributan. Berdasarkan dari masalah tersebut, diaplikasikan algoritma Cascade R-CNN yang dapat digunakan sebagai algoritma untuk mendeteksi pelanggaran pada bahu jalan tol. Cascade R-CNN memiliki deteksi multistage yang dapat mengurangi overfitting karena kurangnya dataset. Cascade RCNN memiliki deteksi multistage yang terdiri dari tiga stage. Hasil train deteksi di stage pertama akan di train lagi di stage kedua, begitu pun seterusnya sampai di hasil stage ketiga. Deteksi multistage ini membuat Cascade R-CNN disebut sebagai algoritma berkualitas tinggi dalam mendeteksi objek. Pengujian Algoritma Cascade R-CNN dilakukan menggunakan tiga hyperparameter yaitu epoch, batch size, dan learning rate. Pengujian hyperparameter ini bertujuan untuk mendapatkan model terbaik untuk melakukan prediksi. Model terbaik didapatkan pada hyperparameter di epoch 12, batch size 16, learning rate 0.02 dengan Average Precision=97,1%, Average Recall=79,1%, mAP@.5=97,1% , dan mAP@.5:.95=74,8%.Kata kunci— : Bahu Jalan Tol, Cascade R-CNN, Deteksi Objek
Sistem Deteksi Sapi Pada Peternakan Dari Citra Dan Video Uav Menggunakan Algoritma Yolo Fauzan Andaru Kurniadi; Casi Setianingsih; Randy Erfa Saputra
eProceedings of Engineering Vol 10, No 5 (2023): Oktober 2023
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak—Dengan semakin majunya zaman banyak aspek dalam kehidupan manusia yang bekembang, salah satunya merupakan bidang peternakan yang saat ini semakin besar, dan dengan semakin besarnya peternakan dibutuhkan juga sistem pemantauan hewan ternak yang dapat mendeteksi hewan yang sedang tidak berada didalam kendang dan itulah yang diharapkan dapat dicapai dengan penggunaan YOLOv5 pada citra yang diambil oleh drone. YOLOv5 merupakan model deteksi objek yang digunakan untuk melakukan deteksi pada sapi di peternakan melalui citra yang diambil oleh drone atau UAV, untuk mencapai kemampuan deteksi tersebut dilakukan training menggunakan dataset gambar – gambar sapi dan juga perubahan konfigurasi hyperparameter pada algoritma untuk mendapatkan hasil deteksi yang optimal. Dataset yang digunakan dalam training adalah gambar sapi berjumlah 3131 dan non – sapi berjumlah 836. Konfigurasi hyperparameter paling optimal yang didapatkan adalah batch 32, learning rate 0.01, dan epoch 350 dengan hasil nilai precision 0,943, Recall 0,925, dan mAP 0,831. Hasil pengujian yang didapatkan adalah akurasi pada ketinggian lima meter dan keadaan diam 75%, ketinggian sepuluh meter memiliki rata – rata akurasi 69,1% dan 15 meter memiliki rata – rata akurasi 47.2%. Dalam kondisi drone bergerak pada kecepatan 0,1 m/s hasil akurasi yang didapatkan adalah 75% untuk lima meter, 0% untuk sepuluh meter dan 25% untuk 15 meter.Kata kunci—YOLO, YOLOv5, Object detection, Training, Hyperparameter, Drone, Dataset
Sistem Pendeteksi Sapi pada Peternakan dengan Citra Video UAV Menggunakan Metode Regions Based Convolution Neural Network Muhamad Rizky Arief Wicaksono; Casi Setianingsih; Randy Erfa Saputra
eProceedings of Engineering Vol 10, No 5 (2023): Oktober 2023
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak - Kemajuan teknologi industri yang mengalami perkembangan dan kemajuan yang pesat seiring dengan semakin majunya teknologi modern. Salah satu contoh yang sangat berdampak pada industri adalah industri peternakan yang dapat diterapkan sistem identifikasi dan lokalisasi menggunakan deteksi objek untuk meningkatkan efisiensi dan produktivitas. R-CNN adalah sebuah teknik yang terinspirasi dari cara manusia menghasilkan persepsi visual atau yang bisa dikatakan kemampuan melihat manusia dari mata diolah oleh otak manusia untuk menjadikannya sebuah visual. Hasil yang didapatkan setelah melakukan penelitian di lokasi peternakan dan memprosesnya menjadi sebuah citra berupa video, dan kemudian diolah kembali dengan mendapatkan hasil video yang sudah berhasil mendeteksi keberadaan hewan ternak dengan baik dengan sistem deteksi objek menggunakan algoritma Regions based Convolutional Neural Network. Didapatkan tingkat akurasi yang berada di angka yang paling optimal pada ketinggian 10 meter dalam keadaan diam dengan rata – rata akurasi berada pada angka 55.5% untuk kondisi drone diam, sedangkan untuk kondisi drone bergerak didapatkan pada 5 meter diatas objek dengan kecepatan 0.1 m/s dengan rata – rata akurasi yang berada di angka 50%.Kata kunci - UAV, Deteksi, Drone, R-CNN.
Deteksi Pelanggaran pada Bahu Jalan Tol Menggunakan Algoritma Mask R-CNN Rizka Rona Putri; Casi Setianingsih; Randy Erfa Saputra
eProceedings of Engineering Vol 10, No 5 (2023): Oktober 2023
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak-Bahu jalan tol merupakan jalur jalan tol kendaraan yang mengalami keadaan darurat. Namun masih banyak pengemudi yang melanggar penggunaan bahu jalan tol seperti berhenti terlalu lama pada bahu jalan tol dan mendahului kendaraan lain melalui bahu jalan tol. Makadari itu dibuat sistem yang dapat mendeteksi pelanggaran tersebut. Dengan memanfaatkan data CCTV pada jalan tol penelitian dapat dilakukan dengan mendeteksi kendaraan menggunakan algoritma Mask R-CNN. Algoritma tersebut dapat memprediksi sebuah object mask pada Region of Interest setiap pixel. Dataset dikumpulkan sebanyak 250 dataset kemudian data tersebut diberi label <Melanggar= dan <Tidak Melanggar=. Setiap object kendaraan pada gambar dilakukan wrapping menggunakan polygon untuk menentukan kendaraan yang melanggar dan tidak melanggar. Kemudian membentuk konfigurasi data training, data testing, dan data validation. Dataset tersebut dilatih dengan konfigurasi jumlah dataset yang berbeda dan hyperparameter epoch, batch size, dan learning rate. Setelah data dilatih didapatkan lah model terbaik dengan konfigurasi dataset 88% data training, 6% data testing, dan 6% data validation dengan hyperparameter epoch 24, batch size 16, learning ratere. Didapatkan hasil mAP_@.5:.95 sebesar 79,1%, mAP_@.5 sebesar 97,5%, average precision sebesar 97,5%, dan average recall sebesar 81,2%.Kata kunci4Bahu jalan tol, Deteksi Object, Mask R-CNN
Perancangan Sistem Monitoring Budidaya Lebah Berbasis IoT Fauzul Haqi Siregar; Casi Setianingsih; Randy Erfa Saputra
eProceedings of Engineering Vol 10, No 5 (2023): Oktober 2023
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak—Lebah adalah serangga sosial yang hidup dalam koloni dan memiliki manfaat penting bagi manusia, antara lain dalam proses penyerbukan tanaman dan produksi madu. Kandang lebah modern perlu memperhatikan faktor suhu dan kelembapan udara sekitar agar dapat menjaga kehidupan koloni lebah. Saat ini, peternakan lebah masih melakukan kunjungan rutin untuk memantau kondisi kandang lebah, tetapi pemeriksaan fisik dapat mempengaruhi umur lebah, menimbulkan stres pada lebah, dan mengganggu produktivitas koloni. Sistem monitoring dibuat untuk memudahkan peternak lebah memonitor kondisi kandang lebah dan mengontrol rutinitas lebah serta menentukan waktu panen dengan cara yang lebih mudah dan dapat dilakukan dari jarak jauh. Sistem monitoring lebah madu berbasis Internet of Things (IoT) menggunakan mikrokontroler ESP32 yang berfungsi sebagai kontrol utama untuk menjalankan tiga macam sensor, yaitu sensor DHT22 untuk suhu dan kelembapan dengan akurasi 98,31% dan 95,12%, sensor Load Cell untuk berat kandang dengan akurasi 99,68%, dan sensor suara KY-037 yang tidak dapat mengukur kebisingan dikarenakan pembacaan analog pada ESP32 mendapatkan nilai akurasi sebesar 18,27% untuk kondisi hening, untuk kondisi sedang sebesar 18,77% dan 20,02% pada kondisi berisik. Sistem ini berhasil menampilkan data sensor pada aplikasi Blynk dengan ping rata-rata 2 ms.Kata Kunci: berat, kebisingan, kelembapan, Internet of Things, suhu.
Klasifikasi Pose Dasar Beladiri Karate Dengan Support Vector Machine Dan Gerakan Menggunakan Yolov3 Qorio Surya Akbar; Randy Erfa Saputra; Meta Kallista
eProceedings of Engineering Vol 10, No 5 (2023): Oktober 2023
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak— Cabang olahraga beladiri Karate yang berasal dari Jepang merupakan salah satu olahraga yang cukup digemari oleh masyarakat Indonesia, termasuk anak-anak sampai orang dewasa. Beladiri seringkali didefinisikan sebagai sistem pertarungan menyerang dan bertahan. Beladiri terkini biasanya merupakan seni pertarungan yang sudah dimodifikasi untuk tujuan olahraga, pertahanan diri, serta hiburan. Hal ini sesuai dengan tujuan beladiri. Cabang olahraga beladiri Karate yang merupakan beladiri beraliran keras yang menggunakan teknik-teknik fisik seperti pukulan, tendangan, tangkisan, dan hindaran dengan kuda-kuda yang kokoh. Karate juga merupakan salah satu olahraga yang mempunyai karakteristik gerak dan teknik tersendiri. Pembelajaran olahraga beladiri Karate pertamatama harus menguasai teknik Kihon yang merupakan Latihan dasar Karate yang meliputi teknik kuda-kuda (Dachi), tangkisan (Uke), tendangan (Geri), pukulan (Tsuki), dan semua gerakan tubuh yang digunakan dalam kata dan kumite. Penelitian mengenai klasifikasi Gerakan beladiri Karate menggunakan metode Support Vector Machine sebelumnya belum pernah dilakukan. Pada Tugas Akhir ini akan menggunakan gerakan Kihon, Kumite, dan Geri. Setelah dilakukan pengujian terhadap performansi dari algoritma Support Vector Machine didapatkan hasil nilai Presisi 99,47%, Recall 99,47%, F1 Score 99,45%, serta akurasi 99,65%, dan error rate sebesar 66,66% dari 27 sampel yang diambil.Kata kunci— Beladiri Karate, Support Vector Machine, Gerakan Dasar
Co-Authors Abdul Manan Adam Aji Bhuwana Aditya Hidayat Afrilio Franseda Afrilio Franseda Agung Nugroho Jati Ahmad Fida Akhmad Hafiezh Pramana Alfian Imran Algimar Mochammad Firdaus Anasri Tanjung Andreas Michael Hutagalung Andrew Brian Osmond ANGGUNMEKA LUHUR PRASASTI Anton Siswo Raharjo Ansori Arianto Anggoro Belinda Fridolin Darmanto Budhi Irawan Burhanuddin Dirgantaro Burhanuddin Dirgantoro Calvin Noval Casi Sastika Casi Setianingsih Davy Rachmandiaz Hartoyo Dede Nur Fathurrahman Dicky Muhammad Dimas Gallantino Erwin Lapian Fadli Ihsan Winarto Faishal Affan Tampubolon Fathurohim M Ahsin Sidqi Fauzan Andaru Kurniadi Fauzul Haqi Siregar Feby Rahmasari Fussy Mentari Dirgantara Geraldy Martin Pangabean Guntur Tri Wibowo Hatta Arya Dinata Henric Sahala Teofilus Simbolon Henti Purnamasari Ilham Majid Rabbani Jhosua Parningotan Sianipar Joao Amaral de Fatima Pereira Junedi Pasaribu Kevin Manfield Anderson Pasaribu Kevin Simangunsong Kurniawan Indrajaya Luthfi Abdul Hakim M. Ghozy Nurcahyadi Maulana Andang Rosidi Meta Kallista Muhamad Hamdan Rifai Muhamad Rizky Arief Wicaksono Muhammad Agung Laksono Muhammad Nur Fadli Nasy&#039;an Taufiq Al Ghifary Nursyifa Pratiwi Prasetyo Yuda Pangestu Purba Daru Kusuma Qorio Surya Akbar R Rumani M R. Rumani M Rezqa Afraghina Riffi Yunasa Rizka Rona Putri Rizki Fauzi Andaru Rizky Anandra Ronel Daniel Rumani M Rumani M. Rumani M. Satrio Budiarjo Umar Ali Ahmad Usamah Ash-shidiq Utsman Al Aydarus Yakub Eka Nugraha Yeska Haganta Yulfan Aditya Yuni dwi anggraeni Yusuf Abdurrahman Hakim