Claim Missing Document
Check
Articles

Found 19 Documents
Search

Deteksi Spoofing Wajah Manusia Berbasis Video menggunakan Metode Local Derivative Pattern-Three Orthogonal Planes Febryanti Sthevanie; Diah Ajeng Dwi Yuniasih; Kurniawan Nur Ramadhani
Indonesia Journal on Computing (Indo-JC) Vol. 5 No. 1 (2020): Maret, 2020
Publisher : School of Computing, Telkom University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34818/INDOJC.2020.5.1.376

Abstract

Saat ini banyak sistem yang menggunakan pengenalan wajah sebagai keamanan. Namun, penggunaan wajah tersebut masih memiliki kerentanan terhadap serangan spoofing, yaitu serangan dengan cara memalsukan foto atau video dari pengguna asli sistem tersebut. Untuk menghindari adanya tindakan kriminal tersebut, diusulkan sebuah sistem yang dapat mendeteksi serangan spoofing menggunakan metode Local Derivative Pattern dari Three Orthogonal Planes. Dataset yang digunakan adalah bersumber dari empat dataset publik yang berbeda yaitu Idiap Replay-Attack Database, MSU MFSD Database, Casia FASD Database dan NUAA Imposter Database yang berformat video. Dari hasil pengujian, pada skenario intra-dataset didapatkan performansi terbaik dengan rata-rata F1-Score 97.77% dan rata-rata HTER 8.47%, sedangkan pada skenario cross-dataset rata-rata F1-Score 74.77% dan rata-rata HTER 29.05%.
Penghitungan Kepadatan Kendaraan di Jalan Tol Menggunakan Metode Gaussian Mixture Model dan Kalman Filter Febryanti Sthevanie; Bedy Purnama; Muhammad Jendro Yuwono
Indonesia Symposium on Computing Indonesia Symposium on Computing 2015
Publisher : Indonesia Symposium on Computing

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

Abstract

Tingkat kepadatan volume kendaraan yang terdapat di jalan tol menjadi acuan dalam mengetahui informasi kepadatan kendaraan di jalan tol. Untuk mengetahui cara penghitungan ataupun cara pendeteksian kepadatan kendaraan terserbut, perlu adanya metode yang efisien untuk mengetahui tingkat kepadatan kendaraan yang melintas di jalan tol. Karena pemantauan yang dilakukan oleh pihak kepolisian, dinas perhubungan, maupun pihak penyelenggara jalan tol saat ini menggunakan berbasis video pengintai yang masih dipantau oleh manusia / orang secara manual. Maka dari itu perlu adanya sistem yang dapat menghitung kepadatan objek kendaraan yang terdapat di jalan tol. Seperti yang telah dilakukan pada penelitian sebelumnya dimana metode yang digunakan adalah edge detection, mampu menghasilkan tingkat akurasi hingga 80% dalam menghitung kepadatan kendaraan di jalan tol[6]. Metode edge detection menggunakan resource yang tinggi dalam keperluan komputasi, ini menjadi kelemahan penggunaan edge detection sebagai metode dalam kasus tersebut[6]. Dalam hal ini penelitian bertujuan untuk mengimpementasikan metode Gaussian Mixture Model dan Kalman Filter dalam kasus penghitungan kendaraan di jalan tol. metode GMM digunakan untuk mensubstraksi background dan foreground. Serta metode Kalman Filter yang digunakan untuk tracking kecepatan untuk memenuhi standar klasifikasi kepadatan jalan tol di Indonesia[8]. Dari hasil penelitian diperoleh tingkat akurasi rata rata sebesar 90.79%, dengan menggunakan parameter – parameter metode Gaussian Mixture Model yaitu Model GMM sebesar 3 threads, Threshold sebesar 0.05 dan Learning Rate sebesar 0.04. Dan parameter yang digunakan pada metode Kalman Filter yaitu state covariance matrix sebesar [1 1], process noise matrix sebesar [25 10] dan measurement noise sebesar 25.  
Analisis Proses Pendeteksian Api Menggunakan Metode Wavelet Tjokorda Agung Budi; Febryanti Sthevanie; Retno Novi
Indonesia Symposium on Computing Indonesian Symposium on Computing 2014/Seminar Nasional Ilmu Komputasi Teknik Informatika (SNIKTI)
Publisher : Indonesia Symposium on Computing

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

Abstract

Metode pendeteksian api yang saat ini sering digunakan adalah alat pendeteksi api berdasarkan asap atau suhu. Namun metode ini tidak dapat digunakan di ruangan yang luas dan luar ruangan (outdoor). Lalu dikembangkanlah metode pendeteksian api pada video memanfaatkan media kamera video, webcam, CCTV yang saat ini sudah banyak dipasang di gedung-gedung. Metode deteksi api dengan memanfaatkan media kamera video ini pada prinsipnya melakukan image processing terhadap frame-frame di video hasil rekaman kamera, webcam, dan CCTV. Metode ini memiliki beberapa kelebihan dibandingkan dengan alat pendeteksi api berdasarkan asap atau suhu, yaitu dapat digunakan di ruang yang lebih luas baik dalam atau luar ruangan. Kecepatan dalam mendeteksi api pun lebih cepat karena tidak perlu menunggu asap atau api menyentuh kamera. Ditambah saat ini banyak sekali gedung yang sudah memasang kamera pengawas atau CCTV sebagai kamera keamanan.Oleh karena itu, pada ini, deteksi keberadaan objek api pada video off-line dilakukan dengan cara mendeteksi piksel yang memilki karateristik seperti api, yaitu melalui 4 tahap, pertama, pendeteksian piksel bergerak menggunakan metode three frame differencing, kedua, pendeteksian piksel berwarna seperti api menggunakan metode pencocokan piksel dengan database piksel warna api terkluster menggunakan K-Means, ketiga, pendeteksian frekuensi perubahan warna piksel untukmengetahui keberadaan lidah api menggunakan tranformasi wavelet 1-D, keempat, pendeteksian variasi nilai piksel pada region yang dicurigai sebagai api menggunakan transformasi wavelet 2-D. Dengan menggunakan transformasi wavelet, maka perubahan nilai piksel dapat dianalisis dari segi frekuensi perubahan maupun waktunya. Selain itu transformasi wavelet pun dapat menganalisis variasi warna pada api sehingga dengan menggunakan trasformasi wavelet, dapat dibedakan antara objek api danbukan api di dalam sebuah video.Sehingga dengan menambahkan parameter lidah api dan variasi warna api menggunakan metode wavelet proses deteksi api lebih baik dibandingkan hanya menggunakan warna dan gerak saja. Akurasi sistem dengan metode ini mencapai 82,35%.
Pengenalan Ras Berdasarkan Hidung Dan Mulut Menggunakan Gray Level Co-Occurrence Matrix Ema Rachmawati; Nur Azizah Agustina; Febryanti Sthevanie
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 8, No 4: Agustus 2021
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2021844366

Abstract

Ras dapat digunakan untuk mengkategorikan manusia dalam populasi atau kelompok besar. Oleh karena itu, pengenalan ras dapat berguna untuk mempermudah dalam mengidentifikasi seseorang dan membantu dalam mempersempit lingkup pencarian. Penggunaan wajah sebagai dasar pengenalan ras mengarahkan penelitian pada identifikasi penggunaan bagian wajah yang berpengaruh signifikan terhadap kinerja pengenalan ras. Pada penelitian ini bagian wajah berupa hidung dan mulut diidentifikasi untuk digunakan sebagai dasar pengenalan ras Mongoloid, Kaukasoid, dan Negroid. Ciri Gray Level Co-occurrence Matrix (GLCM) diekstrak dari bagian hidung dan mulut untuk selanjutnya diklasifikasi menggunakan Random Forest. Hasil eksperimen menunjukkan bahwa penggunaan ciri gabungan dari hidung dan mulut mampu menghasilkan kinerja sistem yang paling baik jika dibandingkan penggunaan hidung atau mulut saja. AbstractRace can be used to categorize humans in populations or large groups. Therefore, racial recognition can be useful to make it easier to identify a person and help narrow the scope of the search. The use of faces as a basis for race recognition directs research on identifying the use of facial parts that significantly influence the performance of race recognition. In this study, the face parts of the nose and mouth were identified to be used as a basis for the recognition of the Mongoloid, Caucasoid, and Negroid races. The Gray Level Co-occurrence Matrix (GLCM) feature is extracted from the nose and mouth to be classified using Random Forest. The experimental results show that the use of combined features of the nose and mouth is able to produce the best system performance compared to the use of the nose or mouth only. 
MODIFIKASI FUNGSI DENSITY PADA ALGORITMA ANT CLUSTERING Kurniawan Nur Ramadhani; Febryanti Sthevanie
Jurnal Ilmiah Teknologi Infomasi Terapan Vol. 1 No. 2 (2015)
Publisher : Universitas Widyatama

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (393.535 KB) | DOI: 10.33197/jitter.vol1.iss2.2015.55

Abstract

[INA]Clustering merupakan salah satu tugas dalam data mining untuk mengelompokkan data berdasarkan kemiripan karakteristik. Pada penelitian ini, akan diusulkan sebuah modifikasi pada algoritma Ant Clustering untuk mempercepat proses komputasi. Modifikasi dilakukan pada fungsi density dengan mempertimbangkan batasan pemisahan spasial. Dari hasil percobaan yang dilakukan dengan data sejumlah 800 baris dan jumlah iterasi sebanyak 1000, didapatkan bahwa modifikasi fungsi density pada algoritma Ant Clustering berhasil meningkatkan kecepatan dengan nilai akurasi yang tidak terlalu berbeda dengan algoritma Ant Clustering standar.[EN]Clustering is one of the tasks in data mining to group data based on similar characteristics. In this study, will be proposed a modification on Ant Clustering algorithm to speed up the process of computing. Modifications carried on by considering the density function limits the spatial separation. From the results of experiments conducted with a number of data lines 800 and the number of iterations of 1000, it was found that the density modification function on Ant Clustering algorithms managed to increase the speed with accuracy values that are not too different from Ant Clustering algorithm standard.
Nuclei Detection and Classification System Based On Speeded Up Robust Feature (SURF) Amalina, Neneng Nur; Ramadhani, Kurniawan Nur; Sthevanie, Febryanti
EMITTER International Journal of Engineering Technology Vol 7, No 1 (2019)
Publisher : Politeknik Elektronika Negeri Surabaya (PENS)

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (842.261 KB) | DOI: 10.24003/emitter.v7i1.288

Abstract

Tumors contain a high degree of cellular heterogeneity. Various type of cells infiltrate the organs rapidly due to uncontrollable cell division and the evolution of those cells. The heterogeneous cell type and its quantity in infiltrated organs determine the level maglinancy of the tumor. Therefore, the analysis of those cells through their nuclei is needed for better understanding of tumor and also specify its proper treatment. In this paper, Speeded Up Robust Feature (SURF) is implemented to build a system that can detect the centroid position of nuclei on histopathology image of colon cancer. Feature extraction of each nuclei is also generated by system to classify the nuclei into two types, inflammatory nuclei and non-inflammatory nuclei. There are three classifiers that are used to classify the nuclei as performance comparison, those are k-Nearest Neighbor (k-NN), Random Forest (RF), and State Vector Machine (SVM). Based on the experimental result, the highest F1 score for nuclei detection is 0.722 with Determinant of Hessian (DoH) thresholding = 50 as parameter. For classification of nuclei, Random Forest classifier produces F1 score of 0.527, it is the highest score as compared to the other classifier.
Deteksi Helm pada Video Pengendara Sepeda Motor menggunakan Ekstraksi Ciri Histogram of Oriented Gradients Febryanti Sthevanie; Anang Kurniawan; Kurniawan Nur Ramadhani
Indonesia Journal on Computing (Indo-JC) Vol. 5 No. 1 (2020): Maret, 2020
Publisher : School of Computing, Telkom University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34818/INDOJC.2020.5.1.377

Abstract

World Health Organization mencatat sampai tahun 2015 kecelakaan di jalan telah merenggut 1.2 juta jiwa tiap tahunnya. Kecelakaan paling banyak dialami oleh pengendara sepeda motor karena minimnya keamanan yang melindungi pengendara sepeda motor, dan juga rendahnya kesadaran pengguna sepeda motor untuk menggunakan perangkat keselamatan yang sesuai dengan Undang-Undang. Riset-riset te- lah dilakukan diantaranya membuat sistem pendeteksi helm pada pengendara sepeda motor menggunakan metode ekstraksi fitur HOG, SIFT, LBP yang dapat menghasilkan performansi rata-rata masing masing, 93%, 64%, 64% dengan menggunakan metode klasifikasi SVM. Pada penelitian ini dibuat sebuah sistem yang dapat mendeteksi helm pada pengendara sepeda motor secara otomatis menggunak- an ekstraksi fitur Histogram of Oriented Gradient. Hasil tertinggi yang didapatkan dari hasil pengujian adalah fmeasure 90.67%, menggunakan metode ekstraksi fitur HOG dengan kondisi ukuran cell 8x8 pixels dan jumlah 9 bins dengan sudut 180o. Hasil tersebut dicapai menggunakan metode klasifikasi SVM dengan kernel polynomial derajat 3.
Pengenalan Aksara Bali Menggunakan Metode Pyramid Histogram of Oriented Gradients Febryanti Sthevanie; I Putu Indra Aristya; Kurniawan Nur Ramadhani
Indonesia Journal on Computing (Indo-JC) Vol. 5 No. 1 (2020): Maret, 2020
Publisher : School of Computing, Telkom University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34818/INDOJC.2020.5.1.378

Abstract

Aksara Bali terdiri dari 18 aksara dasar (biasa disebut aksara Wianjana) yang masing-masing terdiri atas 7 aksara vokal (pengangge suara). Penulisan aksara Bali dapat ditulis pada kertas ataupun daun tal yang sudah dikeringkan dan memiliki tekstur yang kasar serta mudah sobek sehingga membuat sulit dibaca. Maka dari itu, dibuat sistem yang dapat mengenali aksara Bali pada daun tal untuk membantu dapat membaca aksara Bali. Sistem ini dibangun menggunakan metode Pyramid Histogram of Oriented Gradient (PHOG) sebagai metode ekstraksi ciri. Dataset yang digunakan adalah dataset dari AMADI Lontar Set yang berupa gambar berjumlah 19.383 gambar dengan 133 kelas. Pada pengujian didapatkan nilai f1-score terbaik pada PHOG level 3 dengan 6 bin orientasi dan klasifikasi menggunakan SVM kernel linear yaitu sebesar 66.49% dan akurasi sebesar 81.35%.
Klasifikasi Ras Mongoloid Berbasis Citra Wajah menggunakan Algoritma k-Nearest Neighbors Febryanti Sthevanie; Kurniawan Nur Ramadhani; Hafidh Fikri Rasyid
Indonesia Journal on Computing (Indo-JC) Vol. 3 No. 1 (2018): Maret, 2018
Publisher : School of Computing, Telkom University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21108/INDOJC.2018.3.1.212

Abstract

Pada penelitian ini dibangun sistem untuk mengklasifikasi ras Mongoloid dan non-Mongoloid berdasarkan daerah periorbital wajah. Penelitian ini menggunakan metode ekstraksi ciri Local Binary Pattern (LBP) dan algoritma klasifikasi k-Nearest Neighbors (k-NN). Penelitian ini menggunakan citra wajah dari 996 individu berbeda. Dari penelitian ini, didapatkan konfigurasi parameter terbaik untuk algoritma LBP yaitu nilai P=8, R=4 dan ukuran grid 5x5. Sedangkan untuk k-NN didapatkan nilai optimal untuk parameter k=5. Nilai akurasi terbaik yang didapatkan pada sistem klasifikasi ras ini  menggunakan metode LBP dan k-NN adalah sebesar 91,88%.
Momentum Backpropagation Optimization for Cancer Detection Based on DNA Microarray Data Untari Novia Wisesty; Febryanti Sthevanie; Rita Rismala
International Journal of Artificial Intelligence Research Vol 4, No 2 (2020): December 2020
Publisher : STMIK Dharma Wacana

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (251.127 KB) | DOI: 10.29099/ijair.v4i2.188

Abstract

Early detection of cancer can increase the success of treatment in patients with cancer. In the latest research, cancer can be detected through DNA Microarrays. Someone who suffers from cancer will experience changes in the value of certain gene expression.  In previous studies, the Genetic Algorithm as a feature selection method and the Momentum Backpropagation algorithm as a classification method provide a fairly high classification performance, but the Momentum Backpropagation algorithm still has a low convergence rate because the learning rate used is still static. The low convergence rate makes the training process need more time to converge. Therefore, in this research an optimization of the Momentum Backpropagation algorithm is done by adding an adaptive learning rate scheme. The proposed scheme is proven to reduce the number of epochs needed in the training process from 390 epochs to 76 epochs compared to the Momentum Backpropagation algorithm. The proposed scheme can gain high accuracy of 90.51% for Colon Tumor data, and 100% for Leukemia, Lung Cancer, and Ovarian Cancer data.