Garuda - Garba Rujukan Digital

Aplikasi Pendeteksi Rambu Lalu-Lintas Menggunakan Operator Sobel dan Metode Hamming Ericks Rachmat Swedia; M. Ridwan Dwi Septian; Margi Cahyanti
Seminar Nasional Aplikasi Teknologi Informasi (SNATI) 2017
Publisher : Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia

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

Penelitian ini membuat aplikasi untuk mendeteksi rambu lalu-lintas berdasarkan bentuk dengan menggunakan operator sobel dan mencari kemiripan citra menggunakan metode hamming distance.Â Pengguna dapat memasukkan citra yang akan dicocokkan dengan citra yang terdapat dalam database.Â Citra yang dipilih oleh pengguna akan ditransformasi menjadiÂ gray dan dilakukan proses deteksi tepi sobel.Â Citra ini kemudian dicocokkan dengan citra yang terdapat dalam database dengan metode hamming distance, nilai hamming yang paling kecil merupakan citra yangÂ paling mirip.Â Untuk database digunakan 205 citra berukuran 100x100 piksel yang dapat diunduh pada halaman https://id.wikipedia.org/wiki /Rambu_lalu_lintas. Citra-citra ini dijadikan basis data setelah melalui proses grayscale dan deteksi tepi.Â Proses uji coba dilakukan dengan mengambil 10 citra rambu yang dipilih secara acak dari pencarian google sebagai proses input untuk dicari kemiripan dengan citra yang terdapat dalam database. Â Berdasarkan hasil uji coba, aplikasi ini dapat digunakan untuk mendeteksi rambu lalu-lintas.

PENGELOMPOKKAN CITRA KENDARAAN (MOTOR DAN MOBIL) BERDASARKAN BENTUK MENGGUNAKAN ALGORITMA K-MEANS Margi Cahyanti; M Ridwan Dwi Septian; Ericks Rachmat Swedia; Ravi A Salim
Sebatik Vol 22 No 2 (2018): DESEMBER 2018
Publisher : STMIK Widya Cipta Dharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1148.692 KB)

Penelitian ini mengimplementasikan algoritma K-Means untuk mengelompokkan data citra digital kendaraan mobil dan motor. Proses pengelompokkan terdiri dari tahapan citra input yang ditransformasi ke grayscale, hasil dari citra grayscale tersebut diambil nilai garis tepi menggunakan operator Prewitt. Hasil nilai citra Prewitt disimpan ke dalam basis data. Tahapan selanjutnya untuk mengelompokkan data citra tersebut menggunakan algoritma K-Means. Citra yang dikelompokkan adalah kendaraan motor dan mobil dan pengelompokkan dibagi menjadi dua jenis citra. Tahapan awal adalah menentukan centroid yang diambil dari dua data nilai citra yang terdapat dalam basis data secara acak. Tahapan akhir adalah menghitung jarak antar nilai menggunakan jarak Euclidean untuk mencari perpindahan kelompok. Jika tidak ada perpindahan data maka kelompok dianggap stabil dan proses pengelompokkan selesai. Uji-coba aplikasi ini menggunakan 12 data citra (enam data citra mobil dan enam data citra motor) dengan latar belakang berwarna putih. Citra ini diambil berukuran 150 x 100 piksel. Dengan adanya aplikasi ini dapat mempermudah pengguna dalam mengelompokkan data citra kendaraan.

KLASIFIKASI PENYAKIT TANAMAN APEL DARI CITRA DAUN DENGAN CONVOLUTIONAL NEURAL NETWORK Andi Asrafil Ardan Paliwang; M Ridwan Dwi Septian; Margi Cahyanti; Ericks Rachmat Swedia
Sebatik Vol 24 No 2 (2020): Desember 2020
Publisher : STMIK Widya Cipta Dharma

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

Tanaman Apel merupakan buah tahunan yang berasal dari daerah Asia Barat dengan iklim sub tropis. Di Indonesia tanaman Apel ditanam sejak tahun 1934 hingga saat ini. Tanaman Apel dapat tumbuh dan berbuah baik di daerah dataran tinggi. Para petani biasanya melakukan pencegahan penyakit atau hama dengan melakukan penyemprotan setiap 1 – 2 minggu sekali dengan dosis ringan. Pencegahan ini agar penyakit/hama dapat segera ditanggulangi dan baik jika dilakukan pada pagi atau sore hari. Terkadang petani juga membutuhkan seorang pakar dalam menentukan jenis hama/penyakit pada tanaman Apel agar dapet memberikan solusi terbaik. Oleh karena itu diperlukan adanya pendekatan digital agar dapat mengenali beragam jenis hama/penyakit tanaman Apel dengan cepat dan mudah. Teknologi Deep learning, merupakan salah satu bidang ilmu baru dalam Machine Learning dan berkembang dengan depat. Deep learning memiliki kemampuan yang baik dalam Computer Vision, salah satunya yaitu image classification atau klasifikasi objek pada citra. Metode yang dapat digunakan dalam melakukan klasifikasi citra ini yaitu Convolutional Neural Network (CNN). Berdasarkan hasil uji coba, aplikasi berhasil diimplementasikan dengan baik menggunakan framework dart berbasis android dengan hasil final test accuracy yang diperoleh yaitu didapat keakuratan akurasi sebesar 97,1%.

APLIKASI PENDETEKSI KESAMAAN DOKUMEN DENGAN MENGGUNAKAN ALGORITMA JARAK JARO WINKLER DAN LEVENSHTEIN Ravi Ahmad Salim; M Ridwan Dwi Septian; Suhartini Suhartini; Dyah Anggraini; Qomariyah Qomariyah
Sebatik Vol 25 No 1 (2021): Juni 2021
Publisher : STMIK Widya Cipta Dharma

Peranan teknologi di era revolusi 4.0 membuat penggunaan teknologi informasi dan komunikasi semakin luas. Peranan ini juga mencakup segala bidang, salah satunya untuk mempermudah pengguna dalam mendapatkan informasi yang tersedia secara bebas dan tanpa biaya. Akan tetapi hal ini memungkinkan terjadinya pengambilan informasi tertulis (karya tulis, penulisan ilmiah, dokumen dan lain sebagainya) tanpa mencantumkan referensi (menjiplak) yang biasa dikenal sebagai tindakan plagiarism. Teknologi informasi pengukur tingkat plagiat suatu dokumen teks berhubungan dengan pencarian informasi dari data yang ada. Dokumen teks merupakan sesuatu yang tertulis atau tercetak yang dapat digunakan sebagai keterangan. Untuk membuat suatu informasi tertentu dibutuhkan waktu yang lama untuk memproses hasil kemiripan dari seluruh isi dokumen teks. Pemrosesan text mining menggunakan beberapa algoritma. Salah satunya adalah algoritma Jarak Jaro Winkler dan Jarak Levenshtein . Jarak Jaro Winkler adalah sebuah algoritma menghitung panjang kata dalam dokumen, kata yang sama, dan jumlah transposisi. Sedangkan algoritma Jarak Levenshtein digunakan untuk menghitung jarak yang dibutuhkan untuk mengubah satu kata menjadi kata lain. Untuk itu dibuat aplikasi pendeteksi untuk melihat kemiripan dokumen teks dengan menerapkan Algoritma jarak Jaro Winkler dan jarak Levenshtein. Kedua algoritma ini diimplementasikan dan menampilkan hasil dari perhitungan antara Jaro Winkler dan jarak Levenshtein dalam sebuah aplikasi. Dengan melihat perbandingan kedua algoritma ini pengguna dapat mengetahui algoritma mana yang akan menghasilkan keluaran yang lebih baik jika dibandingkan dengan pencarian kemiripan secara manual.

APLIKASI FACE MASK DETECTION MENGGUNAKAN NEURAL NETWORK MOBILENETV2 BERBASIS ANDROID Azizulhaq Dharmaputra; Margi Cahyanti; M Ridwan Dwi Septian; Ericks Rachmat Swedia
Sebatik Vol 25 No 2 (2021): Desember 2021
Publisher : STMIK Widya Cipta Dharma

Adanya pandemi Covid-19 memberikan dampak yang luar biasa kepada hampir seluruh masyarakat di dunia, tidak terkecuali di Indonesia di mana Kementerian Kesehatan serta pemerintah yang terkait menerbitkan protokol kesehatan guna meminimalisasikan paparan yang diakibatkan oleh virus Covid-19. Salah satu protokol kesehatan tersebut yaitu menganjurkan masyarakat untuk selalu menggunakan masker saat beraktivitas baik itu di dalam maupun di luar ruangan. Dalam konteks ini, semua masyarakat dapat memainkan perannya masing-masing dengan berkontribusi untuk memerangi virus ini. Hal ini merupakan kesempatan yang bagus untuk para peneliti dalam bidang teknologi informasi untuk memanfaatkan kemajuan teknologi dalam membantu memerangi penyebaran virus corona, seperti pembuatan aplikasi untuk mendeteksi penggunaan masker. Penelitian ini membuat sebuah aplikasi untuk mendeteksi apakah objek yang terdapat pada preview image menggunakan masker atau tidak menggunakan masker. Pengumpulan data training dilakukan dengan pengambilan data dari situs kaggle berjumlah 1000 data citra yang terdiri dari 500 data citra menggunakan masker dan 500 data citra tidak menggunakan masker. Hasil yang diperoleh berdasarkan uji coba yang dilakukan terhadap 60 orang yang tidak terdapat dalam data training. Arsitektur MobileNetV2 digunakan dalam penelitian ini dan diimplementasikan dalam bahasa pemrograman Kotlin yang dapat digunakan oleh semua smartphone berbasis android. Akurasi pendeteksian penggunaan masker dari 30 data uji coba yang didapatkan adalah sebesar 90%.

IMPLEMENTASI COLOR DETECTION MENGGUNAKAN ALGORITMA MIDPOINT BERBASIS SISTEM OPERASI ANDROID Dimas Lutfhi Amrullah; Ericks Rachmat Swedia; Margi Cahyanti; M Ridwan Dwi Septian
Sebatik Vol 26 No 1 (2022): Juni 2022
Publisher : STMIK Widya Cipta Dharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46984/sebatik.v26i1.1631

Pengolahan citra selalu berhubungan erat dengan warna, namun ada beberapa metode pada yang mempunyai banyak kekurangan seperti metode Hue Saturation Value (HSV) yang hanya dapat mengenali 6 warna saja dan beberapa model pengenalan citra lainnya seperti Hue Saturation Lightness (HSL), Hue Saturation Intensity (HSI), Hue Chroma Lightness (HCL), dan masih banyak metode pengolahan citra lainnya yang penggunaannya tidak secara real time. Tujuan penelitian ini adalah merancang sebuah aplikasi pengolahan citra untuk mendeteksi warna berdasarkan kode heksa, kode Red, Green, Blue (RGB), dan pencatatan waktu pendeteksian yang dilakukan, mengimplementasikan Algoritma Midpoint ke dalam aplikasi, dan melakukan proses pengenalan citra tersebut secara real time. Algoritma Midpoint merupakan algoritma untuk mendapatkan titik tengah dari layar pada saat mengambil gambar objek menggunakan kamera smartphone. Titik tengah diperoleh dengan mendapatkan parameter yaitu koordinat ½ tinggi untuk sumbu y, dan ½ lebar untuk sumbu x sehingga dapat diperoleh titik pusat dari tengah layar. Dalam penelitian ini peneliti menggunakan bahasa pemrograman Java dengan JavaScript Object Nation (JSON) sebagai alat penyimpanan data dari warna yang digunakan untuk melakukan proses pengenalan warna Red, Green, Blue (RGB). Penelitian ini juga menambahkan metode Waterfall yaitu perencanaan, analisis, perancangan, implementasi, dan pengujian. Pada saat pengujian, peneliti menggunakan 15 data citra untuk diproses dan diharapkan adanya aplikasi ini dapat mempermudah pengguna dalam mengenali berbagai macam citra pada area di sekitar.

IMPLEMENTASI SENTIMENT ANALYSIS PADA OPINI MASYARAKAT INDONESIA DI TWITTER TERHADAP VIRUS COVID-19 VARIAN OMICRON DENGAN ALGORITMA NAÏVE BAYES, DECISION TREE, DAN SUPPORT VECTOR MACHINE Azriyan Arham; Ericks Rachmat Swedia; Margi Cahyanti; M Ridwan Dwi Septian
Sebatik Vol 26 No 2 (2022): Desember 2022
Publisher : STMIK Widya Cipta Dharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46984/sebatik.v26i2.1961

Covid-19 merupakan suatu penyakit pneumonia yang menjadi penyebab pandemi tahun 2020. Selama berlangsungnya pandemi, Covid-19 terus mengalami mutasi genetik yang menghasilkan varian-varian baru dengan fenotip, pola transmisi, dan virulensi yang beragam. WHO sendiri mengelompokkan varian Covid-19 menjadi 3 varian, yaitu Variant of Interest (VoI), Variants under Monitoring (VUM), dan Variants of Concern (VoC) (Susilo et al., 2022). Omicron merupakan muatsi Covid-19 yang termasuk ke dalam dan diperkirakan memiliki daya transmisi lebih cepat daripada varian Delta sehingga diindikasi lebih cepat menyebar (Susilo dkk., 2022). Untuk itu dilakukan penelitian tentang analisis sentimen pengguna Twitter di Indonesia terhadap Covid-19 varian Omicron. Penelitian menerapkan tiga algoritma klasifikasi, di antaranya adalah algoritma Naïve Bayes, algoritma Support Vector Machine, dan algoritma Decision Tree. Penelitian dilakukan dengan menggunakan Python sebagai bahasa pemrograman dan Google Colaboratory sebagai tools. Penelitian ini menggunakan data Tweet sebanyak 3,931 data yang diambil dari tanggal 28 April 2022 hingga 4 Juni 2022. Tahapan pada penelitian ini terdiri dari penarikan data, data preprocessing, pelabelan sentimen, klasifikasi, pengujian model, visualisasi data, serta implementasi algoritma ke dalam platform website. Analisis yang dilakukan, algoritma akurasi tertinggi adalah algoritma Support Vector Machine dengan nilai akurasi sebesar 81,68%, kemudian algoritma Naïve Bayes menghasilkan nilai akurasi sebesar 74,25%, dan algoritma Decision Tree menghasilkan nilai akurasi sebesar 72,77%. Pada ketiga algoritma menggunakan data uji sebanyak 202 data. Sementara itu berdasarkan analisis yang dilakukan, didapatkan sentimen netral dengan sentimen tertinggi sebesar 63,7%, lalu sentimen negatif sebesar 21,1%, dan sentimen positif sebesar 15,2%.

Title

Found 7 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 7 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 7 Documents
Search