Article Per Year (5 Year)
p-Index From 2019 - 2024
3.141
P-Index
This Author published in this journals
All Journal Jurnal Ilmiah Kursor SCAN Informatika Mulawarman InComTech: Jurnal Telekomunikasi dan Komputer Jifosi Nusantara Science and Technology Proceedings
Basuki Rahmat
Informatics Department, Computer Science Faculty, Universitas Pembangunan Nasional “Veteran” Jawa Timur, Indonesia
Agriculture, Biological Sciences & Forestry Chemical Engineering, Chemistry & Bioengineering Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Electrical & Electronics Engineering Engineering Law, Crime, Criminology & Criminal Justice Materials Science & Nanotechnology Medicine & Pharmacology

Published : 26 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 26 Documents
Search

 1   2   3 
IMPLEMENTASI ALGORITMA CNN UNTUK KLASIFIKASI CITRA LAHAN DAN PERHITUNGAN LUAS Ridho Aji Pangestu; Rahmat, Basuki; Tri Anggraeny, Fetty
Jurnal Informatika dan Sistem Informasi (JIFoSI) Vol. 1 No. 1 (2020): JIFoSI Volume 1, No 1: Maret 2020
Publisher : Fakultas Ilmu Komputer Universitas Pembangunan Nasional Veteran Jawa Timur

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (807.535 KB)

Abstract

Pertanian merupakan sektor yang paling penting dalam membangun perekonomian. Hal dasar yang perlu diperhatikan sebelum bercocok tanam adalah lahan yang digunakan sebagai media tanam. Lahan yang dimiliki para petani maupun calon petani memiliki ukuran luas yang berbeda?beda. Untuk mengetahui luas lahan tersebut diperlukan perhitungan secara manual. Pada era globlalisasi perkembangan teknologi mengalami kemajuan yang cukup pesat. Penggunaan teknologi dalam bidang pertanian juga sudah banyak dikembangkan. CNN termasuk dalam jenis Deep Neural Network karena dalamnya tingkat jaringan dan banyak diimplementasikan dalam data citra. Pada penelitian ini CNN digunakan untuk membedakan antara citra lahan sawah, lapangan dan lahan kosong. Setelah citra telah diklasifikasi melalui CNN, dilakukan pengolahan data citra dan identifikasi luas lahan. Pada metode CNN ini terdapat proses ekstraksi fitur dan klasifikasi fitur, untuk ekstraksi fitur ada proses convolution layer dan subsampling layer, sedangkan klasifikasi fitur ada proses fully connected layer. Pada proses training dan testing didapatkan hasil rata-rata menggunakan K-Fold Cross Validation. Hasil rata-rata dari cross validation adalah 97,77% untuk training, dan 70% untuk testing. Pengolahan data citra pada penelitian ini terdapat berbagai macam teknik untuk ekstraksi fitur yang digunakan, seperti teknik merubah warna citra, deteksi tepi, dilasi, closing, inverse, erosi, dan rekonstruksi citra untuk dapat mengukur luasan lahan yang terdapat pada citra. Hasil ratarata nilai error dari perhitungan luasan lahan dari 10 data uji adalah 9,07%. Dan rata-rata hasil perhitungan kemiripan citra segmentasi dengan citra ground truth menggunakan fungsi dice similarity dari 10 data citra didapatkan nilai sebesar 0.984.
DETEKSI TANAMAN TEBU PADA LAHAN PERTANIAN MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK Muhammad Alfin Jimly Asshiddiqie; Rahmat, Basuki; Tri Anggraeny, Fetty
Jurnal Informatika dan Sistem Informasi (JIFoSI) Vol. 1 No. 1 (2020): JIFoSI Volume 1, No 1: Maret 2020
Publisher : Fakultas Ilmu Komputer Universitas Pembangunan Nasional Veteran Jawa Timur

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (2290.564 KB)

Abstract

Indonesia merupakan negara agraris yang memiliki lahan pertanian yang luas. Kondisi tersebut sesuai untuk produksi tanaman padi dan palawija seperti jagung, singkong, kedelai, kacang, tebu, cabai, dan lain sebagainya. Sebagai upaya untuk lebih memperkenalkan tanaman pertanian kepada masyarakat, maka diperlukan sebuah model yang dapat mengenali bentuk dan jenis tanaman pertanian di Indonesia. Hal ini dapat diwujudkan dengan memanfaatkan Drone, yaitu teknologi pesawat tanpa awak yang dapat digunakan untuk mengindentifikasi jenis tanaman melalui udara. Penelitian ini dilakukan untuk mengembangkan sistem deteksi jenis tanaman berbasis drone dengan menerapkan algoritma CNN (Convolutional Neural Network) dengan menggunakan YOLO (You Only Look Once). Hasil penelitian menunjukkan bahwa metode CNN berhasil untuk mendeteksi tebu dengan cukup baik dengan menghasilkan rata-rata nilai confidence sebesar 95% pada pengujian video. Pengujian menggunakan pada nilai threshold 0.1, menghasilkan skor precision sebesar 1.00, skor recall sebesar 0.95 dan skor accuracy sebesar 0.95 pada tebu.
IMPLEMENTASI CONVOLUTIONAL NEURAL NETWORK (CNN) UNTUK DETEKSI RETINOPATI DIABETIK Handono, Stevanus Frangky; Anggraeny , Fetty Tri; Rahmat, Basuki
Jurnal Informatika dan Sistem Informasi (JIFoSI) Vol. 1 No. 2 (2020): JIFoSI Volume 1, No 2: Juli 2020
Publisher : Fakultas Ilmu Komputer Universitas Pembangunan Nasional Veteran Jawa Timur

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (323.159 KB)

Abstract

Retina adalah selapis tipis sel yang terletak pada bagian belakang bola mata yang memiliki fungsi untuk menangkap bayangan obyek yang dilihat mata dan meneruskannya ke syaraf penglihatan. Oleh karena itu retina berperan penting dalam proses penglihatan. Salah satu penyakit yang kerap menyerang retina adalah Retinopati Diabetik (RD). Penyakit ini disebabkan oleh adanya Diabetes Melitus pada tubuh dan biasanya ditandai dengan adanya kerusakan dan sumbatan pembuluh darah retina. Untuk mendeteksi penyakit tersebut biasanya perlu dilakukan pengamatan manual pada foto retina dan memerlukan waktu relaitf lama untuk melakukannya. Hal tersebut dapat diatasi dengan memanfaatkan sistem cerdas seperti CNN yang mampu mengekstrak fitur dari sebuah citra dan menggunakannya untuk proses lebih lanjut seperti klasifikasi citra, deteksi objek, dsb. Peneletian ini menggunakan CNN untuk mengklasifikasi antara citra retina yang terindikasi RD dengan citra tanpa penyakit. Dari pengujian terhadap 90 citra, didapatkan akurasi sebesar 58%, spesifisitas sebesar 0,61, dan sensitivitas sebesar 0,44.
IMPLEMENTASI ALGORITMA YOLO (YOU ONLY LOOK ONCE) UNTUK DETEKSI API Mada Lazuardi Nazilly; Rahmat, Basuki; Yulia Puspaningrum, Eva
Jurnal Informatika dan Sistem Informasi (JIFoSI) Vol. 1 No. 1 (2020): JIFoSI Volume 1, No 1: Maret 2020
Publisher : Fakultas Ilmu Komputer Universitas Pembangunan Nasional Veteran Jawa Timur

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (719.676 KB)

Abstract

Kebakaran hutan dan lahan menjadi masalah yang selalu terjadi setiap tahun di wilayah Indonesia. Penyebabnya adalah cuaca panas pada musim kemarau yang dapat menyebabkan munculnya bara api maupun praktek pembukaan lahan pertanian atau perkebunan baru pada kawasan hutan  yang dilakukan dengan cara pembakaran liar. Hal ini dapat dicegah dengan memanfaatkan Drone, yaitu teknologi pesawat tanpa awak yang dapat digunakan untuk memantau titik-titik api pada kawasan hutan/lahan melalui udara. Penelitian ini dilakukan untuk mengembangkan sistem deteksi api berbasis drone dengan menerapkan algoritma YOLO (You Only Look Once) yang menggunakan jaringan syaraf konvolusional untuk mendeteksi objek api pada citra. Hasil penelitian menunjukkan bahwa penggunaan algoritma YOLO berhasil untuk mendeteksi api dengan cukup baik dengan menghasilkan rata-rata nilai confidence sebesar 0.66 pada pengujian video. Sedangkan untuk pengujian menggunakan 100 citra pada nilai threshold 0.30, menghasilkan skor precision sebesar 98%, skor recall sebesar 95% dan skor accuracy sebesar 95% serta skor mean average precison (mAP) sebesar 72.63%.
DETEKSI IKAN DENGAN MENGGUNAKAN ALGORITMA ADABOOST-SVM Singgih Putra Pratama; Basuki Rahmat; Fetty Tri Anggraeny
Jurnal Informatika dan Sistem Informasi (JIFoSI) Vol. 1 No. 2 (2020): JIFoSI Volume 1, No 2: Juli 2020
Publisher : Fakultas Ilmu Komputer Universitas Pembangunan Nasional Veteran Jawa Timur

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (284.538 KB)

Abstract

Indonesia merupakan negara yang kaya akan sumber daya alam baik hayati maupun nonhayati. Salah satu sumber daya alam hayati yang sangat banyak jumlahnya di Indonesia adalah laut, Untuk mempermudah mengidentifikasikan ikan, dapat memanfaatkan sebuah teknologi yang dapat membantu manusia untuk dapat mengenali ikan dengan menggunakan visi komputer dan pendekatan pemrosesan gambar untuk deteksi ikan menggunakan algoritma Histogram of Oriented Gradients (HOG) dan AdaBoost-SVM. Hasil penelitian menunjukkan bahwa metode HOG dan AdaBoost-SVM dapat menghasilkan tingkat akurasi rata-rata sebesar 85%.
IMPLEMENTASI ALGORITMA C4.5 DALAM DIAGNOSIS AUTISME PADA ANAK MENGGUNAKAN RUMUSAN DIAGNOSTIC AND STATISTICAL MANUAL OF MENTAL DISORDERS V Ifnu Wisma Dwi Prastya; Yuniar, Intan; Rahmat, Basuki
Jurnal Informatika dan Sistem Informasi (JIFoSI) Vol. 1 No. 2 (2020): JIFoSI Volume 1, No 2: Juli 2020
Publisher : Fakultas Ilmu Komputer Universitas Pembangunan Nasional Veteran Jawa Timur

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (528.425 KB)

Abstract

Abstrak        Diagnosis autisme merupakan langkah pertama dalam proses penanganan autisme. Namun, permasalahannya banyak orang tua yang masih belum mengerti terkait gejala yang dialami oleh anaknya dan bagaimana cara penagannya. Masih banyak orang tua yang memilih untuk langsung berkonsultasi kedokter atupun tenaga medis. Sedangkan jumlah dokter atau tenaga medis dalam bidang gangguan perkembanagan mental dan otak masih sangant sedikit. Maka dari itu, dibutuhkan cara pendiagnosisan autisme secara mudah dan gampang diakses oleh orang tua, sehingga orang tua dapat dengan mudah mendiagnosis secara dini autisme pada anak. Algoritma C4.5 merupakan salah satu algoritma yang dapat memprediksi tingkat akurasi diagnosis autisme dan Diagnostic and Statistical Manual of Mental Disorders merupakan sebuah acuan yang digunakan untuk mendiagnosa suatu gangguan kejiwaan.          Penelitian ini menggunakan 70 data, dengan pembagian data dengan komposisi 70% untuk data latih dan 30 % data uji, sehingga ditemukan 50 data untuk digunakan sebagai data latih dan 20 data untuk data uji. Pengujian dalam sistem ini menggunakan metode Confusion Matrix. Pohon keputusan yang terbangun dari sistem ini memiliki nilai akurasi sebesar 90%, dan menghasilkan nilai precision sebesar 93,33% dan nilai recall sebesar 93,33%.   Kata Kunci : Diagnosis, Autisme, Algoritma C4.5, DSM-V  (Diagnostic and Statistical Manual of Mental Disorders V ). The diagnosis of autism is the first step in the process of treating autism. However, the problem is that many parents still do not understand the symptoms associated with their children and how to treat them. There are still many parents who choose to consult a doctor or a medical person directly. While the number of doctors or medical personnel in the field of mental and brain development disorders is still small. Therefore, it is needed a way to diagnose autism easily and easily accessed by parents, so parents can easily diagnose early autism in children. C4.5 algorithm is one algorithm that can predict the accuracy of the diagnosis of autism and the Diagnostic and Statistical Manual of Mental Disorders is a reference used to diagnose a psychiatric disorder. This study uses 70 data, with the division of data with a composition of 70% for training data and 30% for test data, so that 50 data are found to be used as training data and 20 data for test data. Testing in this system uses the Confusion Matrix method. The decision tree that was built from this system has an accuracy value of 90%, and produces a precision value of 93.33% and a recall value of 93.33%. Keywords: Diagnosis, Autism, C4.5 Algorithm, DSM-V (Diagnostic and Statistical Manual of Mental Disorders V).
DETEKSI OBJEK BERWARNA MENGGUNAKAN METODE COLOR MATCHING BERBASIS ARDUINO Hutama, Dhany Satya; Rahmat, Basuki; Syaifullah JS, Wahyu
Jurnal Informatika dan Sistem Informasi (JIFoSI) Vol. 1 No. 2 (2020): JIFoSI Volume 1, No 2: Juli 2020
Publisher : Fakultas Ilmu Komputer Universitas Pembangunan Nasional Veteran Jawa Timur

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (664.118 KB)

Abstract

Akhir ? akhir ini banyak ajang perlombaan dalam dunia robotika dimana kamera menjadi salah satu peranan penting dalam perlombaannya. Hal itu memerlukan pengolahan citra pada hasil tangkapan kamera agar robot dapat berjalan mengikuti objek yang berada didepannya. Beberapa penelitian menggunakan banyak metode untuk melakukan pengolahan citra. Ada yang menggunakan metode bentuk objek untuk memfokuskan pada bentuknya, namun metode ini kurang maksimal karena banyak objek dalam lapangan yang bentuknya sama. Maka dari itu menggunakan metode selanjutnya yaitu metode Color Matching untuk melakukan pencocokan warna pada sebuah objek agar kamera dapat lebih terfokus pada objek dengan warna tertentu. Pengolahan citra dengan metode Color Matching akan ditanamkan pada Arduino untuk memudahkan pengguna melakukan inisialisasi warna awal. Penangkapan gambar menggunakan kamera serial OV7670 yang cocok untuk memulai penelitian, karena pembacaan pixel yang tidak terlalu cepat. Uji coba yang dilakukan pada sistem pendeteksi objek berwarna ini salah satunya adalah pengujian warna objek dan latar belakang. Warna yang didapat harus berada dalam intensitas warna yang ditentukan, ini dimaksudkan untuk pendeteksian yang maksimal. Intensitas warna yang semakin besar menyebabkan noise yang semakin banyak pula, yang juga menyebabkan pergerakan alat ini menjadi tidak teratur.
KLASIFIKASI DAN PENGENALAN OBJEK IKAN MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE (SVM) faisal, Faisal Fahri Ferdiansyah; Rahmat, Basuki; Yuniar, Intan
Jurnal Informatika dan Sistem Informasi (JIFoSI) Vol. 1 No. 2 (2020): JIFoSI Volume 1, No 2: Juli 2020
Publisher : Fakultas Ilmu Komputer Universitas Pembangunan Nasional Veteran Jawa Timur

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (269.684 KB)

Abstract

Ikan hias merupakan ikan yang diminati masyarakat luas karena keindahan yang khas dan unik, mulai dari beragam corak, warna, dan bentuk. Klasifikasi dan pengenalan objek ikan bertujuan untuk melakukan proses klasifikasi suatu objek kedalam satu kelas tertentu berdasarkan pengenalan melalui ciri bentuk, warna yang dimilikinya, sehingga dapat digunakan untuk mengenali karakter ikan. Penelitian ini menggunaka metode Support Vector Machine (SVM). Dengan menggunakan Bahasa Pemrograman Python. Ekstrasi ciri warna pada penelitian ini mengimplementasikan metode HSV dan hasil dari Histogram. Anaconda Navigator sebagai aplikasi GUI dan Jupyter Notebook sebagai text editor. Dengan menggunakan Kappa cohen sebagai validasi pengujian data. Data  uji sejumlah  250 citra semua jenisnya sejumlah 50 citra per jenisnya. Hasil uji coba akan berdasarkan pada akurasi, hasil pengujian pertama pada ikan komet 20%, ikan manfish 20%, ikan molly 0, ikan redfine 90% ikan zebra 80% dengan nilai rata ? rata hasil akurasi 42% dengan diperoleh akuras sedangkan pengujian kedua pada ikan komet 0, ikan manfish 25%, ikan molly 15%, ikan redfine 75% ikan zebra 55%  hasil 34%. Nilai Accruracy 50%, Precission 90%, Recall 47% dan f1 score 63,94%. Nilai perhitungan koefisien kappa diperoleh berjumlah . Kata kunci : support vector machine, ekstrasi ciri, ikan hias, object detection.  
DETEKSI DAN PENGENALAN IKAN MENGGUNAKAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK R MEHINDRA PRASMATIO; Rahmat, Basuki; Yuniar, Intan
Jurnal Informatika dan Sistem Informasi (JIFoSI) Vol. 1 No. 2 (2020): JIFoSI Volume 1, No 2: Juli 2020
Publisher : Fakultas Ilmu Komputer Universitas Pembangunan Nasional Veteran Jawa Timur

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (454.24 KB)

Abstract

Identifikasi dan pengenalan identitas jenis ikan secara otomatis merupakan suatu persoalan besar yang menarik dan banyak sekali berbagai macam pendekatan untuk menyelesaikan persoalan ini. Apalagi di dalam akuarium suatu akuarium terdapat banyak jenis objek ikan maupun hiasan akuarium. Ikan tampak hampir sama di beberapa jenis. Tingkat kejernihan air juga sangat diperhitungkan untuk mempelancar proses klasifikasi. Maka dari harus disediakannya akuarium yang memiliki air jernih dan pencahayaan tepat agar mempermudah proses ini. Hal-hal tersebutlah yang membuat permasalahan klasifikasi menjadi lebih sulit diselesaikan. Dalam penelitian ini digunakan salah satu metode deep learning yaitu Convolutional Neural Networks (CNN) sebagai pengidentifikasian ikan secara real-time yang terbukti efisien dalam klasifikasi ikan. Metode diimplementasikan dengan bantuan library OpenCV untuk deteksi objek dan perangkat kamera.   Pada penelitian ini dilakukan 6 kali percobaan training untuk ditemukan nilai paling baik, dan mendapatkan nilai test score 2.475, test accuracy 0.4237 dan loss sebesar 2.2002. Data yang digunakan pada penelitian ini berupa tangkapan gambar dari hasil video secara langsung/realtime menggunakan webcam. Penelitian ini menghasilkan tingkat akurasi sebesar 85,18% dengan pengujian 27kali yang dimana 4kali tidak dapat mengidentifikasi foto dan 23 kali berhasil dalam mengidentifikasi foto ikan. Kata kunci: convolutional neural network, pre processing, citra
SISTEM PREDIKSI GEMPA BERBASIS DEEP LEARNING: PREDIKSI GEMPA ADJIE KURNIAWAN, RAKA; Rahmat, Basuki; Nugroho, Budi
Jurnal Informatika dan Sistem Informasi (JIFoSI) Vol. 1 No. 2 (2020): JIFoSI Volume 1, No 2: Juli 2020
Publisher : Fakultas Ilmu Komputer Universitas Pembangunan Nasional Veteran Jawa Timur

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (364.132 KB)

Abstract

Abstrak Pengetahuan tentang prediksi gempa sangat penting, terutama untuk mengenali pola kejadian terjadinya gempa berdasarkan data-data yang diperoleh dari Badan Meteorologi dan Geofisika (BMKG). Penelitian ini mengusulkan sistem prediksi gempa, dalam bentuk prediksi nilai-b sebagai parameter yang menunjukkan prekursor gempa bumi. Prekursor gempa adalah sesuatu yang mendahului atau diperkirakan menunjukkan tanda-tanda awal sebelum terjadinya gempa. Parameter gempa menggambarkan keadaan seismotektonik suatu wilayah yang dapat dilihat dari frekuensi relatif dari gempa bumi besar dan gempa bumi kecil yang terjadi dari tahun-tahun sebelumnya. Dalam penelitian ini nilai-b berdasarkan data deret waktu gempa, tanpa mempertimbangkan parameter fisik gempa lainnya. Metode yang digunakan dalam penelitian ini adalah Deep Learning. Dengan pemrograman menggunakan Bahasa Pemrograman Python yang dimana dalam pelatihan dan pengujian sistem berjalan pada lingkungan komputasi Jupyter Notebook. Dari hasil simulasi menunjukkan hasil proses pelatihan Deep Learning untuk sistem prediksi nilai-b sebagai prekursor gempa dengan jumlah iterasi sebanyak 10.000 kali, diperoleh hasil Mean Square Error (MSE), Root Mean Square Error (RMSE), Mean Absolute Percentage Error (MAPE) dan Prosentase Keberhasilan prediksi masing-masing sebesar 3,57 x 10-5; 0,00597; 0,62092 dan 99,38%. Hasil proses pengujian Deep Learning untuk sistem prediksi nilai-b sebagai prekursor gempa yang dilakukan selama lima kali pengujian diperoleh rata-rata MSE, RMSE, MAPE dan Prosentase Keberhasilan prediksi masing-masing sebesar 0,02515; 0,14835; 19,11118 dan 80,89%. Kata Kunci : Prediksi Gempa, Prekursor, Deep Learning, Badan Meteorologi dan Geofisika
Co-Authors Adhi Prasetya, Guntur ADJIE KURNIAWAN, RAKA Anggraeny , Fetty Tri Anggraeny, Fetty B. Nugroho Budi Nugroho Budi Nugroho Daniella, Cherry Devan Cakra Mudra Wijaya Eva Yulia Puspaningrum Eva Yulia Puspaningrum faisal, Faisal Fahri Ferdiansyah Fetty Tri Anggraeny Fetty Tri Anggraeny Handono, Stevanus Frangky Harianto Hariyanto Hariyanto Helmy Widyantara Hutama, Dhany Satya I Nyoman Sujana Ida Retno Moeljani Ifnu Wisma Dwi Prastya Iqbal Imani Khoirul Akbar Irwan Afandi, Mohamad Kartini Mada Lazuardi Nazilly Minto Waluyo Minto Waluyo Muhammad Alfin Jimly Asshiddiqie Naufal Mumtaz, Ahmad Nugraha, Novemidu Wilis Prameswari Reksa Agami R MEHINDRA PRASMATIO Raka Adjie Kurniawan Ridho Aji Pangestu Singgih Putra Pratama Singgih Putra Pratama Sudiyarto Syaifullah JS, Wahyu TATI NURHAYATI Tri Anggraeny, Fetty Tuhu Agung Rachmanto Tuhu Agung Rachmanto Widjajani, Bhakti Wisnu Yuniar Purbasari, Intan Yuniar, Intan