Article Per Year (5 Year)
p-Index From 2019 - 2024
0.23
P-Index
This Author published in this journals
All Journal Jurnal Buana Informatika JuSiTik : Jurnal Sistem dan Teknologi Informasi Komunikasi
Dicky Pratama
Jurusan Administrasi Publik, Fakultas Ilmu Administrasi, Universitas Brawijaya, Malang
Computer Science & IT Other

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Deteksi Ujung Jari menggunakan Faster-RCNN dengan Arsitektur Inception v2 pada Citra Derau Alamsyah, Derry; Pratama, Dicky
JUTSI: Jurnal Teknologi dan Sistem Informasi Vol 2 No 1 (2018): Jurnal JuSiTik (Jurnal Sistem Informasi dan Teknologi Informasi Komunikasi)
Publisher : Universitas Katolik Musi Charitas Program Studi Sistem Informasi

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (330.185 KB)

Abstract

Deteksi ujung jari merupakan bidang pada visi komputer yang memiliki pemanfaatan yang luas dalam hal antarmuka alami, robot, dll. CNN menjadi salah satu metode yang sedang banyak diterapkan dalam deteksi objek, dengan beberapa pembaharuan CNN berevolusi menjadi Faster-RCNN yang mampu mendeteksi objek dengan sangat baik. Penelitian ini memanfaatkan kemampuan Faster-RCNN dalam mendeteksi ujung jari dengan arsitektur Inception V2. Penerapan dilakukan pada citra yang memiliki derau dan tidak memiliki derau. Hasil penelitian menunjukkan citra yang tidak memiliki derau memiliki hasil akurasi deteksi yang baik yaitu 91%, sementara itu untuk masing-masing citra derau: Gaussian, Salt and Pepper, Poisson dan Speckle memiliki akurasi sebesar 34%, 5%, 80% dan 21%.
Deteksi Ujung Jari menggunakan Faster-RCNN dengan Arsitektur Inception v2 pada Citra Derau Alamsyah, Derry; Pratama, Dicky
JUTSI: Jurnal Teknologi dan Sistem Informasi Vol 2 No 1 (2018): Jurnal JuSiTik (Jurnal Sistem Informasi dan Teknologi Informasi Komunikasi)
Publisher : Universitas Katolik Musi Charitas

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (330.185 KB) | DOI: 10.32524/jusitik.v2i1.435

Abstract

Deteksi ujung jari merupakan bidang pada visi komputer yang memiliki pemanfaatan yang luas dalam hal antarmuka alami, robot, dll. CNN menjadi salah satu metode yang sedang banyak diterapkan dalam deteksi objek, dengan beberapa pembaharuan CNN berevolusi menjadi Faster-RCNN yang mampu mendeteksi objek dengan sangat baik. Penelitian ini memanfaatkan kemampuan Faster-RCNN dalam mendeteksi ujung jari dengan arsitektur Inception V2. Penerapan dilakukan pada citra yang memiliki derau dan tidak memiliki derau. Hasil penelitian menunjukkan citra yang tidak memiliki derau memiliki hasil akurasi deteksi yang baik yaitu 91%, sementara itu untuk masing-masing citra derau: Gaussian, Salt and Pepper, Poisson dan Speckle memiliki akurasi sebesar 34%, 5%, 80% dan 21%.
Segmentasi Warna Citra Bunga Daisy dengan Algoritma K-Means pada Ruang Warna Lab Alamsyah, Derry; Pratama, Dicky
Jurnal Buana Informatika Vol 10, No 2 (2019): Jurnal Buana Informatika Volume 10 Nomor 2 Oktober 2019
Publisher : Universitas Atma Jaya Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1655.562 KB) | DOI: 10.24002/jbi.v10i2.2458

Abstract

Abstract. Segmentation in images of flowers or plants is an important pre-process in the field of botany, one of which is for identifying diseases of flowers or other plants. One of the problems in the image segmentation is the segmented images produced automatically. It is due to the long period of time needed to produce segmented images manually. To overcome these issues, a clustering process was carried out using the k-means algorithm. In this study segmentation is done by using Lab color space and RGB as a comparison to K-means in clustering the image of daisy flowers. Good results are showed by the Lab color space in the clustering process that 60% of the data has lower silhouette coefficient than RGB color space and 3.94% as the mean of s negative.Keywords: Segmentation, Lab, K-MeansAbstrak. Segmentasi pada citra bunga atau tanaman merupakan pra proses yang penting dalam bidang botani, salah satunya untuk mengidentifikasi penyakit pada bunga atau tanaman lainnya. Salah satu permasalahan dalam segmentasi citra adalah menghasilkan citra tersegmentasi secara otomatis. Hal tersebut dikarenakan kebutuhan akan waktu yang tidak sebentar untuk menghasilkan citra tersegmentasi secara manual. Untuk mengatasi kendala tersebut dilakukan proses klasterisasi dengan menggunakan algoritma K-means. Pada penelitian ini segmentasi dilakukan dengan menggunakan ruang warna Lab dan RGB sebagai pembanding kinerja k-means dalam mengklasterisasi citra bunga Desi. Hasil yang baik dimiliki oleh ruang warna Lab dalam proses klasterisasinya, yaitu dengan 60% data memiliki nilai silhoutte coeficient (s) yang lebih kecil dari ruang warna RGB dan memiliki rata-rata sebesar 3.94% s negatif.Kata Kunci: Segmentasi, Lab, k-Means
Co-Authors Derry Alamsyah