Articles
<![CDATA[Deteksi Ujung Jari menggunakan Faster-RCNN dengan Arsitektur Inception v2 pada Citra Derau ]]>
<![CDATA[Alamsyah, Derry]]>;
<![CDATA[Pratama, Dicky]]>
<![CDATA[ JUTSI: Jurnal Teknologi dan Sistem Informasi Vol 2 No 1 (2018): Jurnal JuSiTik (Jurnal Sistem Informasi dan Teknologi Informasi Komunikasi) ]]>
Publisher : <![CDATA[Universitas Katolik Musi Charitas Program Studi Sistem Informasi ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (330.185 KB)
<![CDATA[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%.]]>
<![CDATA[Deteksi Ujung Jari menggunakan Faster-RCNN dengan Arsitektur Inception v2 pada Citra Derau ]]>
<![CDATA[Alamsyah, Derry]]>;
<![CDATA[Pratama, Dicky]]>
<![CDATA[ JUTSI: Jurnal Teknologi dan Sistem Informasi Vol 2 No 1 (2018): Jurnal JuSiTik (Jurnal Sistem Informasi dan Teknologi Informasi Komunikasi) ]]>
Publisher : <![CDATA[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
<![CDATA[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%.]]>
<![CDATA[Segmentasi Warna Citra Bunga Daisy dengan Algoritma K-Means pada Ruang Warna Lab ]]>
<![CDATA[Alamsyah, Derry]]>;
<![CDATA[Pratama, Dicky]]>
<![CDATA[ Jurnal Buana Informatika Vol 10, No 2 (2019): Jurnal Buana Informatika Volume 10 Nomor 2 Oktober 2019 ]]>
Publisher : <![CDATA[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
<![CDATA[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]]>
<![CDATA[Identifikasi Jenis Konik dan Kuadrik Berdasarkan Bentuk Matriks A dan Elemen Matriks K pada Persamaan Kuadratik x'Ax+Kx+j=0 ]]>
<![CDATA[Putra BJ Bangun]]>;
<![CDATA[Irmeilyana Irmeilyana]]>;
<![CDATA[Derry Alamsyah]]>
<![CDATA[ Jurnal Penelitian Sains Vol 14, No 3 (2011) ]]>
Publisher : <![CDATA[Faculty of Mathtmatics and Natural Sciences ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (174.983 KB)
|
DOI: 10.56064/jps.v14i3.206
<![CDATA[Konik (irisan kerucut) merupakan persamaan kuadratik dalam dua variabel yaitu x dan y. Sedangkan kuadrik merupakan persamaan kuadratik dalam 3 variabel, yaitu x, y dan z. Kedua bentuk persamaan kuadratik tersebut dapat dinyatakan dalam notasi matriks, berbentuk x'Ax+Kx+j=0. Bentuk konik dan kuadrik dapat dikenali dari bentuk matriks A dan elemen matriks K, yang berhubungan dengan pola perkalian silang dan pasangan dari masing-masing variabel pada persamaan kuadratiknya. Untuk dapat mengidentifikasikan bentuk grafik persamaan kuadratik tersebut dilakukan dengan penstandaran berdasarkan Teorema Sumbu Utama pada R2 dan R3. Penstandaran bentuk dapat melalui rotasi, translasi, atau gabungan rotasi-translasi menjadi sistem koordinat baru (dengan perubahan variabel).]]>
<![CDATA[PENGENALAN EKSPRESI WAJAH MENGGUNAKAN METODE SVM DENGAN TRANSFORMASI FOURIER DAN PCA ]]>
<![CDATA[Ricky Julianto]]>;
<![CDATA[Derry Alamsyah]]>
<![CDATA[ Klik - Jurnal Ilmu Komputer Vol. 2 No. 1 (2021): Klik - Jurnal Ilmu Komputer ]]>
Publisher : <![CDATA[Fakultas Ilmu Komputer Universitas Sumatera Selatan ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (618.815 KB)
|
DOI: 10.56869/klik.v2i1.282
<![CDATA[Ekspresi wajah digunakan seseorang sebagai cara untuk berkomunikasi secara non-verbal dalam mengungkapkan perasaan yang sedang dialaminya. Ekspresi secara universal dikategorikan menjadi enam ekspresi dasar yaitu senang, sedih, marah, jijik, takut, terkejut, dan satu ekspresi netral. Dalam penelitian ini dilakukan pengenalan ekspresi menggunakan metode SVM dengan ekstraksi ciri transformasi fourier dan direduksi menggunakan PCA. Tahapan penelitian dimulai dengan mengambil dataset fer2013, dilanjutkan dengan pengkonversian data piksel menjadi gambar, selanjutnya gambar diekstraksi menggunakan transformasi fourier lalu direduksi menggunakan PCA, setelah itu diklasifikasi menggunakan SVM dimana hasil pengujian menggunakan data original mendapatkan model terbaik pada kernel polinomial derajat 2 dengan = 10 yang memberikan hasil akurasi sebesar 38% untuk citra gambar bagus dan 32.666% untuk citra gambar dengan noise salt and pepper, sementara itu hasil pengujian menggunakan data dengan peningkatan kontras mendapatkan model terbaik pada kernel polinomial derajat 2 dengan = 1 yang memberikan hasil akurasi sebesar 36.666% untuk citra gambar bagus dan 33.333% untuk citra gambar dengan noise salt and pepper menggunakan data testing.]]>
<![CDATA[Segmentasi Warna Citra Bunga Daisy dengan Algoritma K-Means pada Ruang Warna Lab ]]>
<![CDATA[Derry Alamsyah]]>;
<![CDATA[Dicky Pratama]]>
<![CDATA[ Jurnal Buana Informatika Vol. 10 No. 2 (2019): Jurnal Buana Informatika Volume 10 Nomor 2 Oktober 2019 ]]>
Publisher : <![CDATA[Universitas Atma Jaya Yogyakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.24002/jbi.v10i2.2458
<![CDATA[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]]>
<![CDATA[Maximum Likelihood Classification dengan Ekstraksi Fitur Fast Fourier Transform untuk Pengenalan Mobil ]]>
<![CDATA[Derry Alamsyah]]>
<![CDATA[ Jurnal Teknologi dan Sistem Komputer Volume 6, Issue 1, Year 2018 (January 2018) ]]>
Publisher : <![CDATA[Department of Computer Engineering, Engineering Faculty, Universitas Diponegoro ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (292.208 KB)
|
DOI: 10.14710/jtsiskom.6.1.2018.32-36
<![CDATA[The car recognition is part of the field of traffic surveillance on the image. In general, the car recognition using the form-based feature as a unique feature. Another feature in object recognition is the frequency feature. One feature of frequency is the Fourier feature, this feature is obtained by using Fast Fourier Transform (FFT) method. The object recognition can be done by determining the maximum value of likelihood and classifying it with Maximum Likelihood Classification (MLC). The use of FFT and MLC in the car object recognition has never been used. The results of both are in a good accuracy that is 76%.]]>
<![CDATA[Penerapan Hidden Markov Model (HMM) pada Pengenalan Penutur ]]>
<![CDATA[Mukhlisa Mukhlisa]]>;
<![CDATA[Maryati Gultom]]>;
<![CDATA[Derry Alamsyah]]>
<![CDATA[ JATISI (Jurnal Teknik Informatika dan Sistem Informasi) Vol 1 No 1 (2014): JATISI SEPTEMBER 2014 ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian pada Masyarakat (LPPM) STMIK Global Informatika MDP ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (657.6 KB)
|
DOI: 10.35957/jatisi.v1i1.28
<![CDATA[Human voice depends on the position or shape of the cavity owned, so the character of the sound that each person is unique and became his identity. Identification of speakers (speaker recognition) is the process of identifying who is talking on the information contained in the speech wave. Identification of speakers can be used as attendance systems, security, and so on. Speaker recognition system in this study formed through two main processes of training (training) and recognition (recognition), where Mel Frequency Cepstrum Coefficients (MFCC) are used for feature extraction, then the model is formed based Hidden Markov sound model (HMM). The results showed that the test in real time using a microphone accuracy rate of 30%. While testing of the recording file 100%. The level of accuracy depends heavily on the ability of clustering and classification.]]>
<![CDATA[Implementasi Metode Interpolasi Bicubic Modifikasi pada Proses Downsampling Citra ]]>
<![CDATA[Ferdyansyah Wijaya]]>;
<![CDATA[Reynard Saputra]]>;
<![CDATA[Derry Alamsyah]]>
<![CDATA[ JATISI (Jurnal Teknik Informatika dan Sistem Informasi) Vol 2 No 2 (2016): JATISI MARET 2016 ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian pada Masyarakat (LPPM) STMIK Global Informatika MDP ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (694.23 KB)
|
DOI: 10.35957/jatisi.v2i2.48
<![CDATA[Downsampling process is used to reduce the image resolution by eliminating some pixels, so it will affect the quality of output image. To keep the quality, modified bicubic interpolation method is used in the downsampling process. Modified bicubic interpolation is a modification of bicubic interpolation with same quality and faster processing time. This paper will discuss about the implementation of modified bicubic interpolation method on the image downsampling process by computing 16 nearest pixel values on the input image to produce pixel values for output image. Modified bicubic interpolation is tested at 2 (two) image types, RGB and grayscale. Each type is consist of 2 (two) format, JPG and BMP. Experimental results show that the most stable output size is from JPG RGB with 300 – 400 KB range and from JPG grayscale with 0 – 50 KB range. The fastest processing time is from JPG RGB with 200 – 300 KB range and for the grayscale on 25% scale from JPG with 150 – 200 KB range, 50% scale from JPG with 0 – 50 KB range and 75% scale from BMP. The highest PSNR value is from JPG RGB with 100 – 200 KB range and from JPG grayscale with 0 – 50 KB range.]]>
<![CDATA[Pengenalan Mobil Pada Citra Digital Menggunakan HOG-SVM ]]>
<![CDATA[Derry Alamsyah]]>
<![CDATA[ JATISI (Jurnal Teknik Informatika dan Sistem Informasi) Vol 3 No 2 (2017): JATISI MARET 2017 ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian pada Masyarakat (LPPM) STMIK Global Informatika MDP ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (164.991 KB)
|
DOI: 10.35957/jatisi.v3i2.79
<![CDATA[The image data on a highway has been available on several online sites. It can be used to pull some information such as traffic congestion, vehicle volume per day, etc. To obtain this information required basic information such as the introduction of the vehicle, in this case the car. The introduction of the car is done by utilizing the features that form the image Histogram of Oriented Gradient (HOG). The introduction of a car based on this feature is done by using a model of linear equations formed from the algorithm Support Vector Machine (SVM), which is a binary classification. The accuracy of the results obtained in this study was 82, 5%]]>
