Garuda - Garba Rujukan Digital

Identifikasi Kadar Semen dan Pasir pada Campuran Kering Menggunakan Metode Backpropagation Gasim, Gasim; Sudiadi, Sudiadi
Khazanah Informatika Vol. 5 No. 1 Juni 2019
Publisher : Universitas Muhammadiyah Surakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23917/khif.v5i1.8014

Campuran perekat dan juga plesteran dinding pada bangunan biasanya terdiri dari semen dan pasir. Perbedaan kadar capuran semen dan pasir berdampak pada kekuatan hasil. Penelitian ini mengimplementasikan kecerdasan buatan untuk mengidentifikasi atau mengenali kadar campuran semen dan pasir melalui citra campuran semen dan pasir yang sudah kering. Penelitian ini menggunakan enam macam campuran semen dan pasir. Pengumpulan data citra dilakukan dengan cara pemotretan menggunakan kamera resolusi sensor sebesar 7 MP, jarak potret lebih kurang 8 cm, dilakukan pada siang hari, dan tidak menggunakan cahaya dari lampu kamera. Citra latih dan citra uji berukuran 500 x 500 piksel, dan banyaknya citra latih adalah 300 citra dan 150 citra sebagai data uji. Metode pengenalan menggunakan jaringan syaraf tiruan dengan algoritma propagasi balik (backpropagation) dan dengan input berupa nilai tekstur dari citra campuran semen dan pasir yang sudah kering. Tingkat akurasi keberhasilan identifikasi adalah 87.33%. Penelitian ini berhasil mengimplementasikan JST dan fitur tekstur analisis dari GLCM dengan jarak potret dan resolusi kamera tertentu, serta penelitian ini dapat menjadi referensi pada penelitian lanjutan.

Identifikasi Kadar Semen dan Pasir pada Campuran Kering Menggunakan Metode Backpropagation Gasim Gasim; Sudiadi Sudiadi
Khazanah Informatika Vol. 5 No. 1 June 2019
Publisher : Department of Informatics, Universitas Muhammadiyah Surakarta, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23917/khif.v5i1.8014

Campuran perekat dan juga plesteran dinding pada bangunan biasanya terdiri dari semen dan pasir. Perbedaan kadar capuran semen dan pasir berdampak pada kekuatan hasil. Penelitian ini mengimplementasikan kecerdasan buatan untuk mengidentifikasi atau mengenali kadar campuran semen dan pasir melalui citra campuran semen dan pasir yang sudah kering. Penelitian ini menggunakan enam macam campuran semen dan pasir. Pengumpulan data citra dilakukan dengan cara pemotretan menggunakan kamera resolusi sensor sebesar 7 MP, jarak potret lebih kurang 8 cm, dilakukan pada siang hari, dan tidak menggunakan cahaya dari lampu kamera. Citra latih dan citra uji berukuran 500 x 500 piksel, dan banyaknya citra latih adalah 300 citra dan 150 citra sebagai data uji. Metode pengenalan menggunakan jaringan syaraf tiruan dengan algoritma propagasi balik (backpropagation) dan dengan input berupa nilai tekstur dari citra campuran semen dan pasir yang sudah kering. Tingkat akurasi keberhasilan identifikasi adalah 87.33%. Penelitian ini berhasil mengimplementasikan JST dan fitur tekstur analisis dari GLCM dengan jarak potret dan resolusi kamera tertentu, serta penelitian ini dapat menjadi referensi pada penelitian lanjutan.

Identifikasi Kadar Semen dan Pasir Melalui Citra Permukaan Menggunakan Teknik Blok Citra Gasim Gasim
JATISI (Jurnal Teknik Informatika dan Sistem Informasi) Vol 7 No 2 (2020): JATISI (Jurnal Teknik Informatika dan Sistem Informasi)
Publisher : Lembaga Penelitian dan Pengabdian pada Masyarakat (LPPM) STMIK Global Informatika MDP

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35957/jatisi.v7i2.371

This research raises the topic of identifying the types of cement and sand mixtures on dry material using artificial intelligence. This is done because the comparison of the mixture between cement and sand is very influential on the quality of the material produced. Several experimental models affect the level of recognition accuracy. In this study the experimental model used was the image block and LBP image techniques, with a mixture of cement and sand used was 1: 1, 1: 1.5, 1: 2, 1: 2.5, 1: 3, and 1: 3.5. The recognition method used is Artificial Neural Network (ANN) with back propagation algorithm. The number of ANN training samples is 600 samples, and 120 samples for testing. This research uses image block technique before feature extraction is carried out. The features used are the mean, standard deviation, entropy, skewness, and kurtosis of LBP images. ANN training results get a three-layer hidden architecture, with testing showing an accuracy rate of 80% recognition.

Perbandingan Akurasi Pengenalan Jenis Beras dengan Algoritma Propagasi Balik pada Beberapa Resolusi Kamera David Ricardo; Gasim gasim
Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol 3 No 2 (2019): Agustus 2019
Publisher : Ikatan Ahli Informatika Indonesia (IAII)

Rice is a staple that is cooked so that it becomes rice for daily consumption. The type of rice that is often used for daily consumption is white rice. There are several types of white rice circulating in the market that are consumed by the public. Each type of rice gives different scent, taste and price. This study compares the accuracy of white rice type recognition based on several camera resolutions. The types of rice used in this study are Jawa Barat rice, Jawa Timur rice, Pandan Wangi rice, Thailand rice and Vietnam rice. The camera resolution used is 5MP, 8 MP, 12 MP, 14 MP, and 16MP. The shooting distance used is ± 9 cm between the camera and the object of rice. The recognition method used is BackPropagation Artificial Neural Networks, while for feature extraction using the Gray Level Co-occurrence Matrix (GLCM) which consists of contrast, energy, homogeneity, and correlation. The highest results obtained at 12 MP camera resolution with the results of the recognition of 25 of 50 test data and the results of the calculation with confusion matrix obtained an average accuracy of 82%, precision of 55%, and recall of 50%. The results of this study can be used as a reference for research that uses objects of similar character, or further research with the same object in developing applications that are ready to use.

BUAH TANGAN JENIS TEPUNG TERIGU PADA ROTI GORENG BERNABEU FITUR LBP DENGAN JARINGAN SARAF TIRUAN Leonardo Chandra B; Gasim Gasim; Rusbandi Rusbandi
Jurnal Algoritme Vol 1 No 1 (2020): Jurnal Algoritme
Publisher : Program Studi Teknik Informatika Universitas Multi Data Palembang

Penelitian ini tentang mengidentifikasi jenis tepung terigu pada goreng dengan menggunakan metode jaringan saraf tiruan. Jenis tepung terigu yang digunakan adalah kunci biru, sania, dan segitiga biru. Metode pengenalan yang digunakan adalah backpropagation . Hasil pengujian yang dilakukan menggunakan ukuran pixel 450x450px, jarak potret sejauh ±20 cm, resolusi kamera 16MP, menggunakan data latih sebanyak 100 citra/jenis dan data uji sebanyak 80 citra/jenis serta dengan menggunakan ekstraksi ciri Local Binary Pattern maka didapatkan hasil berupa tingkat akurasi sebesar 68,57%, presisi sebesar 53,33% dan recall sebesar 54,47%.

Perbandingan Akurasi Pengenalan Kadar Semen Dan Pasir Berdasarkan Ukuran Citra Dengan Backpropagation Satria A; Gasim Gasim; Desy Iba Ricoida
Jurnal Algoritme Vol 1 No 2 (2021): Jurnal Algoritme
Publisher : Program Studi Teknik Informatika Universitas Multi Data Palembang

Penelitian ini mengangkat topik terkait dengan identifikasi jenis campuran semen dan pasir pada material yang sudah kering menggunakan kecerdasan buatan. Namun belum diketahui pada ukuran citra berapa yang memiliki tingkat pengenalan yang terbaik dalam penelitian tersebut. Penelitian ini membandingkan tingkat akurasi pengenalan kadar semen dan pasir berdasarkan ukuran citra. Jenis campuran semen dan pasir yang digunakan adalah 1:1, 1:1.5, 1:2, 1:2.5, 1:3, dan 1:3.5. Data yang digunakan sebanyak 570 citra yang terdiri dari 450 citra latih dan 120 citra uji pada setiap ukuran citranya. Metode pengenalan menggunakan jaringan syaraf tiruan dengan algoritma backpropagation, dengan input berupa nilai tekstur dari hasil ekstraksi ciri menggunakan fitur GLCM dari citra campuran semen dan pasir. Pengujian sistem dilakukan dengan variasi ukuran cropping citra yaitu 550x550 piksel, 450x450 piksel, 350x350 piksel, 250x250 piksel, dan 150x150 piksel. Tingkat akurasi tertinggi didapatkan pada ukuran citra 550x550 piksel yaitu sebesar 89.17% dengan hasil pengenalan sebanyak 107 dari 120 data uji. Hasil dari penelitian ini dapat digunakan sebagai referensi pada penelitian lanjutan dengan objek karakter sejenis ataupun objek yang sama.

Perbandingan Tingkat Akurasi Pengenalan Kadar Semen Dan Pasir Pada Campuran Kering Berdasarkan Tingkat Resolusi Kamera Dengan Metode Pengenalan JST Erven Tanjungan; Gasim Gasim; Sudiadi Sudiadi
Jurnal Algoritme Vol 1 No 2 (2021): Jurnal Algoritme
Publisher : Program Studi Teknik Informatika Universitas Multi Data Palembang

Pasir dan semen merupakan salah satu material terbesar atau terpenting yang digunakan dalam proses pembangunan pada suatu bangunan atau gedung dan selalu digunakan oleh masyarakat. Masing-masing campuran memiliki takaran pasir dan semennya masing-masing, namun untuk orang biasa sulit untuk membedakan jenis-jenis campuran kering pada bangunan runtuh ataupun bangunan yang belum jadi. Penelitian ini membandingkan tingkat akurasi pengenalan kadar semen dan pasir pada campuran kering berdasarkan tingkat resolusi kamera dengan metode pengenalan Jaringan Saraf Tiruan. Jenis campuran yang digunakan antara lain dengan takaran 1semen 1pasir, 1semen 1,5pasir, 1semen 2pasir, 1semen 2,5pasir, 1semen 3pasir, dan 1semen 3,5pasir. Tingkat resolusi kamera yang digunakan ada 5 antara lain 3MP, 5MP, 8MP, 10MP, 12MP, dan menggunakan jarak pemotretan ±9cm. Metode pengenalan menggunakan Jaringan Syaraf Tiruan dan ekstrasi fitur menggunakan GLCM(Gray Level Co-Occurrence Matrix) yang terdiri dari Entropy, Standard Deviation, Contrast, Angular Second Moment(ASM)/ Homogeneity, Correlation, dan Inverse Different Moment(IDM)/ Energy. Hasil perhitungan tertinggi dalam pengenalan jenis campuran kering berdasarkan tingkat resolusi kamera ialah pada resolusi kamera 12MP dengan jumlah pengenalan sebanyak 105 dari 120 data uji, sehingga menghasilkan tingkat akurasi sebesar 87,5%.

Perbandingan Tingkat Akurasi Pengenalan Cacat Kayu Berdasarkan Tingkat Pencahayaan Dengan Metode JST Rycci Juniawan; Gasim Gasim
Jurnal Algoritme Vol 2 No 1 (2021): Jurnal Algoritme
Publisher : Program Studi Teknik Informatika Universitas Multi Data Palembang

Kayu adalah bagian batang / cabang / ranting tumbuhan yang mengeras akibat proseslignifikasi atau pengayuan secara alami. Kayu terbentuk akibat akumulasi selulosa dan ligninpada bagian dinding sel berbagai jaringan pada batang pohon. Cacat kayu di alam inimerupakan akibat serangan dari luar pohon selama masa pertumbuhannya. Penelitihan iniadalah bagaimana melakukan perbandingan tingkat akurasi pengenalan cacat kayu. Penelitihanmenggunkan dataset cacat kayu yaitu 80 data uji dan 80 data latih. Dataset yang diambil laludiekstraksi menggunakan GLCM untuk dilatih menggunakan JST. Pelatihan JST dilakukandengan mencari semua kemungkinan hidden layer. Setelah mendapatkan hidden layer kemudianakan dibandingkan dengan setiap hidden layer untuk melihat hasil pengenalan paling baik.Perbedaan terlihat secara jelas adalah akurasi menggunakan pencahayaan 3 lampumemdapatkan akurasi paling tinggi. Dengan melihat persentase dari perhitungan jumlah datayang dikenali dengan jumlah data yang diuji tiap layer pada seriap pencahayaan. Berdasarkanhasil yang didapat, pencahayaan 3 lampu dengan jaringan syaraf tiruan dapat menghasilkantingkat akurasi yang paling tinggi yaitu sebesar 98%.

Perbandingan Akurasi Pengenalan Kadar Semen Berdasarkan Tingkat Pencahayaan Menggunakan Jaringan Syaraf Tiruan Erick Brilliant Wilsen; Gasim Gasim; Rizani Teguh
Jurnal Algoritme Vol 2 No 1 (2021): Jurnal Algoritme
Publisher : Program Studi Teknik Informatika Universitas Multi Data Palembang

Penelitian ini menggunakan dataset kadar semen dan pasir yang memiliki 450 data latihdan 120 data uji. Dataset yang telah diambil lalu diekstraksi menggunakan GLCM untuk dilatihmenggunakan JST. Pelatihan JST dilakukan dengan mencari semua kemungkinan hidden layer.Setelah mendapatkan hidden layer kemudian akan dibandingkan dengan setiap hidden layeruntuk melihat hasil pengenalan paling baik. Perbedaan yang terlihat jelas adalah bahwa akurasimenggunakan pencahayaan 1 lampu mendapatkan akurasi lebih tinggi daripada pencahayaanlainnya yaitu dengan melihat persentase dari perhitungan jumlah data yang dikenali denganjumlah data yang diuji tiap layer pada setiap pencahayaan. Perbandingan persentase yangdilakukan tiap pencahayaan dibandingkan persentase yang terbaik. Berdasarkan hasil yangdidapat, pencahayaan 1 lampu dengan jaringan syaraf tiruan dapat menghasilkan tingkat akurasiyang paling tinggi yaitu sebesar 87%.

Identifikasi Kadar Ikan Pada Pempek Menggunakan Fitur LBP Dengan Metode Jaringan Syaraf Tiruan Dina Agustina; Gasim Gasim
Jurnal Algoritme Vol 2 No 2 (2022): Jurnal Algoritme
Publisher : Program Studi Teknik Informatika Universitas Multi Data Palembang

Pempek merupakan makanan khas Palembang yang terbuat dari campuran ikan giling, tepung, dan bumbu-bumbu penambah cita rasa dan dibuat dengan berbagai bentuk. Perbandingan karakteristik yang terdapat pada pempek selain dapat diketahui oleh orang awam melalui rasa dan tekstur kekenyalan pempek dapat juga diketahui dengan menggunakan teknologi seperti media kecerdasan buatan. Ada 4 jenis perbandingan yang ada pada pempek diantaranya adalah 1 ikan 1 tepung, 1,5 ikan 1 tepung, 2 ikan 1 tepung, dan 1 ikan 2 tepung, dengan resolusi kamera 2MP dan jarak pengambilan citra ±15cm. penelitian ini bertujuan untuk mengimplementasikan suatu sistem yang mampu mengidentifikasi kadar ikan pada pempek, dengan menerapkan Local Binary Pattern (LBP) sebagai ekstraksi fitur dan metode Jaringan Syaraf Tiruan (JST). Hasil dari ekstraksi LBP dijadikan masukan pada proses pembelajaran pada JST dengan training function traingdx serta menggunakan 40 neuron. Berdasarkan hasil pengujian menggunakan ekstraksi fitur LBP memperoleh tingkat akurasi sebesar 31,67% dan jumlah pengenalan data uji sebanyak 76 dari 240 data uji.

Title

Found 21 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 21 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 21 Documents
Search