Article Per Year (5 Year)
p-Index From 2019 - 2024
1.578
P-Index
This Author published in this journals
All Journal Techno.Com: Jurnal Teknologi Informasi Jurnal Simetris Pelita - Jurnal Penelitian Mahasiswa UNY Jurnal Teknologi Informasi dan Ilmu Komputer Sistemasi: Jurnal Sistem Informasi JURNAL MEDIA INFORMATIKA BUDIDARMA Jurnal Sisfokom (Sistem Informasi dan Komputer) Jurnal Telematika Journal of Telecommunication, Electronics and Control Engineering (JTECE) Electrician : Jurnal Rekayasa dan Teknologi Elektro
Rahmat Widadi
Faculty Of Telecommunication And Electrical Engineering, Institut Teknologi Telkom Purwokerto
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering

Published : 10 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 10 Documents
Search

 1 
Klasifikasi Sinyal EEG pada Sistem BCI Pergerakan Jari Manusia Menggunakan Convolutional Neural Network Rahmat Widadi; Bongga Arif Widodo; Dodi Zulherman
Techno.Com Vol 19, No 4 (2020): November 2020
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33633/tc.v19i4.4119

Abstract

Pemanfaatan sistem Brain-Computer Interface (BCI) sebagai penghubung pikiran manusia dengan peralatan eksternal sangat bergantung pada keakuratan pengklasifikasian dan pengidentifikasian sinyal EEG khususnya gerak motor imagery. Kesuksesan deep learning, sebagai contoh Convolutional Neural Network (CNN), dalam proses klasifikasi pada berbagai bidang berpeluang untuk diimplementasikan pada klasifikasi gerak motor imagery. Pengimplementasian CNN untuk klasifikasi sinyal EEG motor imagery (MI-EEG) gerakan jari tangan diperkenalkan dalam tulisan ini. Rancangan sistem klasifikasi terdiri dari dua bagian yaitu convolution layer dan multilayer perceptron yang diimplementasikan menggunakan Python 3.7 dengan library TensorFlow 2.0 (Keras). Pengujian rancangan sistem dilakukan terhadap lima subjek dari data MI-EEG 5F dengan frekuensi pencuplikan 200 Hz. Pengujian melibatkan Kfold-cross validation dan analisis pada confusion matrix. Berdasarkan hasil pengujian, peningkatan ukuran kernel menghasilkan peningkatan rata-rata akurasi sistem. Sistem dengan akurasi terbaik diperoleh pada rancangan dengan jumlah kernel 50 sebesar 51,711%. Rancangan sistem menghasilkan kinerja yang melebihi hasil penelitian yang menjadi rujukan utama.
ECTOC (ELECTRICAL CARBON DIOXIDE TO OXYGEN CONVERTER) TO ADD OXYGEN IN THE ROOMS OF BOARDING HOUSES Anang Prasetyo; Rahmat Widadi; I Wayan Adiyasa
Pelita - Jurnal Penelitian Mahasiswa UNY Volume VIII, Nomor 1, April 2013
Publisher : Pelita - Jurnal Penelitian Mahasiswa UNY

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (288.718 KB)

Abstract

This research was aimed at finding out the concept of ECTOC (Electrical CarbonDioxide To Oxygen Converter) to add oxygen in in the rooms of boarding houses andfinding out how ECTOC (Electrical Carbon Dioxide To Oxygen Converter) worked toadd oxygen in in the rooms of boarding houses.This research was categorized as Research and Development employing themodel of Borg and Gall. The data were collected through observation, questionnaires,and documentation. The data were analyzed quantitatively and qualitatively. Theanalyzed qualitative data were classified based on the collection category andgeneralized by employing simple statistics.The concept and procedure of ECTOC (Electrical Carbon Dioxide To OxygenConverter) was adding oxygen to refresh the rooms by taking the air from outside andprocessing it in the pipes around which induction with high voltage was wound toburn carbon dioxide and send oxygen to the rooms. The high voltage was obtainedfrom the coil converting 12Volt into
Pemilah dan Penghitung Uang Logam Berdasarkan Diameter Menggunakan Sensor TCRT5000 Slamet Indriyanto; Rahmat Widadi; Luhur Pamukti
Journal of Telecommunication, Electronics, and Control Engineering (JTECE) Vol 2 No 1 (2020): Journal of Telecommunication, Electronics, and Control Engineering (JTECE)
Publisher : LPPM Institut Teknologi Telkom Purwokerto

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20895/jtece.v2i1.111

Abstract

Uang sebagaimana diketahui sebagai alat pembayaran baik barang maupun jasa, memiliki bentuk fisik dalam bentuk kertas dan logam. Uang logam Rupiah biasanya terbuat dari bahan alumunium atau nikel. Setiap kepingnya memiliki tekstur tertentu pada sisi uang untuk membedakan tiap pecahan. Di Indonesia terdapat 4 jenis uang logam yang beredar saati ini, yaitu pecahan Rp. 100, 200, 500 dan 1000 rupiah. Uang logam jika dalam jumlah banyak dan bercampur akan merepotkan jika harus dipisahkan dan dihitung satu demi satu. Untuk itu diperlukan suatu alat yang dapat berfungsi untuk memilah dan sekaligus menghitung jumlah uang logam. Pada jurnal ini telah dirancang dan dibuat suatu alat pemilah dan penghitung uang logam menggunakan sensor TCRT5000. Pemilahan uang logam yang ada berdasarkan diameter dari masing-masing uang logam, dan sensor digunakan untuk menghitung berapa nominal yang sudah tertampung dalam wadah yang disediakan. Hasil pengujian didapatkan dari 100 kali percobaan uang logam Rp.100 rupiah terdapat 2 percobaan tidak terdeteksi oleh sensor. Pengujian uang logam Rp200 rupiah terdapat juga 2 kali percobaan tidak tereteksi oleh sensor. Pengujian uang logam Rp.500 rupiah dan Rp.1000 rupiah tidak ada kegagalan pendeteksian ataupun penyortiran. Jadi, dari pengujian tersebut dapat disimpulkan bahwa tingkat akurasi pendeteksian uang logam Rp.100 dan Rp.200 rupiah sebesar 98%, dan pendeteksian uang logam Rp.500 dan Rp.1000 rupiah memiliki tingkat akurasi sebesar 100%. Dari sisi penyortiran, semua koin yang diuji bisa masuk ke dalam wadah sesuai dengan diameter dan nominal, sehingga tingkat akurasi penyortiran semua uang logam memiliki tingkat akurasi 100%.
Klasifikasi Pergerakan Tangan dan Kaki Berbasis Sinyal EEG Menggunakan Common Spatial Patterns dan Multilayer Perceptron Backpropagation Rahmat Widadi; Dodi Zulherman
Jurnal Telematika Vol 14, No 2 (2019)
Publisher : Institut Teknologi Harapan Bangsa

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

Abstract

The artificial bionic appendicular systems, such as hands and feet movement, require the Brain-Computer Interface (BCI) to control the movement. The BCI based movement controlling in a bionic device utilises the EEG signal directly, but the EEG signal classification has to design before it implemented in a BCI device. This study aims to design a classification system for hands and feet movements based on beta channel EEG signals. The system design used the Common Spatial Pattern (CSP) method for feature extraction and stochastic gradient descent in Multilayer Perceptron Backpropagation (MLP-BP) for the hands and feet movement classification. We use the EEG signal from ten subjects to evaluate the design. Also, the variation number of node in MLP-BP to get the system performance based on the confusion matrix. Based on the test results, the improvement of the number of nodes brought the accuracy increasing, especially for variation two, four and eight nodes. The highest mean of system design accuracy reached 94.38% for eight nodes.Teknologi brain computer interface (BCI) dibutuhkan untuk mekanisme pengaturan gerak dari alat bantu bionik sistem appendicular, khususnya tangan dan kaki. Pengendali pergerakan devais bionik berbasis BCI dapat menggunakan sinyal EEG, namun sistem pengelompokan sinyal EEG untuk pergerakan tangan dan kaki dibutuhkan sebagai tahapan awal pengimplementasian tersebut. Penelitian ini bertujuan untuk merancang sebuah sistem klasifikasi pergerakan tangan dan kaki berdasarkan sinyal EEG gelombang beta. Rancangan sistem menggunakan metode Common Spatial Patterns (CSP) pada tahap ekstrasi fitur dan stochastic gradient descent dalam Multilayer Perceptron Backpropagation (MLP-BP) untukmengklasifikasi pergerakan tangan dan kaki. Pengujian sistem menggunakan confusion matrix terhadap sepuluh subjek dan variasi jumlah node MLP-BP. Berdasarkan hasil pengujian, nilai rata-rata akurasi sistem dengan jumlah node dua, empat dan delapan meningkat sebanding dengan peningkatan jumlah node, namun nilai rata-rata akurasi menurun kembali saat jumlah node ditingkatkan menjadi enam belas. Rata-rata akurasi rancangan sistem yang tertinggi mencapai 94,38 % pada sistem dengan delapan node pada hidden layer.
EEG Signal Classification of Motor Imagery Right and Left Hand using Common Spatial Pattern and Multilayer Perceptron Back Propagation Synatria Subekti; Rahmat Widadi; Dodi Zulherman
Jurnal Sisfokom (Sistem Informasi dan Komputer) Vol 11, No 2 (2022): JULI
Publisher : ISB Atma Luhur

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32736/sisfokom.v11i2.1404

Abstract

The number of people with disabilities is increasing, so it requires bionic devices to replace human motor functions. Brain-Computer Interface (BCI) can be a tool for the bionic device to communicate with the brain. Signal brain or Electroencephalogram (EEG) signal need to classify to drive the corresponding bionic device. This research goal is to classify the imagination of the right and left-hand movements based on the EEG signal. The system design in this research consists of EEG channel selection using Finite Impulse Response (FIR) filter, feature extraction using Common Spatial Pattern (CSP), and classification using Multilayer Perceptron Back Propagation (MLP-BP). The data used a secondary dataset from BCI Competition IV (2b) with 9 research subjects. The research scenario is carried out by trying to use several variations in the number of hidden layer nodes on each EEG channel. Based on the test, the best accuracy for MLP-BP is 68.7% using 24 nodes in the alpha channel.
KLASIFIKASI SINYAL PHONOCARDIOGRAM MENGGUNAKAN METODE SHORTTIME FOURIER TRANSFORM DAN SUPPORT VECTOR MACHINE Faqih Amatya Hendrayan; Dodi Zulherman; Rahmat Widadi
Simetris: Jurnal Teknik Mesin, Elektro dan Ilmu Komputer Vol 13, No 2 (2022): JURNAL SIMETRIS VOLUME 13 NO 2 TAHUN 2022
Publisher : Universitas Muria Kudus

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24176/simet.v13i2.6595

Abstract

Penggunaan phonocardiogram (PCG) dalam mengekstraksi informasi-informasi secara elektronik membutuhkan analisis sinyal yang kompleks. Namun, PCG memiliki keunggulan bersifat non invasif dan hemat dibandingkan dengan electrocardiogram (EKG). Tujuan penelitian ini mengembangkan sebuah perangkat klasifikasi untuk alat bantu diagnosis berdasarkan metode shorttime fourier transform (STFT) untuk ekstraksi fitur dan support vector machine (SVM) untuk klasifikasi. Kinerja sistem yang telah dirancang menggunakan dataset sekunder, dengan jumlah 2.141 sinyal PCG yang terdiri dari 1958 normal dan 183 abnormal. Pengujian kinerja menggunakan beberapa variasi rancangan, yaitu Hamming, Hanning, dan Blackman window pada STFT dan variasi kernel serta nilai C parameter pada SVM. Berdasarkan hasil pengujian variasi jenis window pada STFT, membuktikan bahwa nilai terbaik didapatkan oleh Hamming window dengan nilai sensitifitas 62.24%, spesitifitas 89.47%, area under ROC curve (AUC) 0.75, serta akurasi sebesar 65.62%. Hasil dari variasi C parameter sebesar 1000 pada proses klasifikasi mendapatkan hasil evaluasi kinerja terbaik pada masing-masing kernel, nilai AUC pada kernel linear sebesar 0.73, 0.78 pada kernel polynomial, dan 0.83 pada kernel radial basis function (RBF). Penelitian ini membuktikan bahwa penggunaan Hamming window pada ekstraksi fitur dan nilai C parameter 1000, serta variasi kernel RBF pada klasifikasi sebagai bentuk model terbaik sistem PCG berbasis STFT dan SVM.
Klasifikasi Tingkat Kesegaran Ikan Nila Menggunakan K-Nearest Neighbor Berdasarkan Fitur Statistis Piksel Citra Mata Ikan Rahmat Widadi; Bongga Arifwidodo; Kholidiyah Masykuroh; Ariyatno Saputra
JURNAL MEDIA INFORMATIKA BUDIDARMA Vol 7, No 1 (2023): Januari 2023
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/mib.v7i1.5196

Abstract

Healthy tilapia will experience a decrease in quality when stored out of water even with the refrigerator. The decline in fish quality can be seen from the fish's eye. In this study the aim was to develop a tilapia freshness classification system based on fisheye images utilizing image processing and machine learning. Fisheye images were taken at intervals of 0 to 16 hours after being removed from the water. Ten tilapias were used in this study. The distance between the camera and the fish has also been changed with a variation of 4 distances. The total data obtained is 640 fisheye images. The method used in fisheye image classification consists of two stages, namely feature extraction and classification. The four types of statistical features used from image pixel values are the mean, standard deviation, skewness, and kurtosis. While at the classification stage using K-Nearest Neighbor. The scenario that has been determined is then used at the system implementation stage using the Python Programming Language. Testing and analysis using k-fold cross validation and confusion matrix. In the results of the study, the accuracy rate was obtained with an average of 100% using 2 classes, namely 0-2 hours and 2-4 hours. The accuracy rate using 4 classes was obtained with an average of 75%, namely classes 0-2 hours, 2-4 hours, 10-12 hours, and 14-16 hours, and when using all classes, an average accuracy rate of 45% is obtained.
Klasifikasi Sinyal Phonocardiogram Menggunakan Short Time Fourier Transform dan Convolutional Neural Network Muhammad Alwi Adnan Amal; Dodi Zulherman; Rahmat Widadi
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 2: April 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.20231015424

Abstract

Berdasarkan laporan American Heart Association, penyakit kardiovaskular menjadi penyebab kematian global tertinggi. Phonocardiogram (PCG) dan electrocardiogram (ECG) biasanya digunakan untuk mendeteksi penyakit jantung. Penggunaan sinyal PCG memberikan hasil prediksi yang lebih baik pada deteksi penyakit jantung bila dibandingkan dengan ECG. Tetapi, penggunaan PCG secara elektronik membutuhkan analisis sinyal yang kompleks untuk mengklasifikasikan kondisi jantung. Penelitian ini bertujuan merancang suatu sistem klasifikasi sinyal PCG berdasarkan metode ekstraksi fitur menggunakan Short Time Fourier Transform (STFT) dan metode klasifikasi menggunakan Convolutional Neural Network (CNN). Pengujian rancangan sistem menggunakan dataset sekunder dengan 2.575 rekaman PCG normal dan 665 rekaman PCG abnormal dalam format wav. Pengujian kinerja menggunakan variasi Hamming, Hann dan Blackman-Harris Window pada bagian ektraksi fitur dan variasi jumlah layer konvolusi pada bagian klasifikasi. Berdasarkan hasil pengujian, penggunaan hamming window pada proses ekstraksi fitur dan 4 layer konvolusi pada proses klasifikasi memberikan hasil terbaik dengan tingkat akurasi 88,11%. Penelitian ini membuktikan bahwa penggunaan hamming window pada bagian ekstraksi fitur dan 4 layer konvolusi pada bagian klasifikasi sebagai bentuk model terbaik sistem klasifikasi PCG berdasarkan STFT dan CNN. AbstractAccording to a report by the American Heart Association, cardiovascular disease is the leading global cause of death. Phonocardiogram (PCG) and electrocardiogram (ECG) are commonly used to detect heart disease. The use of PCG signals provides better predictive results in the detection of heart disease when compared to ECG. However, the use of PCG electronically requires complex signal analysis to classify heart conditions. This study aims to design a PCG signal classification system based on the extraction method using the Short Time Fourier Transform (STFT) and the classification method using the Convolutional Neural Network (CNN). The system design test used a secondary dataset with 2,575 normal PCG records and 665 abnormal PCG records in wav format. Performance testing uses variations of Hamming, Hann and Blackman-Harris Window in the feature extraction section and variations in the number of convolution layers in the classification section. Based on the test results, the use of a hamming window in the feature extraction process and 4 convolution layers in the classification process gives the best results with an accuracy rate of 88.11%. This study proves that the use of a hamming window in the feature extraction section and 4 convolution layers in the classification section is the best form of the PCG classification system based on STFT and CNN.
Telemonitoring Denyut Jantung Dan Suhu Tubuh Terintegrasi Android Smartphone Berbasis Internet of Things (IoT) Rahmat Widadi
Electrician : Jurnal Rekayasa dan Teknologi Elektro Vol. 16 No. 1 (2022)
Publisher : Department of Electrical Engineering, Faculty of Engineering, Universitas Lampung

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

Abstract

Denyut jantung dan suhu tubuh merupakan parameter kesehatan yang sering digunakan pada manusia. Jumlah kasus kematian akibat penyakit jantung meningkat selama masa pandemi, kurangnya infrastruktur dan layanan telemedika juga menjadi faktor. Penelitian ini bertujuan untuk merancang sistem monitoring terintegrasi smartphone dengan prinsip health from home. Sistem memantau denyut jantung menggunakan pulse heart rate sensor dan suhu tubuh menggunakan DS18B20 temperature sensor. Hasil penelitian didapatkan sistem dapat digunakan sebagai telemonitoring kesehatan dengan nilai akurasi pembacaan denyut jantung pulse heart rate sensor sebesar 98.57 persen dan pembacaan suhu tubuh DS18B20 temperature sensor sebesar 98.55 persen. Hasil pengukuran QoS sistem diperoleh nilai throughput 9.93 Kbit/s, delay 0.25 s, dan packet loss 0 persen.
Rice Classification with K-Nearest Neighbor based on Color Feature Extraction and Invariant Moment Santika Tri Hapsari S; Rahmat Widadi; Indah Permatasari
Sistemasi: Jurnal Sistem Informasi Vol 12, No 3 (2023): Sistemasi: Jurnal Sistem Informasi
Publisher : Program Studi Sistem Informasi Fakultas Teknik dan Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32520/stmsi.v12i3.2683

Abstract

Rice is the staple food of Indonesians which comes from rice plants. Rice plants often experience crop failure due to disease. Of course this will affect the yield. Therefore, in this era of technological advances, digital images can be used to help farmers classify rice leaf diseases so they can be controlled. One of the classifications uses K-Nearest Neighbor (KNN) which is sourced from learning data information with the closest distance. Research requires color feature extraction and invariant moment methods in order to obtain information on the distinguishing characteristics of an object from other objects. Data comes from the UCI Machine Learning Repository totaling 120 images which are divided into 3 types of bacterial disease leaf blight, brown spot, and leaf smut with each class having 40 images. The color features used by HSV are Hue, Saturation, and Value. Meanwhile, the invariant moment uses the seven features H1 to H7 introduced by Hu. Feature selection is carried out after the feature extraction process to get the highest accuracy value. In addition, variations in the number of neighbors (k) in KNN are also varied from k=1 to k=10. The best accuracy results are obtained from the use of features, namely hue, saturation, value, h2, h3, and h7 and the value of the number of neighbors in KNN k=1 with an accuracy 81.66%.
Co-Authors Anang Prasetyo Arifwidodo, Bongga Ariyatno Saputra Bongga Arif Widodo Dodi Zulherman Dodi Zulherman Dodi Zulherman Dodi Zulherman Dodi Zulherman Faqih Amatya Hendrayan I Wayan Adiyasa Indah Permatasari Indriyanto, Slamet Kholidiyah Masykuroh Luhur Pamukti Muhammad Alwi Adnan Amal Santika Tri Hapsari S Synatria Subekti