Article Per Year (5 Year)
p-Index From 2018 - 2023
0.23
P-Index
This Author published in this journals
All Journal Jurnal Telematika
Ken Ratri Retno Wardani
Institut Teknologi Harapan Bangsa
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Industrial & Manufacturing Engineering

Published : 4 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search
Journal : Jurnal Telematika

 1 
Penerapan Metode Single-Layer Feed-Forward Neural Network Menggunakan Kernal Gabor untuk Pengenalan Ekspresi Wajah Johanes Cristanto; Ken Ratri Retno wardani
Jurnal Telematika Vol 12, No 1 (2017)
Publisher : Institut Teknologi Harapan Bangsa

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

Abstract

Expression is a common thing shown by humans to respond to an event. The face is one of the mediums that humans use to show their expressions. Facial expression consists of 7 are happy, sad, angry, scared, disgusted, shocked, and neutral. Humans can easily recognize expressions issued by a person and use them to be able to determine what reaction should be done to that person. It can be utilized by computers in order to interact more naturally with humans or can be utilized in the medical field to help the treatment of patients. In this study the method used to recognize facial expressions is Gabor as a method to extract features, Adaboost is used to select features, and neural networks are a method to classify facial expressions. For testing use the manually selected JAFFE dataset to remove imagery that has an expression that is less suited to the label. Using this method the introduction of facial expressions managed to get an accuracy of 52%. The results show that the Gabor function has a greater influence on the accuracy of AdaBoost than the parameter changes θ (theta) and σ (sigma).Ekspresi merupakan hal yang biasa ditunjukkan oleh manusia untuk merespons suatu kejadian. Wajah adalah salah satu media yang digunakan manusia untuk menunjukkan ekspresinya. Ekspresi wajah terdiri atas 7 yaitu senang, sedih, marah, takut, jijik, terkejut, dan netral. Manusia dapat dengan mudah mengenali ekspresi yang dikeluarkan oleh seseorang dan menggunakan untuk dapat menentukan apa reaksi yang harus dilakukan pada orang tersebut sesuai dengan ekspresi yang dikeluarkan. Hal tersebut dapat di manfaatkan oleh komputer untuk dapat berinteraksi lebih natural dengan manusia, selain itu dapat dimanfaatkan dalam bidang medis untuk membantu pengobatan pasien. Dalam penelitian ini metode yang digunakan agar dapat mengenali ekspresi wajah manusia adalah Gabor sebagai metode untuk mengekstraksi fitur, Adaboost digunakan untuk  menyeleksi fitur, dan neural network merupakan metode untuk mengklasifikasi ekspresi wajah. Untuk pengujian menggunakan dataset JAFFE yang sudah diseleksi secara manual untuk menghilangkan citra yang memiliki ekspresi yang kurang sesuai dengan label. Menggunakan metode – metode tersebut pengenalan ekspresi wajah berhasil mendapatkan akurasi sebesar 52%.  Hasil dari penelitian menunjukan bahwa fungsi Gabor lebih berpengaruh terhadap akurasi AdaBoost dibandingkan dengan mengubah parameter θ (theta) dan σ (sigma).
Perbandingan Penyelesaian Persamaan Diferensial Biasa Menggunakan Metode Backpropagation, Euler, Heun, dan Runge-Kutta Orde 4 Jayme Yeremia Wijaya; The Houw Liong; Ken Ratri Retno Wardani
Jurnal Telematika Vol 11, No 1 (2016)
Publisher : Institut Teknologi Harapan Bangsa

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

Abstract

Persamaan diferensial banyak digunakan sebagai model matematika atau dalam bidang sains lainnya. Dalam persamaan tersebut dibutuhkan tingkat akurasi yang sangat tinggi sehingga diciptakan beberapa metode untuk menyelesaikan persamaan diferensial itu. Salah satu metode yang digunakan adalah Metode Numerik dan Metode Artificial Neural Network (ANN). Ada 4 metode yang terlibat dalam penelitian ini, yaitu Metode Euler, Heun, Runge-Kutta Orde 4 yang termasuk pada metode Numerik, dan Backpropagation Neural Network (BPNN) yang termasuk dalam Metode ANN. Penelitian ini untuk membuktikan bahwa dalam menyelesaikan persamaan diferensial penggunaan Metode BPNN lebih baik daripada Metode Numerik. Hal ini dibuktikan dengan hasil Euclidean Distance dari BPNN lebih baik dibandingkan metode yang lain. Hasil penyelesaian akan terlihat lebih jelas ketika persamaan diferensial tersebut mengandung unsur chaos. Jika dilihat dari grafik penyelesaiannya, BPNN memiliki grafik yang mirip dengan grafik dari solusi sejatinya. Berbeda dengan penyelesaian yang menggunakan Metode Numerik, hasil grafik garis yang diperoleh tidak memiliki kemiripan dengan solusi sejatinya. Differential equation are widely used as a model in the mathematics model or other science. In this equation takes a very high level of accuracy that was created several methods to solve the differential equations. One of the method used is Numerical Method and Artificial Neural Network (ANN). There are four methods involved in this study, Euler Method, Heun, and Runge-Kutta Order 4 are included in Numerical Methods, and Backpropagation Neural Network (BPNN) which included in ANN Method. This research is to prove that in solving differential equations using BPNN Method is better than Numerical Method. This is evidenced by the result of Euclidean Distance from BPNN is better than other methods. The result of the solving will be seen more clearly when the differential equation contains elements of chaos. If seen from the graph, BPNN have a graph similar to the graph of the Analitic Solution. Contrast to the solving using Numerical Methods, the line graph has no resemblance to the Analitic Solution.
Metode Convex Hull dan Convexity Defects untuk Pengenalan Isyarat Tangan Nina Yuliana; Ken Ratri Retno Wardani
Jurnal Telematika Vol 11, No 2 (2016)
Publisher : Institut Teknologi Harapan Bangsa

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

Abstract

Teknik Interaksi Manusia dan Komputer (IMK) mengalami perkembangan pesat. Dibuktikan dengan banyak teknik baru dengan antarmuka yang alami dan mudah digunakan tanpa peralatan eksternal yang khusus. Pada penelitian ini diterapkan pengenalan isyarat tangan pada IMK agar dapat berinteraksi dengan komputer tanpa dibatasi oleh penggunaan tetikus. Isyarat tangan yang akan dikenali terdiri atas 8 isyarat yang merupakan kombinasi dari ibu jari, jari telunjuk, dan jari kelingking karena mewakili operasi dasar yang sering digunakan pada tetikus. Setiap jari dalam posisi direntangkan dan tidak berhimpitan. Tangan yang digunakan pada penelitian ini adalah tangan kiri. Background model dan sampel warna kulit diperlukan sebagai masukan. Pengolahan citra digunakan untuk mendapatkan segmentasi tangan dengan menggunakan algoritma Freeman Chain Code. Hasilnya digunakan pada proses ekstraksi fitur. Proses ekstraksi fitur terdiri atas algoritma: Convex Hull untuk mencari titik Hull sebagai ujung jari, Convexity Defects mencari titik defects sebagai deskripsi jari, dan Maximum Inscribed Circle (MIC) untuk deteksi titik pusat telapak tangan. Hasil penelitian berhasil mengenali isyarat tangan dengan nilai akurasi lebih dari 90% dengan kondisi pencahayaan kurang dan cukup. Techniques of Human-Computer Interaction (HCI) growing rapidly. Many new techniques with a natural interface and easy to use without any special external equipment. In this research apply to the HCI hand gesture recognition to interact with  the computer without being limited by mouse. Hand gesture to be recognized consists of 8 cues, the combination of the thumb, forefinger and little finger to represent the basic operations of a mouse. Each finger in a stretched position, do not coincide, and the hands are used in this study are left hand. Background models and samples of skin color is required as input. Image processing is used to obtain the hand segmentation using Freeman chain code algorithms and the results will be used in the process of feature extraction.  The feature extraction process consists of  algorithms Convex hull to find points as fingertips, convexity defects  lookout point defects as a description of the fingers, and palms central point detection using maximum Inscribed circle (MIC). The results showed that the method of Convex Hull and Convexity Defects managed to recognize hand signals with an accuracy value of more than 90% with sufficient and less lighting conditions.
Penerapan Metode Learning Vector Quantization untuk Mendiagnosa Penyakit Gangguan pada Lambung Edwin Edwin; Ken Ratri Retno Wardani
Jurnal Telematika Vol 13, No 2 (2018)
Publisher : Institut Teknologi Harapan Bangsa

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

Abstract

Iridology can prove that iris keeps information one’s health. Along with the development of technology, image processing can diagnose diseases based on iridology to detect with classification of iris image data. Disease to be studied in this research is a gastric disorder located in zone 1 according to iridology. Image processing through several preprocessing stages such as Grayscale, Gaussian Filtering, Canny edge detection, and also eye iris detection by algorithm Hough Transformation Circle. Image processing can also extract features with the help of masking. Masking is the process by which the system only focuses on the area to be detected ie the iris of the eye of the zone 1. The result of the process masking becomes input on the method of Learning Vector Quantization (LVQ) to update the value of weights at the time of learning and will be reused at the time of testing. Based on that test done, the accuracy of gastric disease detection is 0.714286 %.Ilmu iridologi dapat membuktikan bahwa iris mata menyimpan informasi kesehatan seseorang. Seiring dengan perkembangan teknologi, pengolahan citra dapat mendiagnosis penyakit berdasarkan iridologi untuk mendeteksi dengan klasifikasi data citra iris mata. Penyakit yang akan diteliti pada penelitian kali ini adalah gangguan lambung yang terletak pada zona 1 menurut ilmu iridologi. Pengolahan citra melalui beberapa tahap preprocessing seperti Grayscale, Gaussian Filtering, deteksi tepi Canny, dan deteksi iris mata dengan algoritme Hough Transformation Circle. Pengolahan citra juga dapat mengekstrasi fitur dengan bantuan masking. Masking adalah proses dimana sistem hanya berfokus pada daerah yang akan dideteksi yaitu iris mata bangian zona 1. Hasil proses masking menjadi masukan pada metode Learning Vector Quantization (LVQ) untuk melakukan pembaharuan terhadap nilai bobot pada saat pembelajaran dan akan digunakan kembali pada saat pengujian. Berdasarkan pengujian yang dilakukan, akurasi deteksi penyakit gangguan lambung mencapai 0.714286 %.
Co-Authors Edwin Edwin Jayme Yeremia Wijaya Johanes Cristanto Nina Yuliana The Houw Liong