Article Per Year (5 Year)
p-Index From 2019 - 2024
0.444
P-Index
This Author published in this journals
All Journal JOURNAL OF APPLIED INFORMATICS AND COMPUTING Jurnal Teknologi Informasi Cyberku
Fathorazi Nur Fajri
Unknown Affiliation
Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Library & Information Science

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
PENGENALAN VARIETAS MANGGA BERDASARKAN BENTUK DAN TEKSTUR DAUN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Fathorazi Nur Fajri; Purwanto Purwanto; Ricardus Anggi Pramunendar
Jurnal Teknologi Informasi - Cyberku (JTIC) Vol 13 No 2 (2017): Jurnal Teknologi Informasi CyberKU Vol. 13, no 2
Publisher : Program Pascasarjana Magister Teknik Informatika, Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (550.62 KB)

Abstract

Pada saat ini mangga Indonesia sangat diminati oleh orang asing terlebih untuk mangga kualitas unggul seperti mangga manalagi dan gadung. Akan tetapi tak jarang masyarakat tidak mengerti atau keliru mengenali varietas mangga yang mereka tanam. Selama ini identifikasi atau pengenalan varietas mangga dilakukan dengan menggunakan mata. Hal ini pun dibutuh keahlian atau pakar dalam membedakan varietas mangga tersebut. Akan tetapi orang yang ahli mempunyai keterbatasan, tidak semua varietas mangga dapat dikenali atau diidentifikasi. Terdapat beberapa usulan model yang telah dilakukan untuk mengindentifikasi mangga dengan citra digital akan tetapi akurasi yang dihasilkan masih kurang yaitu di bawah 80 %. Selain itu masing masing peneliti hanya menggunakan satu fitur citra yaitu fitur tekstur. Penelitian ini mengunakan dataset sebanyak 300 citra daun mangga, 150 citra daun mangga varietas manalagi dan 150 citra daun gadung. Metode yang digunakan pada penelitian ini yaitu Backpropagation Neural Network (BPNN) dengan menggunakan fitur bentuk dan tekstur daun mangga. Model BPNN yang paling optimal pada penelitian ini yaitu menggunakan hidden layer = 19, learning rate = 0.9, momentum = 0.9 dan epoch = 100 dengan hasil root mean squar error (RMSE) = 0.0018. Kemudian hasil dari pengujian menggunakan citra daun mangga menghasilkan tingkat akurasi 96 %.
Deteksi Tangan Otomatis Pada Video Percakapan Bahasa Isyarat Indonesia Menggunakan Metode YOLO Dan CNN Indah Inayatul Arifah; Fathorazi Nur Fajri; Gulpi Qorik Oktagalu Pratamasunu
Journal of Applied Informatics and Computing Vol 6 No 2 (2022): December 2022
Publisher : Politeknik Negeri Batam

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30871/jaic.v6i2.4694

Abstract

Bahasa merupakan alat atau wahana untuk menyampaikan antar manusia satu dengan yang lainnya. Bagaimanapun, tidak setiap orang dapat menggunakan bahasa verbal dengan sempurna. Seperti orang yang tuli dan bisu, mereka tidak bisa menyampaikan apa yang ingin di sampaikan dengan baik. Tuli atau tunarungu adalah kekurangan kemampuan mendengar dari satu atau dua telinga. Dalam berkomunikasi tunarungu cenderung menggunakan bahasa isyarat. Salah satu bahasa isyarat yang sering digunakan ialah berupa angka, satu, dua, tiga, empat, dan lima. Dalam penelitian ini di gunakan metode You Only Look Once (YOLO) dan Convolutional Neural Network (CNN) untuk membantu sistem agar bisa membaca setiap gerakan yang dilakukan oleh tangan dan menghasilkan output berupa teks seperti tangan berisyarat satu bertuliskan satu atau tangan berisyarat dua bertuliskan dua dan seterusnya. Adapun tahapan yang dilakukan pada penelitian ini yaitu pengumpulan data , pengolahan gambar atau proses pre-processing data dalam pengimplementasian YOLO dan CNN. Setelah itu dilakukan uji coba dengan menggunakan Gambar dan video dari data BISINDO. Untuk hasil uji coba yang telah dilakukan menghasilkan akurasi sebesar 89 %.
Co-Authors Gulpi Qorik Oktagalu Pratamasunu Indah Inayatul Arifah Purwanto Purwanto Ricardus Anggi Pramunendar