Garuda - Garba Rujukan Digital

p-Index From 2019 - 2024

9.663

P-Index

This Author published in this journals

All Journal Jurnal Teknologi Informasi dan Ilmu Komputer Jurnal POINTER Sinkron : Jurnal dan Penelitian Teknik Informatika Journal of Information Technology and Computer Science Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Jurnal Informatika dan Multimedia JAST : Jurnal Aplikasi Sains dan Teknologi Jurnal Sistem Informasi, Teknologi Informasi, dan Edukasi Sistem Informasi (JUST-SI) Jurnal Informatika dan Multimedia Enrichment: Journal of Multidisciplinary Research and Development

Dian Eka Ratnawati

Brawijaya University, Malang

Author-ID : 440613

Humanities Computer Science & IT Control & Systems Engineering Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Environmental Science Health Professions Social Sciences Other

Published : 132 Documents Claim Missing Document

Claim Missing Document

Articles

1 2 3 4 5

Pengembangan Metode Klasifikasi Berdasarkan K-Means Dan LVQ Eka Ratnawati, Dian; ., Marji; Muflikhah, Lailil
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 1, No 1 (2014)
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (646.659 KB)

AbstrakPada penelitian ini dikembangkan metode klasifikasi berdasarkan pengelompokan K-Means dan LVQ. Metode-metode klasifikasi yang telah ada jika ada data dengan frekuensi kecil cenderung tidak digunakan dalam pengujian kelas, padahal dimungkinkan data tersebut sangat bermanfaat. Langkah untuk melakukan pengelompokan adalah: melakukan pengelompokkan dengan K-Means. Pengelompokan terus dilakukan sampai mencapai threshold (batasan tertentu). Jika threshold sudah dicapai dan pada satu cluster masih terdapat kelas yang berbeda maka dilakukan pembelajaran dengan menggunakan LVQ. Akurasi gabungan K-Means dan LVQ lebih baik daripada dengan K-Means murni. UntukÂ akurasi rata-rata tertinggi K-Means dan LVQ didapatkan 92%, sedang untuk K-Means murni 82%.Kata kunci: klasifikasi, pengelompokan, K-Means, LVQAbstractThis research will develop methods of classification based on K-Means clustering. Grouping method used is a combination of K-Means and LVQ. Classification methods that have been there if there is a small frequency data tend to be used in the test class, but it is possible they are very useful. Steps to perform grouping is doing the K-Means clustering. Grouping is continues until it reaches the threshold. If the threshold has been reached and there are cluster of different classes then performed using LVQ learning. Accuracy combined K-Means and LVQ is better than with pure K-Means. For the highest average accuracy of K-Means and LVQ gained 92%, while for the K-Means only 82%.Keywords: classification, grouping, K-Means, LVQ

Klustering Dengan K-Means Berbasis LVQ Dan K-Means Berbasis OWA Ratnawati, Dian Eka; ., Indriati
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 2, No 1 (2015)
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (873.466 KB)

Abstrak Pada penelitian ini dilakukan pembandingan hasil klustering pada data car evaluation dengan menggunakan K-Means berbasis LVQ (Learning Vector Quantization) dan K-Means berbasis OWA (Ordered Weighted Averaging). Pada kedua metode ini sama-sama mempergunakan K-Means tetapi yang sudah mengalami modifikasi. Hasil dari penelitian sebelumnya secara terpisah yang membandingkan metode K-Means modifikasi tersebut dengan K-Means konvensional menunjukkan bahwa kedua metode modifikasi tersebut sama-sama lebih baik daripada K-Means konvensional. Tetapi belum pernah ada penelitian yang membandingkan akurasi hasil klustering kedua metode modifikasi tersebut. Sehingga pada penelitian ini dilakukan klustering dengan menggunakan kedua metode tersebut untuk data car evaluation, karena dari penelitian sebelumnya kedua metode tersebut cukup handal dalam melakukan klustering.Â Hasil dari ujicoba menunjukkan rata-rata hasil akurasi dimulai yang tertinggi adalah K-Means berbasis LVQ(86.50%), K-Means berbasis OWA(86,16%) kemudian K-Means konvensional (56,50%). Tetapi dengan urutan atribut yang benar dan pemilihan nilai alpha yang tepat yakni 0.8, K-Means berbasis OWA bisa menghasilkan akurasi yang lebih tinggi yakni 93.33%. Â Kata kunci: K-Means berbasis LVQ, K-Means, K-Means berbasis OWA, bobot Abstract In this paper do a comparison with the results of klustering using K-Means based LVQ (Learning Vector Quantization) and K-Means based OWA (Ordered Weighted Averaging). In both of these methods used K-Means but which has been modified. Results from previous studies have shown that both methods are better than conventional K-Means. But there has never been a study comparing the accuracy of klustering results of the two methods. So in this study conducted klustering using both methods for data car evaluation, because of previous studies both methods are reliable enough to perform klustering In the researchs before it, both method are prefer than conventionalK-Means, but there are no researchs which compare them. So, in the research , we will compare it by using same data that isÂ car evaluation. In order to know what it is method is the best. The result of research are that in the average , K-Means LVQ(86.50%) is more accuracy than K-Means â OWA(86,16%) and conventional K-Means(56,50). But if the order of selection attributes and alpha values is correct ââ, K Means based OWA can generate higher accuracy that is 93.33 % using the alpha value of 0.8 Keywords: K-Means based LVQ, K-Means, K-Means based OWA, weight

Diagnosa Penyakit dengan Gejala Demam Menggunakan Learning Vector Quantization (LVQ) Marji, Marji; Ratnawati, Dian Eka
Jurnal Informatika dan Multimedia Vol 9 No 2 (2017): Jurnal Volume 9, No.2 (2017)
Publisher : Teknik Informatika Politeknik Kediri

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

Terdapat beberapa penyakit dengan gejala demam yang sulit untuk dibedakan yaitu Demam tifoid (tifus), Demam berdarah dengue (DBD), dan Malaria. Kesulitan dalam mendeteksi lebih awal ketiga penyakit ini karena memiliki gejala klinis yang hampir sama. Pada penelitian ini menggunakan metode Learning Vector Quantization (LVQ)  dalam melakukan klasifikasi terhadap ketiga penyakit tersebut. Hal ini karena kehandalan metode ini dalam melakukan klasifikasi. Hasil dari ujicoba terhadap data pada suatu rumah sakit menunjukkan bahwa metode ini mampu melakukan prediksi terhadap penyakit dengan gejala demam ingga mencapai akurasi 100%.

Sistem Rekomendasi Pemilihan Sekolah Menengah Atas (SMA) Sederajat Kota Malang Menggunakan Metode AHP-ELECTRE Dan SAW Suherni Prahesti; Dian Eka Ratnawati; Heru Nurwasito
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 4, No 1: Maret 2017
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

AbstrakPendidikan merupakan aspek yang penting bagi masyarakat. Salah satu jenjang pendidikan formal adalah pendidikan menengah yaitu Sekolah Menengah Atas (SMA). Sekolah adalah lembaga yang memberikan pengajaran untuk siswa dibawah pengawasan guru. Setiap tahun ajaran baru, siswa akan memilih sekolah terbaik yang sesuai dengan keinginannya. Terdapat banyak pilihan sekolah dengan berbagai tawaran yang diberikan. Dengan begitu, calon siswa akan mengalami kesulitan dalam menentukan sekolah yang sesuai dengan kriteria yang diinginkan. Penelitian ini bertujuan untuk memberikan rekomendasi sekolah berdasarkan kriteria yang diinginkan oleh calon siswa dengan menerapkan metode AHP-ELECTRE dan SAW ke dalam sistem. Metode AHP digunakan dalam pembobotan dari setiap kriteria, metode ELECTRE melakukan klasifikasi alternatif yang masuk ke dalam kelompok direkomendasikan, dan SAW melakukan perankingan alternatif. Untuk pengujian, hasil pengujian akurasi sistem adalah sebesar 82,98%. Hasil akurasi didapatkan dengan membandingkan hasil rekomendasi sistem dengan data yang telah didapatkan.Kata Kunci: Pendidikan, SMA, AHP, ELECTRE, SAWAbstractEducation is the important aspect for society. One of the education formal stages is, Senior High School. School is the institution which gives a preaching for students in teacher’s control. In every new school year, students will choose the best school that they want. There is a lot of choices of school with various offer is given. So, the student candidate will have a trouble in deciding school which is fit in with the criteria that they want. This research is purpose to gives a recommendation for school based on criteria that student wants with applying AHP-ELECTRE and SAW method into a system. AHP method is used for weighting every criteria, ELECTRE method did an alternative classification into the group recommended, and SAW method did a ranking of alternatives. For testing, the results of accuracy test on system is 82,98%. The accuracy of the results obtained by comparing the recommendations data on the system with the data that has been obtained.Keywords: Education, Senior High School, AHP, ELECTRE, SAW

Optimasi Komposisi Makanan Untuk Atlet Endurance Menggunakan Metode Particle Swarm Optimization Zikfikri Yulfiandi Rachmad; Dian Eka Ratnawati; Achmad Arwan
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 3, No 2: Juni 2016
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

AbstrakOlahraga adalah aktivitas yang tidak terpisahkan dari kehidupan sehari-hari sebagian besar masyarakat karena dapat menjaga kesehatan tubuh. Salah satu jenis dari olahraga adalah olahraga Endurance (ketahanan). Olahraga ini di tiap tahunnya mengalami peningkatan jumlah atlet yang berpartisipasi. Saat perlombaan atau turnamen olahraga, selain latihan yang rutin, komposisi makanan yang tepat adalah salah satu faktor yang menunjang performa atlet agar menjadi lebih baik. Pada penelitian ini menggunakan metode PSO (Particle Swarm Optimization) untuk menentukan kombinasi bahan makanan untuk memenuhi kebutuhan gizi atlet olahraga endurance dalam sehari. Total bahan makanan yang digunakan sebanyak 125 bahan dan tiap makanan memiliki kandungan gizi berupa protein, lemak, dan karbohidrat. Untuk setiap partikel dalam metode PSO mengandung 14 bahan makanan dengan direpresentasikan nomor bahan makanan dari tabel database bahan makanan. Dari hasil pengujian parameter metode PSO pada penelitian ini diperoleh ukuran populasi terbaik sebesar 200 partikel, jumlah iterasi terbaik sebanyak 80, dan kombinasi nilai C1 dan C2 adalah 1 dan 1. Hasil dari uji coba studi kasus, dapat disimpulkan bahwa sistem dapat memberikan hasil rekomendasi menu makanan yang baik, yaitu yang masih dalam batas tolerasi ±10% selisih kecukupan kebutuhan gizi untuk atlet olahraga Endurance. Kata Kunci: Particle Swarm Optimization, PSO, Komposisi Makanan, Atlet, Olahraga Endurance.AbstractSport is an activity that can’t be separated from daily life because their benefits for health. Endurance sport is one of the sport’s variety. Nowadays, People that interested in Endurance sport are increasing. Thus, when the tournament season or competition are coming, the food compositions for diet are one of factors that had a necessary role for increasing the performance of an athlete in a daily occasion. This research used 125 of foods and each of it contained different proportion of nutritions included protein, fat, and carbohydrate. For each particles in PSO methode contained 14 different food ingredients that will be represented with index based on the database of this research. The giving result of PSO method’s testing that has been conducted are 200 particles for best population, 80 iterations, and the combination for C1 and C2 is 1 and 1. From those result can be concluded that the system of this research able to give a fitting recommendation of food composition, by using the ±10% of tolerance limit of nutrition difference between athlete’s nutrition needs and nutrition recommendation from the system. Keywords: Particle Swarm Optimization, PSO, Food Composition, Athlete, Endurance Sport.

Pengembangan Metode Klasifikasi Berdasarkan K-Means Dan LVQ Dian Eka Ratnawati; Marji .; Lailil Muflikhah
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 1, No 1: April 2014
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

AbstrakPada penelitian ini dikembangkan metode klasifikasi berdasarkan pengelompokan K-Means dan LVQ. Metode-metode klasifikasi yang telah ada jika ada data dengan frekuensi kecil cenderung tidak digunakan dalam pengujian kelas, padahal dimungkinkan data tersebut sangat bermanfaat. Langkah untuk melakukan pengelompokan adalah: melakukan pengelompokkan dengan K-Means. Pengelompokan terus dilakukan sampai mencapai threshold (batasan tertentu). Jika threshold sudah dicapai dan pada satu cluster masih terdapat kelas yang berbeda maka dilakukan pembelajaran dengan menggunakan LVQ. Akurasi gabungan K-Means dan LVQ lebih baik daripada dengan K-Means murni. Untuk akurasi rata-rata tertinggi K-Means dan LVQ didapatkan 92%, sedang untuk K-Means murni 82%.Kata kunci: klasifikasi, pengelompokan, K-Means, LVQAbstractThis research will develop methods of classification based on K-Means clustering. Grouping method used is a combination of K-Means and LVQ. Classification methods that have been there if there is a small frequency data tend to be used in the test class, but it is possible they are very useful. Steps to perform grouping is doing the K-Means clustering. Grouping is continues until it reaches the threshold. If the threshold has been reached and there are cluster of different classes then performed using LVQ learning. Accuracy combined K-Means and LVQ is better than with pure K-Means. For the highest average accuracy of K-Means and LVQ gained 92%, while for the K-Means only 82%.Keywords: classification, grouping, K-Means, LVQ

Identifikasi Jenis Attention Deficit Hyperactivity Disorder (ADHD) Pada Anak Usia Dini Menggunakan Metode Neighbor Weighted K-Nearest Neighbor (NWKNN) Putri Nur Fadila; Indriati .; Dian Eka Ratnawati
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 3, No 3: September 2016
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

AbstrakFase pertumbuhan dan perkembangan merupakan fase terpenting pada manusia, khususnya pada anak usia dini. Pertumbuhan dan perkembangan pada anak mempengaruhi bagaimana seorang anak tersebut ketika mencapai dewasa baik dari segi mental, fisik, maupun kecerdasaannya. Tentunya tidak semua anak mengalami perkembangan yang normal, bisa saja ada yang mengalami gangguan perkembangan. Salah satu gangguan perkembangan yang sering dialami pada anak usia dini adalah ADHD (Attention Deficit Hyperactivity Disorder). Untuk ADHD sendiri terdapat tiga jenis yaitu Inattention, Impulsif, dan Hyperactivity. Pada penelitian ini akan dilakukan identifikasi jenis ADHD berdasarkan gejala yang muncul menggunakan metode klasifikasi Neighbor Weigted K-Nearest Neighbor (NWKNN). Metode NWKNN merupakan metode perkembangan dari metode KNN, yang membedakan adalah pada NWKNN terdapat proses pembobotan terhadap setiap jenis yang akan di klasifikasikan. Pada penelitian ini akan dilakukan identifikasi jenis yang terdiri atas 4 jenis meliputi Inattention, Impulsif, Hyperactivity, dan Tidak ADHD. Hasil dari penelitian ini menunjukkan bahwa metode NWKNN dapat melakukan identifikasi jenis ADHD dengan baik ketika data latih yang digunakan sebanyak 80 data dengan data uji sebanyak 20 data, nilai K=10, dan nilai E=4 dengan hasil akurasinya mencapai 95%. Pada penelitian ini juga membuktikan bahwa metode NWKNN memiliki rata-rata akurasi 2% lebih baik dibandingkan metode KNN dalam melakukan identifikasi jenis ADHDKata Kunci: Perkembangan, Anak Usia Dini, ADHD, dan Metode NWKNNAbstractGrowth and development are the most important fase for human, especially for early age children. Growth and development indeed give an influence on how the child in mentalism, physical and shrewdness aspect when they are getting older. Not every children has a normal development, some of them can have development disruption. One of development disruptions that happen often for early age children is ADHD (Attention Deficit Hyperactivity Disorder). For ADHD, it has three kinds, which are inattention, impulsif and hyperactivity. In this research, the researcher will detect the kind of ADHD based on symptom arise using Neighbor Weigted K-Nearest Neighbor (NWKNN) method. NWKNN method is one of development methods from KNN method, the different is on NWKNN there is integrity process on every kind which being classified. In this research, there will be done some identification kind which consist of 4 kinds, Inattention, Implusif, Hyperactivity and not ADHD. The result of this research shows that NWKNN method able to done the ADHD identification well when data consist of 80 data training, 20 data testing, K score=10, and E score=4 with accuracy result that reach 95%. In this research also prove that NWKNN method have an accuracy of 2% better than KNN method to detect kind of ADHD.Keywords: Development, Early Age Children, ADHD, and NWKNN Method

Klustering Dengan K-Means Berbasis LVQ Dan K-Means Berbasis OWA Dian Eka Ratnawati; Indriati .
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 2, No 1: April 2015
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Abstrak Pada penelitian ini dilakukan pembandingan hasil klustering pada data car evaluation dengan menggunakan K-Means berbasis LVQ (Learning Vector Quantization) dan K-Means berbasis OWA (Ordered Weighted Averaging). Pada kedua metode ini sama-sama mempergunakan K-Means tetapi yang sudah mengalami modifikasi. Hasil dari penelitian sebelumnya secara terpisah yang membandingkan metode K-Means modifikasi tersebut dengan K-Means konvensional menunjukkan bahwa kedua metode modifikasi tersebut sama-sama lebih baik daripada K-Means konvensional. Tetapi belum pernah ada penelitian yang membandingkan akurasi hasil klustering kedua metode modifikasi tersebut. Sehingga pada penelitian ini dilakukan klustering dengan menggunakan kedua metode tersebut untuk data car evaluation, karena dari penelitian sebelumnya kedua metode tersebut cukup handal dalam melakukan klustering. Hasil dari ujicoba menunjukkan rata-rata hasil akurasi dimulai yang tertinggi adalah K-Means berbasis LVQ(86.50%), K-Means berbasis OWA(86,16%) kemudian K-Means konvensional (56,50%). Tetapi dengan urutan atribut yang benar dan pemilihan nilai alpha yang tepat yakni 0.8, K-Means berbasis OWA bisa menghasilkan akurasi yang lebih tinggi yakni 93.33%. Kata kunci: K-Means berbasis LVQ, K-Means, K-Means berbasis OWA, bobot Abstract In this paper do a comparison with the results of klustering using K-Means based LVQ (Learning Vector Quantization) and K-Means based OWA (Ordered Weighted Averaging). In both of these methods used K-Means but which has been modified. Results from previous studies have shown that both methods are better than conventional K-Means. But there has never been a study comparing the accuracy of klustering results of the two methods. So in this study conducted klustering using both methods for data car evaluation, because of previous studies both methods are reliable enough to perform klustering In the researchs before it, both method are prefer than conventionalK-Means, but there are no researchs which compare them. So, in the research , we will compare it by using same data that is car evaluation. In order to know what it is method is the best. The result of research are that in the average , K-Means LVQ(86.50%) is more accuracy than K-Means – OWA(86,16%) and conventional K-Means(56,50). But if the order of selection attributes and alpha values is correct , K Means based OWA can generate higher accuracy that is 93.33 % using the alpha value of 0.8 Keywords: K-Means based LVQ, K-Means, K-Means based OWA, weight

Optimasi Keuntungan Pembangunan Perumahan Berdasarkan Jumlah Rumah Setiap Tipe Menggunakan Particle Swarm Optimization (PSO) Rozaq Akbar; Dian Eka Ratnawati; Sutrisno Sutrisno
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 4, No 1: Maret 2017
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

AbstrakTempat tinggal merupakan kebutuhan setiap individu. Selain hal tersebut, laju pertumbuhan penduduk, serta adanya urbanisasi juga mempengaruhi banyaknya permintaan. Perumahan meupakan salah satu jawaban dalam mengatasi permintaan akan perumahan tersebut. Di Indonesia pembangunan perumahan dijalankan oleh Perumnas atau Perusahaan Umum Pembangunan Perumahan Nasional yang selanjutnya akan diteruskan oleh developer atau pengembang. Developer dalam hal ini melakukan berbagai upaya dalam mencapai keuntungan maksimal. Karena itu, dibutuhkan sistem optimasi dalam menangani masalah ini. Penggunaan Particle Swarm Optimization (PSO) akan sangat membantu dalam hal pencarian optimasi keuntungan. Dilihat dari beberapa kasus yang menggunkakan PSO, hasil yang didapatkan adalah penjadwalan sumber daya proyek yang optimal, penyusunan posisi barang dalam peti kemas yang lebih optimal, dan akurasi yang lebih baik dari fungsi keanggotaan. Sesuai dengan pengujian yang dilakukan dengan menggunakan data dari Permata Garden Regency, didapatkan jumlah keuntungan yang lebih optimal dibandingkan dengan keuntungan yang telah dicapai.Kata kunci: Kentungan, PSO, Perumahan, Tempat Tinggal, Particle Swarm Optimization, Kebutuhan DasarAbstractThe residence is the every individual need. In addition, the population growth rate, as well as the urbanization also affect the number of requests. Housing is one of the answers in addressing the demand for such housing. Housing construction in Indonesia run by Perumnas or Perusahaan Umum Pembangunan Perumahan Nasional which would then be forwarded by the private sector which in this case is the developer. In this case, Developer made various efforts to achieve maximum benefit. Therefore, system optimization needed in addressing this issue. Use of Particle Swarm Optimization (PSO) will be very helpful to the search for benefit optimization. Judging from several cases using PSO, the results obtained are scheduling resources optimum project, preparation of the position of the goods in a container which is more optimal, and better accuracy in a membership function. In accordance with the testing conducted using data from the Permata Garden Regency, found the number of benefits that more optimal than the gains that have been achieved.Keywords: Benefit, PSO, Housing, Shelter, Particle Swarm Optimization, Basic Needs

Teknik Kompresi Citra Menggunakan Dekomposisi Nilai Singulir Berbasis Blok Dewi Yanti Liliana; Dian Eka Ratnawati; Marji -
Jurnal POINTER Vol 2, No 2 (2011): Jurnal Pointer - Ilmu Komputer
Publisher : Ilmu Komputer, Universitas Brawijaya

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

ABSTRAK Kompresi citra merupakan teknik yang sangat penting pada pengolahan citra digital baik untuk penyimpanan maupun untuk transmisi. Citra yang tidak dikompresi memerlukan kapasitas penyimpanan yang besar, sedangkan pengiriman file citra berukuran besar dapat memperlambat laju transmisi data. Penelitian ini mengkompresi citra menggunakan teknik komputasi numerik yaitu dengan mendekomposisi matriks citra menjadi tiga buah matriks; sebuah matriks diagonal dan dua buah matriks ortogonal yang dikenal dengan teknik dekomposisi nilai singulir (DNS). Selanjutnya kompresi akan dilakukan terhadap matriks singulir dari citra dengan cara mereduksi dimensi matriks secara bertahap sampai mencapai nilai rank maksimal. Selain itu citra juga akan dibagi menjadi blok-blok citra dan DNS diterapkan terhadap masing-masing blok dengan tujuan untuk memperbesar rasio kompresi citra. Pengujian kinerja teknik kompresi dilakukan melalui perhitungan rasio kompresi, MSE dan PSNR. Berdasarkan pengujian diperoleh hasil bahwa penggunaan nilai singulir yang semakin sedikit akan menaikkan rasio kompresi. Sedangkan penggunaan blok juga dapat meningkatkan rasio kompresi, namun jumlah blok tidak berpengaruh terhadap hasil kompresi. Kata kunci : kompresi, citra digital, dekomposisi nilai singulir ABSTRACT Image compression is a very important technique in digital image processing either for storage or for transmission. Uncompressed image requires large storage capacity, while the delivery of large image files can slow the rate of data transmission. This research make use of image compression techniques of numerical computation by decomposing the image matrix into three matrices which are a diagonal matrix and two orthogonal matrices technique known as single value decomposition (SVD). Further compression is performed on a singulir matrix by reducing gradually the dimensional of matrix until reaching the maximum rank value. In addition, the image will be divided into blocks of image and SVD is applied to each block in order to enlarge the image compression ratio. Testing the performance of compression techniques is done through calculation of compression ratio, MSE and PSNR. Based on the testing showed that the use of less singular value will raise the compression ratio. While the use of block can also increase the compression ratio, but the number of blocks did not affect the compression results. Keywords : compression, digital image, singular value decomposition

Co-Authors Achmad Arwan Achmad Ridok Afif Ridhwan Afrida Djulya Ika Pratiwi Agus Wahyu Widodo Agustin Kartikasari Ahmad Afif Supianto Aisyah Nurul Izza Aldy Satria Alfa Fadlilah Alvian Akmal Nabhan Ana Mariyam Puspitasari Anak Agung Bagus Arisetiawan Anam, Syaiful Arief Andy Soebroto Arif Pratama Asroru Maula Romadlon Audia Refanda Permatasari Ayulianita A. Boestari Azizul Hanifah Hadi Bayu Rahayudi Bayu Rahayudi Bayu Septyo Adi Bella Krisanda Easterita Bening Herwijayanti Buce Trias Hanggara Buchori Anantya Firdaus Budi Darma Setiawan Cahyo Gusti Indrayanto Candra Dewi Dany Primanita Kartikasari Davia Werdiastu Denny Manuel Yeremia Sinurat Devi Nazhifa Nur Husnina Dewi Yanti Liliana Dhiva Mustikananda Dimas Diandra Audiansyah Dimas Fachrurrozi Azam Dwi Ari Suryaningrum Dwi Febry Indarwati Dwija Wisnu Brata Dyva Pandhu Adwandha Edgar Maulana Thoriq Edy Santoso Elfa Fatimah Ema Agasta Entra Betlin Ladauw Eva Agustina Ompusunggu Faiz Anggiananta Winantoro Fanka Angelina Larasati Fathin Al Ghifari Fatthul Iman Fauzidan Iqbal Ghiffari Figgy Rosaliana Fitri Dwi Astuti Fitria Yesisca Ghani Fikri Baihaqi Gusti Ngurah Wisnu Paramartha Hana Chyntia Morama Haris Haris Harris Imam Fathoni Heru Nurwasito Huda Minhajur Rosyidin I Dewa Gede Ngurah Bramasta Darmawan Ibnu Aqli Ibnu Aqli Ibrahim Kusuma Imam Cholissodin Imam Cholissodin Imam Cholissodin Immanuel Tri Putra Sihaloho Indriati . Indriati ., Indriati Indriati Indriati Ismiarta Aknuranda Issa Arwani Issa Arwani Issa Arwani Isti Marlisa Fitriani Jesika Silviana Situmorang Juan Michel Hesekiel Kelvin Anggatanata Kevin Renjiro Khairi Ubaidah Krishna Febianda Lailil Muflikhah Luqman Rizky Dharmawan M. Ali Fauzi Mahendra Data Mala Nurhidayati Maliha Athiya Rahmani Marchenda Fayza Madjid Marji - Marji . Marji Marji Marji Marji Marji Marji Marji Marji Maulana Syahril Ramadhan Hardiono Michael Eggi Bastian Miftakhul Fitria Nugraheni Mochammad Iskandar Ardiyansyah Rochman Moh Fadel Asikin Muhajir Muhammad Iqbal Mustofa Muhammad Kevin Sandryan Muhammad Reza Utama Pulungan Muhammad Tanzil Furqon Muhyidin Ubaiddillah Muthia Maharani Nabilah Iftah Nella Naily Zakiyatil Ilahiyah Nanang Yudi Setiawan Nanda Alifiya Santoso Putri Nanda Petty Wahyuningtyas Nilna Fadhila Ganies Norma Desitasari Novirra Dwi Asri Nur Adli Ari Darmawand Nur Khilmiyatul Ilmiyah Nuraini Anitasari Nurul Hidayat Nyimas Ayu Widi Indriana Oceandra Audrey Pangestu Ari Wijaya Pratomo Adinegoro Puji Indah Lestari Putra Pandu Adikara Putri Nur Fadila Raden Rizky Widdie Tigusti Raja Farhan Ramadha Pohan Rama Humam Syarokha Randy Cahya Wihandika Randy Cahya Wihandika Rani Metivianis Ratih Diah Puspitasari RE. Miracle Panjaitan Rekyan Regasari Mardi Putri, Rekyan Regasari Mardi Revi Anistia Masykuroh Rizal Setya Perdana Robiata Tsania Salsabila Aditya Putri Rodiah Rodiah Rozaq Akbar Ryan Leonardo Satrio Agung Wicaksono Sema Yuni Fraticasari Shafira Margaretta Sherly Witanto Sherryl Sugiono Sindarto Sigit Pangestu Silvia Ikmalia Fernanda Siti Fatimah Al Uswah Sobakhul Munir Siroj Suherni Prahesti Suhhy Ramzini Sutrisno Sutrisno Sutrisno Sutrisno Syifa Namira Neztigaty Thifal Fadiyah Basar Titis Sari Kusuma Ulfa Lina Wulandari Vina Adelina Widhy Hayuhardhika Nugraha Putra Widhy Hayuhardhika Nugraha Putra Winda Fitri Astiti Wiratama Paramasatya Yolanda Nailil Ula Yuita Arum Sari Yunita Dwi Alfiyanti Yure Firdaus Arifin Yusriyah Rahmah Zikfikri Yulfiandi Rachmad

Title

Found 132 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 132 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 132 Documents
Search