Article Per Year (5 Year)
p-Index From 2019 - 2024
2.177
P-Index
This Author published in this journals
All Journal SITEKIN: Jurnal Sains, Teknologi dan Industri Prosiding Semnastek Jurnal Teknologi dan Sistem Komputer Indonesian Journal of Artificial Intelligence and Data Mining Seminar Nasional Teknologi Informasi Komunikasi dan Industri JURNAL INSTEK (Informatika Sains dan Teknologi) Jurnal Informatika Universitas Pamulang JURIKOM (Jurnal Riset Komputer) Informatika : Jurnal Informatika, Manajemen dan Komputer JOURNAL OF INFORMATION SYSTEM RESEARCH (JOSH) Jurnal Sistem Komputer dan Informatika (JSON) JUKI : Jurnal Komputer dan Informatika KLIK: Kajian Ilmiah Informatika dan Komputer
Lestari Handayani
Fakultas Sains Dan Teknologi Universitas Islam Negeri (UIN) Sultan Syarif Kasim Riau
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Mathematics Other

Published : 29 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 29 Documents
Search

 1   2   3 
ANALISA METODE GABOR DAN PROPBABILISTIC NEURAL NETWORK UNTUK KLASIFIKASI CITRA (STUDI KASUS: CITRA DAGING SAPI DAN BABI) Lestari Handayani
SITEKIN: Jurnal Sains, Teknologi dan Industri Vol 14, No 2 (2017): JUNI 2017
Publisher : Fakultas Sains dan Teknologi Universitas Islam Negeri Sultan Syarif Kasim Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24014/sitekin.v14i2.3707

Abstract

Research for image classification can be utilized by Muslims to recognize the image of halal or haram meat. In this study, Gabor method analysis for image classification, especially distinguishing the image of beef and pork as an example of halal and unlawful meat. The image of the beef, the image of pork and the image of the beef and pork mixed. The image was obtained from several markets in Pekanbaru. The number of beef was 200 images, 100 images of pork and 50 images of both mixed. The system was built using PHP-based web programming language that can be accessed by the public. This meat image classification system produces an image output known as beef or pork. For the image of beef and pork mixed expected to be recognized as pork. But from the experiments that use 30% of the total image as the test data obtained the result that the accuracy of image classification reached 57.14%. And for image mixed obtain 46.67% recognized as pork. This is because the image of beef and pork is very similar when viewed from the texture only. This research can still be enhanced by adding other characters feature extraction methods.
Rancang Bangun sistem Temu Kembali Gambar Ikan Berdasarkan Estraksi Ciri Warna HSV, Bentuk Canny dan tekstur Orde Dua Lestari Handayani
SITEKIN: Jurnal Sains, Teknologi dan Industri Vol 13, No 2 (2016): JUNI 2016
Publisher : Fakultas Sains dan Teknologi Universitas Islam Negeri Sultan Syarif Kasim Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24014/sitekin.v13i2.1460

Abstract

Image retrieval system originally based on the text in the image retrieval process, but the system of the text -based image retrieval is not optimal because it takes a long time to give a description of each file and the human perception varies in interpreting or annotate an image so that the image retrieval based on queries the text is not in accordance with the desired. Therefore, the necessary image retrieval system that uses information characteristics (color, shape and texture) of the image itself. Ornamental fish is an animal that has a kind of very much other than it has a unique ornamental fish also varied, unique ornamental fish can be seen from the color, shape and texture are very diverse. Image retrieval system for ornamental fish characteristic information using HSV histograms for color feature extraction, canny method to obtain information form and order two static methods to obtain texture information. Test results using recall and precision for image retrieval based on color feature extraction generate an average value of 100 %, the image search based on shape feature extraction generate an average value of 90 %, the image search based on texture feature extraction generate an average value of 90 % and Search Extraction characteristics of the image based on a combination of color, shape and texture generate an average value of 90 %.
SEGMENTASI MAMOGRAFI KANKER PAYUDARA DENGAN ALGORITMA EXPECTATION MAXIMIZATION SEGMENTATION (EM-SEGMENTATION) Lestari Handayani; Indah Inzani Septa
SITEKIN: Jurnal Sains, Teknologi dan Industri Vol 11, No 2 (2014): Juni 2014
Publisher : Fakultas Sains dan Teknologi Universitas Islam Negeri Sultan Syarif Kasim Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24014/sitekin.v11i2.753

Abstract

Kanker merupakan penyebab utama kematian pada manusia. Salah satu kanker yang menyebabkan kematian yaitu kanker payudara. Kanker payudara adalah kanker yang terjadi pada payudara karena adanya pertumbuhan yang tidak terkendali dari sel-sel kelenjar dan salurannya, sehingga merusak organ atau jaringan sekitar dan melakukan penyebaran kebagian tubuh yang lain. Untuk membantu para Radiologi dan Dokter ahli Radiolog dalam mendeteksi kanker, penderita bisa melakukan Mamografi. Mamografi merupakan pemeriksaan dengan menggunakan sinar-X yang memberikan gambaran tentang jaringan lunak pada payudara. Dalam bidang kedokteran. Radiolog sering mengalami kesulitan dalam mengamati citra mentah hasil Mamografi, karena citra yang dihasilkan mempunyai derajat keabuan sehingga sulit melihat jelas area pengenalan bagian kanker. Untuk mengatasi hal tersebut perlu dilakukan operasi pengolahan citra. Salah satu proses pengolahan citra yaitu segmentasi. Segmentasi Mamografi pada citra tersebut merupakan proses memperjelas dan mempertajam ciri atau fitur citra sehingga tersegmentasi dengan pembagian Cluster. Segmentasi Mamografi pada citra ini menggunakan Algoritma Expectation Maximization Segmentation. Setelah dilakukan pengujian dengan jumlah Cluster dan berdasarkan pandangan Dokter, segmentasi citra ini menghasilkan citra yang tersegmentasi dalam beberapa Cluster. Diantara Cluster tersebut merupakan pengenalan area letak kanker. Berdasarkan pengujian Dokter Radiologi, hasil segmentasi yang baik yaitu pada Cluster 5, dengan warna merah tua area kanker dan warna orange penyebarannya.
Implementasi Pengolahan Citra dan Klasifikasi K-Nearest Neighbour Untuk Membangun Aplikasi Pembeda Daging Sapi dan Babi Berbasis Web Elvia Budianita; Jasril Jasril; Lestari Handayani
SITEKIN: Jurnal Sains, Teknologi dan Industri Vol 12, No 2 (2015): Juni 2015
Publisher : Fakultas Sains dan Teknologi Universitas Islam Negeri Sultan Syarif Kasim Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24014/sitekin.v12i2.1005

Abstract

Salah satu cara untuk mengenali daging sapi dan babi di bidang informatika adalah menggunakan pengolahan citra. Pada penelitian ini akan dibuat suatu sistem pengolahan citra untuk membedakan daging sapi dan babi menggunakan metode HSV, GLCM, dan klasifikasi K-Nearest Neighbour (K-NN). Tahapan analisa yang dilakukan adalah Data acquisition dengan menggunakan kamera handphone dilakukan pemotretan terhadap data daging sapi dan babi sehingga diperoleh citra digital daging sapi dan babi dalam format jpg. Gambar (citra) diambil dari daging babi segar, daging sapi segar, daging sapi yang telah membusuk, dan daging campuran (oplosan). Preprocessing dilakukan peningkatan kualitas citra yaitu dengan melakukan pencerahan citra dan peregangan kontras. Ekstraksi fitur menggunakan histogram model warna HSV untuk fitur warna, dan metode orde dua untuk ekstraksi fitur tekstur. Klasifikasi citra daging sapi dan babi menggunakan K-NN dengan dua tahapan yaitu tahap training dan testing. Pengujian terdiri dari 4 pengujian yaitu pengujian tanpa background dengan akurasi keberhasilan 88,75%, pengujan dengan background sebesar 73,375%, pengujian campuran sebesar 88,75% dan pengujian berjarak sebesar 50% . Pengujian dengan akurasi pengujian tertinggi terdapat pada pengujian tanpa background dan pengujian campuran sebesar 88,75%. Pada pengujian campuran dinyatakan berhasil apabila hasil klasifikasinya adalah daging campuran (oplosan) dan daging babi segar. Sedangkan nilai K yang paling baik pada semua pengujian adalah K=5 dengan total akurasi keberhasilan 78,75%. Hasil klasifikasi dipengaruhi oleh nilai ciri, jarak terdekat, nilai K, dan yang paling mempengaruhi adalah background
PREDIKSI KEBANGKRUTAN PERUSAHAAN MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM) Lestari Handayani; Fitriandini Fitriandini
SITEKIN: Jurnal Sains, Teknologi dan Industri Vol 11, No 1 (2013): Desember 2013
Publisher : Fakultas Sains dan Teknologi Universitas Islam Negeri Sultan Syarif Kasim Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24014/sitekin.v11i1.568

Abstract

Kebangkrutan perusahaan yang diakibatkan oleh kesulitan keuangan dapat dianalisa dari laporan keuangan. Laporan keuangan perusahaan masa lampau dapat memprediksi kondisi keuangan di masa yang akan datang dengan menggunakan teknik analisa laporan keuangan. Caranya dengan menghitung rasio keuangan yang diperkenalkan oleh Altman. Penelitian ini menggunakan lima variabel rasio keuangan Altman untuk memprediksi kebangkrutan perusahaan dengan menggunakan teknik data mining yaitu metode SVM. Metode yang diperkenalkan oleh Vapnik ini menemukan optimal hyperplane yang memisahkan kondisi perusahaan menjadi dua kelas yaitu bangkrut dan tidak bangkrut. Dengan menggunakan fungsi SMO WEKA, fungsi atau model yang ditemukan dari proses data latih digunakan untuk memprediksi 10 perusahaan yang belum memiliki atribut class output. Data sampel yang digunakan dalam penelitian ini sebanyak 50 perusahaan yang terdaftar di BEI dalam periode 2007-2010. Hasil pengujian 10-cross validation dengan menggunakan fungsi kernel RBF didapat parameter terbaik C=1 dan Gamma=4, tingkat akurasi klasifikasi tertinggi mencapai 90.78%. 10 perusahaan yang diprediksi dengan metode SVM menghasilkan 9 perusahaan diklasifikasikan dengan benar dan sisanya diklasifikasikan salah.       
KLASIFIKASI CITRA SATELIT MULTITEMPORAL DAERAH BENCANA ALAM DENGAN METODE BACKPROPAGATION NEURAL NETWORK Lestari Handayani; Mohd. Ridho Zarkasih Rahim; M Irsyad; Elvia Budianita
Prosiding Semnastek PROSIDING SEMNASTEK 2018
Publisher : Universitas Muhammadiyah Jakarta

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

Abstract

Bencana alam menimbulkan dampak negatif yang menyebabkan perubahan bentuk fisik pada suatu daerah yang mempengaruhi kehidupan masyarakat baik secara sosial maupun ekonomi. Dibutuhkan identifikasi citra satelit multitemporal pada daerah bencana alam untuk mendapatkan data dan informasi akibat dari dampak bencana alam. Dengan menggunakan metode jaringan syaraf tiruan propagasi balik akan dilakukan klasifikasi lahan hijau, pemukiman dan perairan. Data ini akan memberikan informasi perubahan akibat dampak bencana alam dengan membandingkan informasi dari citra sebelum dan sesudah bencana. Jaringan syaraf tiruan dengan algoritma backpropagation yang meliputi 3 proses penting yaitu create learning data, data training dan classification. Data berupa citra satelit yang diperoleh pada website: http://geospasial.bnpb.go.id dan www.bbc.co.uk. Hasil pengujian menunjukkan bahwa jaringan syaraf tiruan yang dibangun dapat melakukan pengenalan pola dan proses klasifikasi dengan sangat baik dan tingkat keakuratannya (overall accuracy) sebesar 98,2%
Identification of the distribution village maturation: Village classification using Density-based spatial clustering of applications with noise Okfalisa Okfalisa; Angraini Angraini; Shella Novi; Hidayati Rusnedy; Lestari Handayani; Mustakim Mustakim
Jurnal Teknologi dan Sistem Komputer Volume 9, Issue 3, Year 2021 (July 2021)
Publisher : Department of Computer Engineering, Engineering Faculty, Universitas Diponegoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.14710/jtsiskom.2021.13998

Abstract

The rural development measurement is undoubtedly not easy due to its particular needs and conditions. This study classifies village performance from social, economic, and ecological indices. One thousand five hundred ninety-one villages from the Community and Village Empowerment Office at Riau Province, Indonesia, are grouped into five village maturation classes: very under-developed village, under-developed village, developing village, developed village, and independent village. To date, Density-based spatial clustering of applications with noise (DBSCAN) is utilized in mining 13 of the villages’ attributes. Python programming is applied to analyze and evaluate the DBSCAN activities. The study reveals the grouping’s silhouette coefficient values at 0.8231, thus indicating the well-being clustering performance. The epsilon and minimum points values are considered in DBSCAN evaluation with percentage splits simulation. This grouping can be used as guidelines for governments in analyzing the distribution of rural development subsidies more optimal.
Local Binary Pattern and Learning Vector Quantization for Classification of Principal Line of Palm-Hand Suwanto Sanjaya; Ulfah Adzkia; Lestari Handayani; Febi Yanto
Indonesian Journal of Artificial Intelligence and Data Mining Vol 3, No 2 (2020): Spetember 2020
Publisher : Universitas Islam Negeri Sultan Syarif Kasim Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24014/ijaidm.v3i2.10236

Abstract

Biometrics such as DNA, face, fingerprints, and iris still had disadvantages. The principal line of palm-hand biometric was expected to cover the weakness of the other biometric. This research was used dataset amounted to 150 images of palms-hand of the left-hand side. The dataset sourced 15 people who captured 10 times. The cropping technique that has used is the Region of Interest (ROI). Local Binary Pattern (LBP) was used to feature extraction. The feature extraction consists of the five parameters statistical. They were mean, variance, skewness, kurtosis, and entropy. Learning Vector Quantization (LVQ) was used to train the weight to produce optimal weight. The Confusion matrix method was used to evaluate the accuracy of the classification. The experiment was used the learning rates 0.01; 0.05; 0.1; 0.5; and 0.7. Based on testing and the experimental results, the highest accuracy obtained was on the learning rate value 0.5 which achieve 80%. In future work, we can explore with added the second-order statistics feature for better result.
Implementasi Learning Vektor Quantization (LVQ) dalam Mengidentifikasi Citra Daging Babi dan Daging Sapi Jasril Jasril; Meiky Surya Cahyana; Lestari Handayani; Elvia Budianita
Seminar Nasional Teknologi Informasi Komunikasi dan Industri 2015: SNTIKI 7
Publisher : UIN Sultan Syarif Kasim Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (586.668 KB)

Abstract

Widespread circulation of adulterated meat and based on the word of Allah which confirms the prohibition of pork to eat, it needs to be made of a system that can distinguish between beef and pork to avoid cheating merchants and keep halal meat we eat. This study makes a system for identifying the image of beef and pork and meat adulterated with the color feature extraction HSV (Hue, Saturation, Value) and texture feature extraction GLCM (Grey Level Co-occurent Matrix) using classification LVQ (Learning Vector Quantization). A result of image identification adulterated meat pig is considered as a pork class. Image data on the image of the study consisted of 107 primary and 13 secondary image. Identification testing conducted on the distribution of training data and test data are different. Accuracy of the highest success with an average of 94.81% on the distribution of the 80 training data and test data 20 and the accuracy of the lowest success with an average of 82.22% on the distribution of training data and test data 50 50 with Learning Rate of 0.01, 0.05, 0.09. More increase the distribution of training data and more decrease division of the test data, so more increase the accuracy of success in identifying the image.Keywords: beef, GLCM, HSV, Learning Rate, LVQ, pork
Perkiraan Waktu Studi Mahasiswa Menggunakan Metode Klasifikasi Dengan Algoritma Naive Bayes Lestari Handayani; Eka Lona Maulida
Seminar Nasional Teknologi Informasi Komunikasi dan Industri 2015: SNTIKI 7
Publisher : UIN Sultan Syarif Kasim Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (486.632 KB)

Abstract

The problems of time studi are caused by many factors. So it needs to be made graduation prediction system to determine what factors can affect student graduation. The system is designed to prediction of student graduation rate using data mining with Naive Bayes algorithm. The criteria used in predicting graduation rates are GPA, nim, sex, and place of birth, home school, home town school, class, date and year of graduation. This system was designed and built using the PHP programming language and MySQL database. Training data used 150 data. After analysis and testing, the accuracy of system using 25 data testing from data training amounted 88%. The accuracy of system using 25 data testing from out of data training amounted 92%. A result of analysis is students with a GPA above 3 predicted to graduate on time. GPA is very influential on the prediction system so that the accuracy of the training data is smaller than the accuracy of the data outside the training.Key words: data mining, MySql, Naïve Bayes, PHP, students, time study.
Co-Authors Agung Surya Maulana Ahmad Paisal Alfin Hernandes Alwis Nazir Alwis Nazir Alwis Nazir Anggi Vasella Angraini Angraini Beni Basuki Cut Lira Kabaatun Nisa Deny Ardianto Eka Lona Maulida Elvia Budianita Elvia Budianita Elvia Budianita Fadhilah Syafria Fadhilah Syafria Febi Yanto Febi Yanto FITRI INSANI Fitriandini Fitriandini Gatot Suroto Hafez Almirza Hidayati Rusnedy Iis Afrianty IIS AFRIANTY Iis Afrianty Ikhwanul Akhmad DLY Indah Inzani Septa Iwan Iskandar Iwan Iskandar Jasril Jasril Jasril Jasril Jasril Jasril Jasril Jasril Jasril M Irsyad M. Fadil Martias Meiky Surya Cahyana Mentari Aulia Putri Mohd. Ridho Zarkasih Rahim Muhammad Adri Muhammad Fikry Muhammad Rifaldo Al Magribi Mustakim Mustakim Okfalisa Okfalisa RAHMAD ABDILLAH Rendra Arga Swaperi Risfi Ayu Sandika Shella Novi Siska Kurnia Gusti Siska Kurnia Gusti Siska Kurnia Gusti Siti Ramadhani Siti Ramadhani SURYA ADITYA GD Suwanto Sanjaya SUWANTO SANJAYA Suwanto Sanjaya Suwanto Sanjaya Ulfah Adzkia