Article Per Year (5 Year)
p-Index From 2019 - 2024
0.23
P-Index
This Author published in this journals
All Journal Jurnal INKOM CommIT (Communication & Information Technology)
Vicky Zilvan, Vicky
LIPI
Computer Science & IT

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Diseases Classification for Tea Plant Using Concatenated Convolution Neural Network Krisnandi, Dikdik; Pardede, Hilman F.; Yuwana, R. Sandra; Zilvan, Vicky; Heryana, Ana; Fauziah, Fani; Rahadi, Vitria Puspitasari
CommIT (Communication and Information Technology) Journal Vol 13, No 2 (2019): CommIT Vol. 13 No. 2 Tahun 2019
Publisher : Bina Nusantara University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21512/commit.v13i2.5886

Abstract

Plant diseases can cause a significant decrease in tea crop production. Early disease detection can help to minimize the loss. For tea plants, experts can identify the diseases by visual inspection on the leaves. However, providing experts to deal with disease identification may be very costly. The machine learning technology can be implemented to provide automatic plant disease detection. Currently, deep learning is state-of-the-art for object identification in computer vision. In this study, the researchers propose the Convolutional Neural Network (CNN) for tea disease detections. The researchers focus on the implementation of concatenated CNN, namely GoogleNet, Xception, and Inception-ResNet-v2, for this task. About 4727 images of tea leaves are collected, comprising of three types of diseases that commonly occur in Indonesia and a healthy class. The experimental results confirm the effectiveness of concatenated CNN for tea disease detections. The accuracy of 89.64% is achieved.
Identifikasi Pembicara Menggunakan Algoritme VFI5 dengan MFCC sebagai Pengekstraksi Ciri Zilvan, Vicky; Muttaqien, Furqon Hensan
INKOM Journal Vol 5, No 1 (2011)
Publisher : Pusat Penelitian Informatika - LIPI

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (401.592 KB) | DOI: 10.14203/j.inkom.97

Abstract

Voting Feature Instervals (VFI) 5 memiliki akurasi yang cukup tinggi dalam mengklasifikasikan data berbasis teks dan citra. Berdasarkan hal tersebut dikembangkanlah metode identifikasi pembicara menggunakan algoritme VFI5 dengan Mel Frequency Ceptrum Coefficients (MFCC) sebagai pengekstraksi ciri suara untuk melihat keakuratan algoritme VFI5 dalam mengklasifikasikan data berbasis suara. Jenis identifikasi pembicara pada penelitian ini bersifat tertutup dan bergantung pada text. Pada penelitian ini juga dilakukan percobaan menggunakan suara ber-noise untuk melihat kehandalan VFI5 dalam mengklasifikasikan suara ber-noise. Dari hasil pengujian didapatkan bahwa metode yang telah dikembangkan ini memiliki akurasi cukup tinggi dengan akurasi tertinggi sebesar 97% untuk data suara tanpa noise.  Selain itu juga diketahui bahwa jumlah data latih yang optimal untuk menghasilkan akurasi yang tinggi adalah 11. Sedangkan untuk suara bernoise dengan SNR sebesar 30 dB, akurasi tertinggi mencapai 81,5 % dan untuk suara bernoise dengan SNR sebesar 20 dB tingkat akurasi tertinggi mencapai 59 %.
Ekstraksi Objek pada Citra Radar FM-CW dengan Metode DBSCAN Zilvan, Vicky
INKOM Journal Vol 9, No 1 (2015)
Publisher : Pusat Penelitian Informatika - LIPI

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (504.726 KB) | DOI: 10.14203/j.inkom.419

Abstract

Makalah ini membahas rancang bangun dan implementasi ekstraksi objek pada radar FM-CW untuk mengatasi permasalahan kualitas citra yang ditangkap oleh radar. Teknik clustering density based spatial clustering of applications with noise (DBSCAN) digunakan untuk mengekstraksi objek dari data input. Hasil dari penelitian ini adalah rancang bangun ekstrasi objek dengan nilai minPts sebesar 4 dan nilai eps sebesar 4 sebagai parameter input untuk DBSCAN. Hasil dari rancang bangun ekstraksi objek adalah titik-titik data hasil ekstraksi objek yang lebih sederhana yang mampu mengatasi permasalahan kualitas citra yang ditangkap oleh radar. Selain itu, titik-titik data yang dihasilkan juga memiliki kualitas data yang lebih baik karena teknik clustering DBSCAN memiliki kemampuan untuk memisahkan noise dari data input.
Co-Authors Fani Fauziah, Fani Heryana, Ana Krisnandi, Dikdik Muttaqien, Furqon Hensan Pardede, Hilman F. Vitria Puspitasari Rahadi Yuwana, R. Sandra