Article Per Year (5 Year)
p-Index From 2019 - 2024
0.408
P-Index
This Author published in this journals
All Journal Journal of Deep Learning, Computer Vision and Digital Image Processing
Trisakti Akbar
Universitas Negeri Makassar
Computer Science & IT

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

Found 2 Documents
Search

 1 
MEDICINE CLASSIFICATION BASED ON LOGO ON PACKAGING USING K-NEAREST NEIGHBOR ALGORITHM BASED ON DIGITAL IMAGES: KLASIFIKASI JENIS OBAT BERDASARKAN LOGO PADA KEMASAN MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR BERBASIS CITRA DIGITAL Trisakti Akbar; Marwan Ramdhany Edy; Nurul Amanda Pratiwi Hasbullah; Rifaldy Alam Saputra; Muhammad Akbar Amir
Journal of Deep Learning, Computer Vision, and Digital Image Processing Volume 1 Issue 1 Maret 2023
Publisher : CV. Sakura Digital Nusantara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61255/decoding.v1i1.48

Abstract

Obat adalah suatu zat yang dikonsumsi untuk menjaga kesehatan, menyembuhkan, dan mencegah penyakit. Penggunaan obat lazim kita temui dalam kehidupan sehari-hari, baik untuk keperluan penyembuhan, pencegahan penyakit maupun sebagai suplemen kesehatan. Meski begitu, kemudahan mendapatkan obat juga membawa dampak negatif. Misalnya, semakin banyak masyarakat yang menggunakan obat secara irasional. Pengetahuan masyarakat terkait penggolongan dan pola logo pada kemasan obat masih kurang sehingga obat yang diharapkan dapat menyembuhkan penyakit justru dapat membahayakan diri masyarakat yang mengkonsumsinya. Sebelumnya telah dilakukan penelitian untuk mengklasifikasikan jenis obat berbasis citra digital, namun proses cropping logo masih dilakukan secara manual. Oleh karena itu, penelitian ini mengusulkan metode baru untuk mengklasifikasikan jenis obat berdasarkan logo pada kemasannya menggunakan metode K-Nearest Neighbor (K-NN) dengan ekstraksi fitur warna. Tahapan metode yang diusulkan terdiri dari akuisisi citra, preprocessing, deteksi tepi, Circle Hough Transformation, segmentasi citra, cropping dan resize, ekstraksi fitur, dan klasifikasi. Berdasarkan hasil pengujian yang dilakukan, diperoleh tingkat akurasi sebesar 93,33%. Hasil pengujian tersebut menunjukkan bahwa metode yang diusulkan dapat mengklasifikasikan jenis obat dengan tingkat akurasi yang tinggi.
SULSEL TYPICAL BATIK MOTIF CLASSIFICATION USING NEURAL NETWORK METHOD WITH GLCM FEATURE EXTRACTION: KLASIFIKASI MOTIF BATIK KHAS SULSEL MENGGUNAKAN METODE JST DENGAN EKSTRAKSI FITUR GLCM Trisakti Akbar; Muhammad Fajar B; Muhammad Akbar Amir; Andi Akram Nur Risal; Nur Azizah Ayu Safanah; M. Miftach Fakhri
Journal of Deep Learning, Computer Vision, and Digital Image Processing Volume 1 Issue 1 Maret 2023
Publisher : CV. Sakura Digital Nusantara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61255/decoding.v1i1.49

Abstract

Batik adalah salah satu warisan budaya Indonesia yang terbuat dari corak/gambar di atas sebuah kain. Di Sulawesi Selatan, terdapat begitu banyak motif batik. Motif-motif itu pun terus mengalami perkembangan seiring berjalannya waktu. Karena jumlahnya yang banyak, tentunya akan membuat masyarakat kesulitan untuk mengidentifikasi motif batik yang ada saat ini. Untuk mengatasi permasalahan tersebut, penulis melakukan penelitian untuk mengklasifikasikan motif batik menggunakan Jaringan Syaraf Tiruan (JST) dengan ekstraksi fitur Gray Level Co-Occurrence Matrix (GLCM). Sampel yang digunakan adalah batik khas Sulawesi Selatan, yaitu motif Tongkonan, motif Kapal Pinisi, motif Lontara, dan motif Toraja gabungan. GLCM digunakan untuk mengekstraksi fitur, terdiri dari Angular Second Moment (ASM), kontras, Inverse Difference Moment (IDM), entropi, dan korelasi, yang kemudian diklasifikasikan dengan metode JST. Berdasarkan hasil uji coba menggunakan 120 data latih dan 40 data uji dari masing-masing jenis batik, didapatkan tingkat akurasi yang sangat tinggi yaitu 100%.
Co-Authors Andi Akram Nur Risal M. Miftach Fakhri Marwan Ramdhany Edy Muhammad Akbar Amir Muhammad Fajar B Nur Azizah Ayu Safanah Nurul Amanda Pratiwi Hasbullah Rifaldy Alam Saputra