Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal INTI Nusa Mandiri Journal of Informatics and Electronics Engineering
Febryawan Yuda Pratama
Politeknik Jatiluhur
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Engineering

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

Found 2 Documents
Search

 1 
Peningkatan Kontras Citra Bawah Air Menggunakan Metode CLAHE (Contrast Limited Adaptive Histogram Equalization) Febryawan Yuda Pratama; Asep Sugiharto; Fanissa Narita; Suhendri Suhendri; Dikka Syahrial Wiguna
Journal of Informatics and Electronics Engineering Vol. 6 No. 01 (2026): Juni 2026
Publisher : Unit Penelitian dan Pengabdian kepada Masyarakat Politeknik TEDC Bandung Jl. Pesantren Km 2 Cibabat Cimahi Utara – Cimahi 40513 Jawa Barat – Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70428/jiee.v6i01.1618

Abstract

Kualitas citra bawah air umumnya buruk akibat penyerapan dan penyebaran cahaya di lingkungan perairan, yang menyebabkan keterbatasan jarak pandang kamera dan menghasilkan citra dengan kontras rendah, warna kabur, serta informasi visual yang berkurang. Maka dari itu penyerapan cahaya oleh air laut dan penyebaran cahaya oleh partikel kecil di lingkungan air laut telah menjadi sebuah rintangan dari penelitian citra bawah air dengan kamera. Hal ini dikarenakan memberikan dampak keterbatasan jarak pandang kamera dalam air laut. Citra atau gambar air bawah laut memang menjadi pekerjaan menantang karena kendala utamanya adalah kualitas gambar rusak karena penyerapan cahaya dan penyebaran cahaya. Peningkatan kualitas kontras citra pada dasarnya meningkatkan persepsi atau kemampuan menerjemahkan informasi gambar untuk manusia dan memberikan masukan “lebih baik” pada teknik pengolahan citra otomatis yang lain. Penelitian ini mengusulkan metode Contrast Limited Adaptive Histogram Equalization (CLAHE) untuk meningkatkan kontras citra bawah air khususnya pada ekosistem terumbu karang. Metode CLAHE bekerja dengan membagi citra ke dalam tile-tile kecil, membentuk histogram tiap region, memotong histogram dengan clip limit, mendistribusikan excess ke bagian lain, dan melakukan interpolasi bilinear antar tile. Eksperimen dilakukan terhadap 200 frame citra bawah air berukuran 1280×720 piksel menggunakan MATLAB. Hasil pengukuran menggunakan SURF feature points menunjukkan rata-rata PTS original sebesar 1.198,67 dan rata-rata PTS CLAHE sebesar 1.503,91. Pengujian statistik dengan SPSS v20 menghasilkan analisis varian image original sebesar 62.210,198 dan CLAHE sebesar 68.800,110 dengan nilai signifikansi 0,000 dan korelasi 0,999. Hasil ini membuktikan bahwa metode CLAHE secara signifikan meningkatkan kualitas kontras citra bawah air tanpa merusak informasi citra asli.
PENINGKATAN AKURASI KNN DALAM PREDIKSI KELULUSAN MAHASISWA MELALUI OPTIMASI PARAMETER PSO Yessica Fara Desvia; Febryawan Yuda Pratama; Ganda Wijaya
INTI Nusa Mandiri Vol. 20 No. 1 (2025): INTI Periode Agustus 2025
Publisher : Lembaga Penelitian dan Pengabdian Pada Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33480/inti.v20i1.7076

Abstract

Predicting student graduation is a crucial aspect in supporting academic planning and ensuring timely completion of studies. However, no prior research has specifically applied the integration of K-Nearest Neighbor (KNN) and Particle Swarm Optimization (PSO) for graduation prediction using student data. This study aims to evaluate the effectiveness of combining KNN and PSO in improving classification accuracy. The KNN algorithm is used for classification, while PSO is implemented as a feature selection technique to identify the most relevant attributes. A dataset of 750 student records was processed through data preprocessing and attribute weighting using PSO, followed by model training and evaluation with 10-fold cross-validation. The evaluation results show that the KNN+PSO model improves accuracy from 80.91% to 84.31%, along with increases in precision and recall. These findings indicate that PSO enhances the performance of KNN, particularly in identifying students likely to graduate on time
Co-Authors Asep Sugiharto Dikka Syahrial Wiguna Fanissa Narita Ganda Wijaya Suhendri Yessica Fara Desvia