Article Per Year (5 Year)
p-Index From 2020 - 2025
7.395
P-Index
This Author published in this journals
All Journal Techno.Com: Jurnal Teknologi Informasi Jurnal Sisfokom (Sistem Informasi dan Komputer) Jurnal Ilmiah Media Sisfo JOURNAL OF SCIENCE AND SOCIAL RESEARCH JOISIE (Journal Of Information Systems And Informatics Engineering) INTI Nusa Mandiri Jurnal Teknologi Dan Sistem Informasi Bisnis JATI (Jurnal Mahasiswa Teknik Informatika) Indonesian Journal of Electrical Engineering and Computer Science Jurnal Pendidikan Guru (JPG) JITSI : Jurnal Ilmiah Teknologi Sistem Informasi Journal of Education Research Algoritme Jurnal Mahasiswa Teknik Informatika Jurnal Pustaka AI : Pusat Akses Kajian Teknologi Artificial Intelligence Jurnal Informatika Teknologi dan Sains (Jinteks) Jurnal Komtekinfo Indonesian Journal Computer Science (ijcs) Journal of Information System and Education Development Kesatria : Jurnal Penerapan Sistem Informasi (Komputer dan Manajemen) The Indonesian Journal of Computer Science CSRID
Ramadhanu, Agung
Unknown Affiliation
Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Languange, Linguistic, Communication & Media Mathematics Social Sciences Other

Published : 62 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 62 Documents
Search

 2   3   4   5   6 
PENINGKATAN AKURASI KLASIFIKASI KEMATANGAN PEPAYA BERDASARKAN WARNA DENGAN MEDIAN FILTER, K-MEANS PADA CONVOLUTIONAL NEURAL NETWORK Yosfand, Windra; Putra, Kharisma Utama; Ramadhanu, Agung
JOURNAL OF SCIENCE AND SOCIAL RESEARCH Vol 8, No 1 (2025): February 2025
Publisher : Smart Education

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54314/jssr.v8i1.2781

Abstract

Abstract: The development of technology in the field of digital image processing has become an attraction in itself to make human life easier and has given rise to many applications that can apply it in various fields. Digital image processing methods can transform input images into output images that can be used to identify and classify objects in life. To minimize damage to digital images which is known as noise. Also to reduce the impact of degradation or decrease in image quality caused by noise, colors that are too contrasty or blurry. So a method is needed. One method is the median filter which is used in this research.Keyword: edian Filter, Convolutional Neural Network, Papaya, Classification Abstrak: Dalam perkembangan teknologi di bidang pengolahan citra digital (digital image processing) menjadi daya tarik tersendiri untuk mempermudah kehidupan manusia dan memunculkan banyak aplikasi yang dapat menerapkannya dalam berbagai bidang. Metode digital image processing dapat mentransformasikan citra masukan menjadi citra keluaran yang dapat dimanfaatkan untuk mengidentifikasi dan mengklasifikasi objek dalam kehidupan. Untuk mengurangi meminimalisir kerusakan pada citra digital yang disebut sebagai noise. Juga untuk mengurangi dampak degradasi atau penurunan kualitas citra yang disebabkan oleh derau / noise, warna yang terlalu kontras atau buram. Maka dibutuhkan suatu metode. Salah satu metodenya adalah median filter yang digunakan pada penelitian ini.Kata kunci: Median Filter, Convolutional Neural Network, Pepaya, Klasifikasi
IMPLEMENTASI METODE K-MEANS UNTUK KLASTERISASI VARIETAS PARPIKA DENGAN MENGGUNAKAN TEKNIK PENGOLAHAN CITRA DIGITAL Ilmawan, Fachrul; Ramadhanu, Agung
Jurnal Informatika Teknologi dan Sains (Jinteks) Vol 7 No 1 (2025): EDISI 23
Publisher : Program Studi Informatika Universitas Teknologi Sumbawa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51401/jinteks.v7i1.5426

Abstract

Dengan menggunakan kombinasi segmentasi objek, ekstraksi bentuk, dan ekstraksi tekstur, penelitian ini bertujuan untuk melakukan klasterisasi pada varietas paprika melalui penggunaan K-Means Clustering dan Gray-Level Co-Occurrence Matrix (GLCM).  Segmentasi objek dilakukan menggunakan algoritma K-Means Clustering untuk membedakan objek dari latar belakangnya. Selanjutnya, proses ekstraksi tekstur dan bentuk dilakukan menggunakan Matriks Co-Occurrence Level Gray (GLCM) untuk membedakan jenis varietas paprika. Hasil kalsterisasi dicapai melalui penggunaan aplikasi matlab, yang mencakup import data, konversi RBG ke L*a*b, segmentasi objek dengan latar belakang menggunakan K-Means Clustering, dan kemudian menggunakan metode Gray-Level Co-Occurrence Matrix (GLCM) untuk ekstraksi bentuk dan tekstur. Hasil penelitian tentang klasterisasi varietas paprika juga menunjukkan bahwa proses itu berhasil. Model berhasil mengidentifikasi setiap sampel gambar dengan akurat seratus persen dengan menggunakan sampel delapan gambar paprika merah dan hijau. Penggunaan algoritma clusteriang K-means dan Matriks Co-Occurrence Level Gray (GLCM) menunjukkan hasil yang sangat baik; ini membuktikan efektivitasnya dalam melakukan klasterisasi pada varietas paprika.
Identifikasi Pengolahan Citra Pada Face Detection Menggunakan Metode Median Filtering dan Viola-Jones Sandiva, Tesa Vausia; Yemi, Leonardo; Ramadhanu, Agung
The Indonesian Journal of Computer Science Vol. 13 No. 2 (2024): The Indonesian Journal of Computer Science (IJCS)
Publisher : AI Society & STMIK Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33022/ijcs.v13i2.3675

Abstract

Penelitian ini bertujuan untuk mengidentifikasi pengolahan citra pada sistem deteksi wajah (Face Detection) dengan memanfaatkan metode Median Filtering dan Viola-Jones. Metode Median Filtering digunakan dalam tahap preprocessing untuk mengurangi noise dan meningkatkan kualitas citra, khususnya dalam mengatasi noise seperti salt & pepper. Selanjutnya, metode Viola-Jones diterapkan sebagai metode utama untuk mendeteksi wajah, memanfaatkan Haar Like Feature, Integral Image, Adaboost Learning, dan Cascade Classifier. Penelitian ini mencapai tingkat akurasi keberhasilan deteksi wajah sebesar 90%, menunjukkan efektivitas kombinasi kedua metode dalam meningkatkan performa sistem. Hasil penelitian ini diharapkan dapat memberikan kontribusi positif terhadap perkembangan teknologi pengolahan citra, khususnya dalam aplikasi pengenalan wajah dengan tingkat akurasi yang tinggi.
IMPLEMENTASI HYBRID INTELLIGENCE SYSTEM UNTUK KLASIFIKASI BIJI-BIJIAN DENGAN ALGORITMA PCA DAN KNN Chan, Fajri Rinaldi; Ramadhanu, Agung
INTI Nusa Mandiri Vol. 19 No. 2 (2025): INTI Periode Februari 2025
Publisher : Lembaga Penelitian dan Pengabdian Pada Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33480/inti.v19i2.6397

Abstract

Food security has become a pressing global issue with the increasing population and food consumption needs. Red kidney beans, peanuts, and sunflower seeds play a crucial role in meeting the nutritional needs of society and serving as raw materials for various industries. This study aims to develop a seed classification system based on the Principal Component Analysis (PCA) and K-Nearest Neighbor (KNN) algorithms. The system is designed to recognize three types of seeds—red kidney beans, peanuts, and sunflower seeds—to improve the efficiency and accuracy of the classification process compared to manual methods. The dataset consists of 58 seed image samples, divided into training data (48 samples) and test data (10 samples). The research stages include image preprocessing (cropping, background removal, and thresholding segmentation), feature extraction using PCA to reduce data dimensionality, and classification with KNN based on Euclidean distance. A value of K=3 is used in the KNN algorithm to determine the proximity between data points. The test results show a classification accuracy of 90%, with 9 out of 10 test data correctly classified. PCA successfully simplified high-dimensional data into two main components without significant information loss, while KNN demonstrated strong capability in distinguishing the three types of seeds. This research contributes to the development of an AI-based automatic classification system for the food industry, with broader potential applications in high-dimensional data processing across various fields.
IMPLEMENTASI HYBRID INTELLIGENT SYSTEM UNTUK KLASIFIKASI JENIS BOLA BERBASIS COMPUTER VISION Saputra, Riyan; Ramadhanu, Agung
Jurnal Informatika Teknologi dan Sains (Jinteks) Vol 7 No 1 (2025): EDISI 23
Publisher : Program Studi Informatika Universitas Teknologi Sumbawa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51401/jinteks.v7i1.5368

Abstract

Salah satu domain utama dalam bidang kecerdasan buatan adalah visi komputer, yang memfasilitasi kapasitas komputer untuk menganalisis dan menafsirkan data visual yang berasal dari lingkungan fisik. Aplikasi yang signifikan dari visi komputer adalah klasifikasi objek, yang dapat digunakan di beragam objek, termasuk bentuk bola. Penelitian ini berusaha untuk menerapkan sintesis berbagai metodologi dalam kecerdasan buatan untuk mengkategorikan berbagai jenis bola, khususnya bola basket, bola voli, dan bola tenis. Dataset visual terdiri dari 16 gambar yang digunakan untuk pelatihan dan 10 gambar yang disediakan untuk pengujian. Kerangka prosedural mencakup pra-pemrosesan gambar, ekstraksi fitur yang berfokus pada warna dan ukuran, normalisasi data melalui Z-Score, pengurangan dimensi melalui Analisis Komponen Utama (PCA), pembelajaran mesin menggunakan algoritma K-Nearest Neighbors (KNN), yang berpuncak pada fase pengujian. Temuan penelitian ini menunjukkan tingkat akurasi 90%, menunjukkan bahwa klasifikasi jenis bola dapat secara efektif memanfaatkan Sistem Intelijen Hibrida.
IMPLEMENTASI METODE K-MEANS CLUSTERING DENGAN TEKNIK PENGOLAHAN CITRA UNTUK MENGIDENTIFIKASI JENIS SEPATU Selvia, Dina; Ramadhanu, Agung
Jurnal Informatika Teknologi dan Sains (Jinteks) Vol 7 No 1 (2025): EDISI 23
Publisher : Program Studi Informatika Universitas Teknologi Sumbawa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51401/jinteks.v7i1.5428

Abstract

Penelitian ini membahas implementasi metode K-Means Clustering dengan teknik pengolahan citra untuk mengidentifikasi jenis sepatu berdasarkan karakteristik visualnya. Proses identifikasi dilakukan dengan memanfaatkan pengolahan citra digital, seperti segmentasi, ekstraksi fitur, dan klasifikasi, yang kemudian digabungkan dengan algoritma K-Means untuk mengelompokkan data gambar ke dalam kategori jenis sepatu. Tujuan utama dari penelitian ini adalah meningkatkan akurasi dan efisiensi dalam mengidentifikasi jenis sepatu, terutama dalam aplikasi e-commerce atau inventarisasi produk. Hasil penelitian dengan menggunakan Metode K-Means Clustering yang dikombinasikan dengan teknik pengolahan citra sangat efektif untuk mengidentifikasi dan mengklasifikasi jenis sepatu yaitu sepatu formal dan sepatu santai berdasarkan karakteristik visualnya. Penelitian menggunakan 8 citra yang mana terdiri dari 4 citra untuk sepatu formal dan 4 citra untuk sepatu santai. Menghasilkan akurasi sebesar 97 % dimana 7 dari 8 citra berhasil diidentifikasi dengan benar. Proses klasifikasi dilakukan dengan tahapan konversi ruang warna ke LAB, segmentasi citra menggunakan K-Means Clustering, dan ekstraksi fitur bentuk serta tekstur. Parameter-parameter ekstraksi citra seperti metric, eccentricity, contrast, correlation, energy, dan homogeneity menjadi kunci utama dalam proses identifikasi. Hasil pengujian menunjukkan bahwa metode ini mampu mengelompokkan jenis sepatu dengan tingkat akurasi yang tinggi. Penelitian ini memberikan kontribusi signifikan dalam mengembangkan solusi berbasis teknologi untuk otomasi pengelompokan produk visual.
Klasifikasi Penggunaan Helm pada Citra Pengendara Sepeda Motor Menggunakan K-Means Clustering dan GLCM Antoni, Antoni; Ramadhanu, Agung
Jurnal Algoritme Vol 5 No 2 (2025): April 2025 || Algoritme Jurnal Mahasiswa Teknik Informatika
Publisher : Program Studi Teknik Informatika Universitas Multi Data Palembang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35957/algoritme.v5i2.10921

Abstract

The safety of motorcycle riders is a critical issue, particularly in countries with high traffic accident rates. In Indonesia, motorcycles make up the majority of personal vehicles, with over 130 million units as of June 2023, but many riders fail to comply with helmet usage regulations. Helmets significantly reduce the risk of fatal head injuries, yet the compliance rate remains low. To address this issue, an image classification system for motorcycle riders using helmets is proposed, leveraging image processing techniques and machine learning. By leveraging the K-Means Clustering algorithm, the system segments motorcycle images into two categories: riders with helmets and those without. The images are pre-processed, converted from RGB to LAB color space, and K-Means clustering is used to segment background and object areas. Feature extraction is applied using GLCM (Gray-Level Co-occurrence Matrix) to identify key characteristics such as texture and shape. The system compares the extracted features using Euclidean distance to classify whether a rider is wearing a helmet. Results show an accuracy rate of 94% in classifying helmet usage from 50 test images. This method can serve as an efficient and cost-effective alternative to more computationally intensive techniques like deep learning, with potential for real-time traffic surveillance applications.
PENERAPAN HYBRID INTELLIGENCE SYSTEM UNTUK KLASIFIKASI EYLINER, LIPSTIK DAN HANDBODY MENGGUNAKAN METODE KNN DAN PCA Dila, Rahmah; Ramadhanu, Agung
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 9 No. 2 (2025): JATI Vol. 9 No. 2
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v9i2.13099

Abstract

Kosmetik adalah produk yang digunakan untuk memperindah tubuh, terutama wajah, dengan tujuan meningkatkan kepercayaan diri dan estetika. Penelitian ini bertujuan mengembangkan sistem otomatis untuk mengklasifikasikan produk kosmetik berdasarkan citra visual menggunakan metode Hybrid Intelligence, yaitu kombinasi K-Nearest Neighbor (KNN) dan Principal Component Analysis (PCA). Sistem Hybrid Intelligence efektif diterapkan dalam berbagai bidang pengolahan citra, termasuk klasifikasi produk kosmetik. Metode yang diusulkan melibatkan PCA untuk mereduksi dimensi fitur citra, sehingga mengurangi kompleksitas komputasi dan meningkatkan efisiensi pemrosesan. KNN digunakan untuk mengenali produk berdasarkan kedekatannya dengan data pelatihan. Dataset yang digunakan meliputi 16 data latih (7 eyeliner, 4 handbody, 5 lipstik) dan 10 data uji (4 eyeliner, 3 handbody, 3 lipstik). Hasil menunjukkan sistem hybrid ini mampu mencapai akurasi 96,15% dalam pengujian validasi, dengan nilai parameter K terbaik adalah 3. Sistem ini berhasil mengklasifikasikan eyeliner, lipstik, dan handbody dengan tingkat akurasi tinggi, memberikan solusi efisien dan efektif dalam mendeteksi produk kosmetik berdasarkan citra. Penelitian ini memberikan kontribusi penting bagi pengembangan aplikasi pengenalan citra dalam industri kecantikan, terutama pada sistem deteksi dan rekomendasi produk.
KLASIFIKASI DAN PENGELOMPOKKAN PADA DOMPET, TAS, DAN BUKU MENGGUNAKAN HYBRID INTELIGENCE SYSTEM Chairunnissa Deliva Akbar, Syifa; Ramadhanu, Agung
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 9 No. 2 (2025): JATI Vol. 9 No. 2
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v9i2.13111

Abstract

Penelitian ini membahas mengenai penerapan Hybrid Intelligence System untuk klasifikasi dan pengelompokan dompet, tas, dan buku menggunakan kombinasi metode Principal Component Analysis (PCA) dan K-Nearest Neighbor (KNN). Hal ini diperlukan untuk meningkatkan optimalisasi klasifikasi objek berbasis citra, terutama dalam manufaktur, perdagangan, dan sistem inventarisasi. Dengan meningkatnya kebutuhan sistem digitalisasi yang mampu mengenali dan mengelompokkan objek secara cepat dan akurat, pengembangan sistem berbasis hybrid intelligence menjadi relevan. PCA digunakan untuk menyederhanakan dimensi data citra sehingga hanya fitur yang relevan yang dipertahankan, sementara KNN digunakan untuk menentukan kelas dari masing-masing produk berdasarkan fitur yang telah sederhanakan. Penelitian ini melibatkan data kuantitatif berupa citra dompet, tas, dan buku dengan total 26 data latih dan data uji. Hasil penelitian menunjukkan bahwa kombinasi dari PCA dan KNN mampu meningkatkan akurasi klasifikasi hingga 90%. Sistem ini juga terbukti efektif dalam menangani data yang tidak bersih dan menghasilkan klasifikasi yang konsisten serta dapat diandalkan. Temuan ini menunjukkan potensi besar dalam pengembangan sistem berbasis citra digital untuk berbagai aplikasi, khususnya dalam klasifikasi produk.
PENERAPAN METODE HYBRID KNN DAN PCA DALAM KLASIFIKASI CABAI MERAH, CABAI HIJAU DAN JERUK MANDARIN Yasmin, Nabilla; Ramadhanu, Agung
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 9 No. 2 (2025): JATI Vol. 9 No. 2
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v9i2.13147

Abstract

Sistem klasifikasi otomatis berbasis citra digital semakin dibutuhkan dalam sektor pertanian untuk meningkatkan efisiensi seleksi dan distribusi produk. Pengklasifikasian cabai merah, cabai hijau, dan jeruk mandarin secara manual sering kali memakan waktu lama dan rentan terhadap kesalahan manusia. Oleh karena itu, penelitian ini mengusulkan penggunaan kombinasi Principal Component Analysis (PCA) dan K-Nearest Neighbors (KNN) untuk mengklasifikasikan ketiga jenis objek tersebut. Data yang digunakan terdiri dari 16 citra latih dan 10 citra uji, yang diproses melalui tahapan segmentasi, ekstraksi fitur, dan reduksi dimensi menggunakan PCA. Hasil klasifikasi menunjukkan tingkat akurasi mencapai 96,20%, dengan satu data jeruk mandarin yang gagal terdeteksi. Temuan ini membuktikan bahwa metode PCA dan KNN efektif dalam mengklasifikasikan citra dengan akurasi tinggi, memberikan kontribusi terhadap sistem klasifikasi otomatis yang dapat meningkatkan efisiensi dalam distribusi dan seleksi produk agrikultur serta mengurangi potensi kesalahan dalam penilaian kualitas produk secara manual.
Co-Authors Afriadi Afriadi Afriadi, A Agus Salim, David Ahmad Syarif ahmad yani Akbar, Syifa Chairunnissa Deliva Al-arrafi, Muhammad Ikhsan Angga Angga Anggara Putra, Febri Antoni Antoni Chairunnissa Deliva Akbar, Syifa Chan, Fajri Rinaldi Devita, Retno Dicky Imansyah, Muhammad Dila, Rahmah Enggari, Sofika Erlanda, Hadrian Fajri Saputra, Charisman Gafari, Abuzar Gunadi Widi Nurcahyo Hadi Syahputra Halifia Hendri Harnaranda, Jefri Hidayati, Dzil Honestya, Gabriela Ilmawan, Fachrul Irsyad, As'Ary Sahlul Karseno, Doni Khomsi, Ahmad Mardison Mardison Masri, Taufik Muhammad Idris Nadia, Nadia Aini Hafizhah Negoro, Wahyu Saptha Nurdiansyah, Ali Permata, Edo Pertiwi, Yuliana Pratama, Dede Putra, Kharisma Utama Rahmad Rahmad Rahmad, R Rianti, Eva Riati, Itin Riyan Saputra, Riyan Rosa, Imelda Sajida, Mayang salim, alfajri Saputra, Randy Sarjon Defit Selvia, Dina Silfia Andini, Silfia Sumijan, S Sutri, Ridwan Syafril Syafril Syafril, S Syalsabilla, Adinda Tesa Vausia Sandiva Utama Putra, Kharisma Vidyanti, Angela Citra Wirdawati, Wira Yanti, Rahma Yasmin, Nabila Yasmin, Nabilla Yemi, Leonardo Yesi Betriana Roza, yesibetriana_18 Yolanda Yolanda, Yolanda Yosfand, Windra Yuhandri Yulihartati, Sandra