Article Per Year (5 Year)
p-Index From 2020 - 2025
3.638
P-Index
This Author published in this journals
All Journal JURNAL LENTERA : Kajian Keagamaan, Keilmuan dan Teknologi JOURNAL OF APPLIED INFORMATICS AND COMPUTING Technomedia Journal DoubleClick : Journal of Computer and Information Technology J-SAKTI (Jurnal Sains Komputer dan Informatika) Jurnal Informasi dan Komputer Jurnal Teknologi Terpadu Generation Journal JATI (Jurnal Mahasiswa Teknik Informatika) Jurnal Pemberdayaan Komunitas MH Thamrin J-SAKTI (Jurnal Sains Komputer dan Informatika) Jurnal Informatika dan Rekayasa Komputer
Rozikin, Chaerur
Unknown Affiliation
Religion Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Energy Engineering Environmental Science Health Professions Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Mathematics Medicine & Pharmacology Nursing Public Health Social Sciences Other

Published : 23 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : JOURNAL OF APPLIED INFORMATICS AND COMPUTING

 1 
Pengenalan Wajah Resolusi Rendah Menggunakan Arsitektur Lightweight VarGFaceNet dengan Adaptive Margin Loss Ramadani, Daffa Tama; Adam, Riza Ibnu; Jaman, Jajam Haerul; Rozikin, Chaerur; Garno, G.
Journal of Applied Informatics and Computing Vol. 7 No. 1 (2023): July 2023
Publisher : Politeknik Negeri Batam

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30871/jaic.v7i1.5831

Abstract

Face recognition is a modern security solution that is quickly and easily integrated into most existing devices, so this system is widely applied to several domains as one of the security authorizations. Developing face recognition models using mainstream architectures (AlexNet, VGGNet, GoogleNet, ResNet, and SENet) will make it difficult to implement the models on mobile devices and embedded systems. In addition, low resolution images, such as those from CCTV surveillance cameras or drones, pose challenges for the models to recognize faces, as the images lack sufficient details for identification. Therefore, this research aims to analyze the performance of a face recognition model developed using the lightweight VarGFaceNet architecture with the adaptive margin loss AdaFace on a low-resolution image dataset. Based on the evaluation results on the LFW dataset, an accuracy of 99.08% was achieved on high-resolution data (112x112 pixels), while on the lowest synthetic low-resolution data (14x14 pixels), an accuracy of 79.87% was obtained with the assistance of the Real-ESRGAN and GFP-GAN super-resolution models. On the TinyFace dataset, without fine-tuning, a Rank-1 accuracy of 46.08% was achieved without using super-resolution models and 45.03% when utilizing super-resolution models.
Analisa Performa Arsitektur Transfer Learning Untuk Mengindentifikasi Penyakit Daun Pada Tanaman Pangan Winanto, Tawang Sahro; Rozikin, Chaerur; Jamaludin, Asep
Journal of Applied Informatics and Computing Vol. 7 No. 1 (2023): July 2023
Publisher : Politeknik Negeri Batam

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30871/jaic.v7i1.5991

Abstract

Salah satu faktor gagal panen ialah serangan penyakit yang menyerang pada bagian daun pada tanaman. Solusi dari permasalahan ini yaitu dengan melakukan identifikasi dini penyakit tanaman pangan dengan memanfaatkan image classification dan deep learning menggunakan objek citra daun untuk mempercepat proses identifikasi penyakit pada daun tanaman pangan sehingga tidak mempengaruhi hasil produksi tanaman. Banyak penelitian yang sudah membuat penelitian memanfaatkan Image classification untuk klasifikasi penyakit tanaman berdasarkan citra daun menggunakan metode Transfer Learning. Namun pada penelitian terdahulu hanya menggunakan satu dua atau tiga arsitetur dan hanya mengunakan satu dataset saja untuk proses pengujian yang membuat tidak terlalu memberikan jawaban arsitektur mana yang mempunyai performa terbaik untuk membuat model klasifikasi penyakit berdasarkan citra daun tanaman. oleh karena itu diperlukan adanya perbandingan performa dari tiap model arsitektur untuk mengetahu arsitektur mana yang terbaik. Maka dari itu penelitian ini, peneliti akan melakukan eksperimen menggunakan lima arsitektur dan tiga dataset yang berbeda dengan enam sekenario pelatihan model dan selanjutnya kami melakukan anlisis perbandingan kinerja tiap sekenario pelatihan model. Hasilnya Penelitian ini dilakukan analisa hasil pelatihan dan pengujian yang sudah dilakukan arsitektur VGG 16 memiliki performa yang paling baik dibandingkan dengan arsitektur lainnya yang diujikan.
Co-Authors Ali Ridha, Azhari Alifa, Rizal Fahmi Apriade Voutama Aries Suharso Arip Solehudin Armeilia, Rida Aurelly Claudia Budianto, Theresia Ayu Syaharani, Maesha Badriah, Siti Eddy Ryansyah Eka Purnama, Karolina Enri, Ultach Fahlevi, Raihan Fahmi, Ikbal Fajar Estu Nugroho, Muhammad Fatoni, Hilman Fauzi, Ihsan Garno, G. Hafizh Ridwan, Muhammad Holiyanti, Ranti Ibnu Adam, Riza Islami Pasha, Ramadhan Jamaludin, Asep Jaman, Jajam Haerul Lenteraningati, Anggun M Rayhan Rizqullah Syarif Maulana, Yuzril Nur Muhammad Fajar Estu Nugroho Nurul Abada, Oki Prihandani, Kamal Putra, Ikhwan Wiratama Ramadani, Daffa Tama Rika Yunita, Rika Rismawati, Imas Riza Ibnu Adam, Riza Ibnu Rizka, Alifa Maha Rizkika, Putri Rizky Fawzy, Ray Safaat, Ilham Sallamah, Afifah Nur Salsabila, Alifa Sanjaya, Nurlana Saputra, Reza Aditya savina, savina Setiawan, Fikri Maulana Sopiatul Ulum Sukma Nurmakarim, Hilmy Sunandar, Adi Tubagus, Ayu Shafira Wati, Sukma Winanto, Tawang Sahro