Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Jurnal Ilmiah KOMPUTASI Prosiding SeNTIK STI&K
Ahmad Sabri
Universitas Gunadarma
Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Languange, Linguistic, Communication & Media

Published : 5 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search
Journal : Prosiding SeNTIK STI

 1 
SEGMENTASI ANOMALI PRODUK DENGAN SSIM AUTOENCODER Ahmad Sabri
Prosiding Seminar SeNTIK Vol. 6 No. 1 (2022): Prosiding SeNTIK 2022
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Dalam industri manufaktur, menghasilkan produk yang bebas anomali (cacat produk) merupakan suatu keharusan. Di sisi lain, inspeksi produk secara manual cukup memakan waktu dan biaya. Penggunaan kecerdasan buatan merupakan pilihan yang tepat mengatasi kendala tersebut. Penelitian yang dilakukan Bergmann pada tahun 2018 mengusulkan model SSIM autoencoder untuk melakukan segmentasi anomali dengan citra produk sebagai inputnya. Penggunaan SSIM sebagai loss function berdasarkan pertimbangan bahwa piksel pada citra memiliki korelasi dengan piksel-piksel di sekitarnya. Dimotivasi oleh penelitian tersebut, penelitian ini menginvestigasi bagaimana pengaruh perbedaan ukuran bottleneck layer dan evaluation window size terhadap akurasi model yang didefinisikan Bergmann tersebut. Pada penelitian ini didefinisikan 3 model autoencoder, yang masing-masing memiliki ukuran bottleneck 100, 300 dan 500. Setiap model dilatih untuk mendeteksi dan melakukan segmentasi anomali pada citra produk grid, screw dan zipper berdasarkan dataset MVTec AD. Segmentasi dilakukan dengan mengacu pada threshold yang diberikan oleh indeks Youden J. Pelatihan dan evaluasi dilakukan sebanyak 100 epoch dengan menggunakan DSSIM loss function, yang merupakan fungsi dari SSIM. Evaluasi menerapkan 3 ukuran window persegi yaitu 7, 11, dan 15. Hasil pengujian memberikan maksimum AUC untuk grid, zipper, dan screw masing-masing adalah 0,9397 (ukuran bottleneck 100, window size 15), 0,7844 (ukuran bottleneck 300, window size 15), dan 0,8837 (ukuran bottleneck 500, window size 11). Disimpulkan bahwa selain konstruksi model, kompleksitas objek juga memberi pengaruh pada akurasi.
Minimal Neural Network Untuk Pengenalan Bendera Negara Ahmad Sabri; Feni Andriani
Prosiding Seminar SeNTIK Vol. 2 No. 1 (2018): Prosiding SeNTIK 2018
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penelitian ini menerapkan TensorFlow pada minimal neural network untuk mengenali citra bendera negara berdasarkan negara asalnya.. Dataset dihimpun dari internet berupa citra yang didominasi bendera sebagai latar depannya, dan berbagai latar seperti langit biru/berawan, latar pepohonan, menghadap kiri atau kanan, berkibar ataupun kuncup. Citra bendera yang mendominasi diperlukan untuk meniadakan prosedur lokalisasi. Sebagai contoh penerapaan, dataset dibatasi pada bendera negara-negara ASEAN. Untuk pengembangannya, cakupan dapat diperluas untuk seluruh negara di dunia. Hasil yang diperoleh memiliki ketepatan 74% terhadap testing image yang digunakan
TRANSFER LEARNING MODEL CNN PRALATIH UNTUK KLASIFIKASI BUNGA IRIS BERBASIS CITRA Ahmad Sabri
Prosiding Seminar SeNTIK Vol. 7 No. 1 (2023): Prosiding SeNTIK 2023
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Klasifikasi bunga iris merupakan topik yang populer pada bidang kecerdasan buatan. Penelitian yang dilakukan untuk topik ini pada umumnya adalah model klasifikasi iris yang mengacu pada dataset iris standar yang berbentuk tabular numerik. Penelitian ini mengusulkan pendekatan alternatif, yaitu menggunakan model kecerdasan buatan yang dibangun berdasar dataset iris berbasis citra. Model yang digunakan adalah model CNN pralatih MobileNet V2, VGG 16 dan Inception V3. Transfer learning dilakukan dengan mengganti top layer dari ketiga model tersebut dengan flattened layer yang dirangkai dengan output layer berupa dense layer 3 simpul dengan fungsi aktivasi softmax. Metode transfer learning dipilih karena jumlah trainable parameter yang jauh lebih sedikit dan waktu training yang lebih singkat dibandingkan menggunakan model Convolutional Neural Network (CNN) yang dibangun dari awal. Perbandingan kinerja ketiga model ditinjau dari metrik precision, recall, F1, dan akurasi. Hasil evaluasi menunjukkan nilai metrik yang bervariasi, di mana tidak ada satu di antara ketiga model tersebut yang semua metriknya mengungguli kedua model lainnya. Dalam hal akurasi, MobileNet V2 memberikan akurasi terbaik yaitu sebesar 91%, diikuti oleh Inception V3 sebesar 87% dan terakhir VGG16 sebesar 84%
Co-Authors Feni Andriani