Article Per Year (5 Year)
p-Index From 2020 - 2025
1.784
P-Index
This Author published in this journals
All Journal Seminar Nasional Aplikasi Teknologi Informasi (SNATI) JOURNAL OF ELECTRICAL AND SYSTEM CONTROL ENGINEERING IT JOURNAL RESEARCH AND DEVELOPMENT JTERA (Jurnal Teknologi Rekayasa) TELKA - Telekomunikasi, Elektronika, Komputasi dan Kontrol JMECS (Journal of Measurements, Electronics, Communications, and Systems) Almufi Jurnal Pengabdian kepada Masyarakat SinarFe7 eProceedings of Engineering
Raditiana Patmasari
Telkom University
Religion Humanities Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Materials Science & Nanotechnology Mathematics Mechanical Engineering Social Sciences Other

Published : 36 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 26 Documents
Search
Journal : eProceedings of Engineering

 1   2   3 
Perancangan Dan Implementasi Sistem Pendeteksi Kadar Alkohol Pada Mobil Berbasis Arduino Uno Yasi Oktodiranto; Raditiana Patmasari; Hilman Fauzi
eProceedings of Engineering Vol 4, No 1 (2017): April, 2017
Publisher : eProceedings of Engineering

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

Abstract

Jumlah kecelakaan berdasarkan data AIS IRSMS - Polda Jateng, 21% korban meninggal atau cedera serius adalah akibat mengemudi dalam keadaan mabuk / mengkunsumsi alkohol. Alkohol adalah zat psikoaktif yang bersifat adiktif. Zat psikoaktif adalah golongan zat yang bekerja secara selektif, terutama pada otak yang dapat menimbulkan perubahan pada pelaku, emosi kognitif, persepsi, dan kesadaran seseorang. Pada saat seseorang mengkonsumsi alkohol yang berlebihan dapat mengganggu kesadarannya sendiri. Berdasarkan kebutuhan tersebut, pada tugas akhir ini dibuat sebuah sistem yang terpasang di mobil yang dapat mencegah pengemudi berkendara dalam keadaan mengkonsumsi alkohol. Sistem ini terdiri dari perangkat utama berupa arduino UNO. Kemudian dengan perangkat tambahan berupa sensor yang akan mendeteksi nafas sang pengemudi apakah terdeteksi sedang mengkonsumsi alkohol. Sensor akan membaca tingkat kadar alkohol pada pengemudi tersebut, apabila sensor mendeteksi alkohol dibawah 5% maka led kuning akan menyala dan LCD akan menampilkan kadar alkohol yang telah dikonsumsi, sedangkan jika sensor mendeteksi alkohol diatas 5% maka led merah, buzzer akan menyala selama 15 detik disertai LCD yang akan menampilkan sebuah peringatan bahwa mesin akan dimatikan. Kata kunci : Arduino UNO, Alkohol, MQ-3
Deteksi Kelainan Tulang Belakang Berdasarkan Citra Medis Digital Dengan Menggunakan Gray Level Co-occurrence Matrix (glcm) Dan K-nearest Neighbor (knn) Yudhi Afriyana; Rita Purnamasari; Raditiana Patmasari
eProceedings of Engineering Vol 5, No 3 (2018): Desember 2018
Publisher : eProceedings of Engineering

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

Abstract

ABSTRAK Kelengkungan dan postur tulang belakang sangat penting dalam mengukur tingkat masalah kesehatan pada tubuh manusia. Kondisi postur tulang belakang yang salah dapat mempengaruhi kesehatan pada tubuh seperti ketegangan pada otot dan sakit pada punggung. Skoliosis adalah salah satu kelainan pada tulang yang membuat tulang belakang dapat melengkung ke sisi kiri dan kanan. Sehingga kelainan tersebut dapat mengganggu efektifitas pada fungsi tulang belakang tersebut. Tugas akhir ini bertujuan untuk membuat sebuah sistem yang dapat mendeteksi kelainan pada tulang belakang pada hasil citra rontgen, sehingga sistem dapat secara otomatis memilah kelaianan skoliosis sesuai dengan arah kemiringannya dan dokter hanya tinggal menentukan besar derajat kemiringannya. Dibuatnya sistem ini diharapkan dapat membantu proses pemilahan data klasifikasi citra rontgen, sehingga diharapkan dapat membantu proses pengklasifikasian data dengan cepat dan akurat. Pada Tugas Akhir ini citra yang digunakan merupakan hasil CT imaging dari hasil rontgen yang terdiri dari beberapa proses penghitungan. Sistem menggunakan metode ekstraksi ciri Gray Level Co-Occurance Matrix (GLCM) untuk mendapatkan extract level dari citra alat diagnostik kesehatan dengan format .jpg. Kemudian hasil extract level tersebut diklasifikasikan dengan K-Nearest Neighbor (KNN) sehingga akan dihasilkan 3 klasifikasi yaitu tulang punggung manusia normal, kelainan dekstroskoliosis dan kelainan levoskoliosis. Untuk pengujian ini, dilakukan pengujian dengan 128 citra tulang belakang, dengan komposisi masingmasing kelas citra memilki 53 citra normal, 36 citra dekstroskoliosis, dan 39 citra levoskoliosis. Sehingga didapatkan akurasi terbaik sebesar 84,84% pada sistem yang menggunakan parameter GLCM orde dua dikeempat parameter, jarak sebesar 3 piksel dengan arah (0o , 45o , 90o , 135o ) , dan level kuantisasi 8 , sedangkan pada parameter KNN dengan nilai k = 1 di keempat parameter KNN yang digunakan . Kata kunci: Skoliosis, Gray Level Co-Occurrence Matrix (GLCM), K-Nearest Neighbor (K-NN) ABSTRACT The curvature and posture of the spine is very important in in measuring the level of health problems in the human body. The wrong posture of the spine can affect health in the body such as muscle tension and back pain. Scoliosis is one of the abnormalities in the bones that make the spine curl to the left and right sides. So the abnormality can interfere with the effectiveness of the spine function. This final project aims to create a system that can detect abnormalities in the spine on X-ray images, so that the system can automatically sort the scoliosis gap according to the direction of slope and the doctor only determines the degree of slope. The creation of this system is expected to help sort out X-ray image classification data, so that it is expected to help the data classification process quickly and accurately. In this Final Project, the image used is the result of CT imaging from X-ray results which consists of several counting processes. The system uses the extraction method feature Gray Level Co-Occurance Matrix (GLCM) to get extract level from the image of the health diagnostic tool with the .jpg format. Then the extract level results are classified with K-Nearest Neighbor (KNN) so that there will be 3 classifications namely normal human backbone, dextroscoliosis disorder and levoskoliosis disorder. This testing is conducted using 128 images of spinal, with the composition of each image class having 53 normal images, 36 decstroscoliosis images and 39 levoskoliosis images. So that obtained the best accuracy ISSN : 2355-9365 e-Proceeding of Engineering : Vol.5, No.3 Desember 2018 | Page 4675 2 of 84.84% in a system that uses second-order GLCM parameters in four parameters, a distance of 3 pixels with direction (0o , 45o , 90o , 135o ), and the quantization level of 8, while the KNN parameter with a value of k = 1 in the four KNN parameters used. Keywords: Scoliosis, Gray Level Co-Occurrence Matrix (GLCM), K-Nearest Neighbor (K-NN)
Analisis Parameter Skala Dan Pergeseran Untuk Deteksi Objek Pada Kerangka Kerja Tracking-learning-detection (tld) Putri Utami Hafgianti; Suryo Adhi Wibowo; Raditiana Patmasari
eProceedings of Engineering Vol 4, No 3 (2017): Desember, 2017
Publisher : eProceedings of Engineering

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

Abstract

Learning pada TLD adalah salah satu proses yang membedakan TLD dengan metode tracking objek lainnya. Proses Learning terjadi apabila objek yang diamati dalam suatu video terjadi out-of-view atau terjadi oklusi, saat objek tersebut akan muncul kembali maka akan terdeteksi kembali sebagai objek yang sedang diamati karena learning bertugas mengestimasi kesalahan deteksi dan terdapat training example untuk menghindari kesalahan. Untuk merepresentasikan objek yang diamati digunakan bentuk geometrik, seperti bounding box.Sistem TLD diberikan input berupa image sequences dan diberikan nilai parameter skala dan parameter pergeseran yang sudah ditentukan. Selanjutnya dilakukan inisialisasi pada sebuah objek yang direpresentasikan dalam bounding box pada frame pertama. Setelah sistem TLD sudah selesai dijalankan, maka didapatkan output berbentuk image sequences yang sudah terdapat bounding box, dan nilai titik bounding box. Hasil dari tugas akhir ini direpresentasikan dalam bentuk grafik one-pass evaluation (OPE) yang menunjukkan hasil parameter performansi, yaitu success plot dan precision plot. Masing-masing parameter performansi juga menampilkan grafik berdasarkan sebelas challenge problem. Secara keseluruhan, nilai success plot dan precision plot terbaik didapat pada nilai parameter skala 0.5 dan nilai parameter pergeseran 10 yang berarti, semakin kecil nilai parameter skala dan nilai parameter pergeseran maka semakin bagus performansinya.Kata Kunci : Bounding box, groundtruth, Skala, Tracking-learning-detection (TLD), Frame, pergeseran, grafik one-pass evaluation (OPE).
Analisis Sinyal Gelombang Otak Alpha, Beta Dan Theta Terhadap Kejujuran Mahasiswa Menggunakan Sinyal Eeg 5 Kanal Ilham Fadhlurrohman; Inung Wijayanto; Raditiana Patmasari
eProceedings of Engineering Vol 5, No 3 (2018): Desember 2018
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Perilaku kejujuran sudah mulai sedikit sudah ditemui pada saat ini karena kurangnya akhlaqul karimah yang baik. Dan secara psikologis pun memunculkan timbulnya kebiasaan-kebiasaan buruk dikemudian hari. Manusia mempunyai 5 jenis pola sinyal otak yaitu alpha, beta, theta, delta, dan gamma dengan frekuensi berbeda-beda tergantung masing-masing sinyal ketika melakukan kebohongan dan kejujuran karena memiliki pola sinyal otak yang berubah-ubah. Pada penelitian ini ekstrasi sinyal menggunakan metode Discrete Wavelet Transform (DWT) dikarenakan metode tersebut merupakan fungsi logic yang membagi data menjadi beberapa komponen frekuensi yang berbeda-beda, dengan cara mewawancarai subjek dengan dua pertanyaan dengan sesi yang berbeda yaitu sesi umum dan seksual, kemudian dilakukan analisis untuk masing-masing komponen menggunakan resolusi sesuai dengan skalanya yang dapat dimanfaatkan untuk memisahkan sinyal yang akan dianalisis , yaitu sinyal alpha,beta dan theta. Hasil pada penelitian ini dapat mengklasifikasikan kebohongan dan kejujuran dan menunjukan sinyal alpha, beta dan theta seseorang. Pengujian data uji ini didapatkan akurasi terbaik pada kanal PZ yaitu 70%. Dan akurasi masing-masing kanal didapatkan berbagai akurasi yang berubah-ubah namun stabil antara 55%-85%, hal ini disebabkan dari prinsip kerja JST yang seperti otak manusia, tidak menentu. Kata kunci : Kejujuran, EEG, DWT, JST. Abstract Behavior of honesty has started a little already found at this time due to lack of good akhlaqul karimah. And psychologically also led to the emergence of bad habits in the future. Humans have 5 types of brain signal patterns, namely alpha, beta, theta, delta, and gamma with different frequencies depending on each signal when doing lies and honesty because it has an altered brain signal pattern. In this study signal extraction uses the Discrete Wavelet Transform (DWT) method because it is a logic function that divides the data into several different frequency components, by interviewing subjects with two questions with different sessions, namely general and sexual sessions, then done analysis for each component using the resolution according to the scale that can be utilized to separate the signals to be analyzed, ie alpha, beta and theta signals. The results of testing this test data obtained the best accuracy on the PZ channel that is 70%. And the accuracy of each channel obtained varying accuracy but stable between 55% -85%, this is due to the principle of the ANN that is like the human brain, uncertain. Keywords : Honesty, EEG, DWT, JST
Deteksi Tepi Dan Lvq Untuk Klasifikasi Bentuk Wajah Ihsan Budi Purwono; Raditiana Patmasari; R Yunendah Nur Fuadah
eProceedings of Engineering Vol 5, No 3 (2018): Desember 2018
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Bentuk wajah dapat digunakan untuk mengetahui beberapa hal seperti bentuk kacamata atau untuk mengetahui riasan wajah yang cocok. Bentuk wajah juga dapat digunakan untuk observasi kebiasaan, psikologi maupun kesehatan seseorang.Maka dari itu ingin dibuat sistem deteksi dan klasifikasi bentuk wajah yang dapat membantu masyarakat dan juga diharapkan dapat menambah fitur untuk pendeteksian bentuk wajah yang berfungsi menambah akurasi sistem deteksi wajah. Untuk mewujudkan sistem ini dipilih menggunakan bantuan metode Learning Vector Quantization sebagai klasifikasi kelasnya dan ekstraksi ciri F-SIFT (Flip Scale-Invariant Fourier Transform). Pengujian dilakukan dengan 45 data latih dan 45 data uji dan didapatkan nilai akurasi rata-rata untuk citra uji dirotasi, dimiringkan dan dirubah skala berturut-turut adalah sebesar 48.15%, 41.11% dan 85.93%. Kata kunci : Bentuk Wajah, Learning Vector Quantization, Flip Scale-Invariant Fourier Transform Abstract Facial shape can be used to know lot of things like the form of glasses or to find the appropriate facial makeup. Facial shape can also be used for observation of habits, psychology and health of a person. Therefore the writer wanted to create a system detection and classification of face shape that can help the community and also expected to add features to detect facial shape that aims to increase the accuracy of face detection system. The selected method is using Learning Vector Quantization as its classification and Flip Scale-Invariant Fourier Transform (F-SIFT) for the feature extraction. In this simulation will use the face image and will be taken the edge of the face using the Landmark Facial and Canny edge detection. The last process is compared to the shape of a person's face in a database that has been created before. Tests were carried out with 45 training data and 45 test data and average accuracy values obtained for rotated, tilted and modified scales for test images were 48.15%, 41.11% and 85.93% respectively. Keywords : Face Shape, Learning Vector Quantization, Flip Scale-Invariant Fourier Transform
Analisis Pengaruh Tingkat Kompleksitas Hafalan Pada Sinyal Alfa Dan Beta Eeg Mohamad Ilham Abdurrahman; Inung Wijayanto; Raditiana Patmasari
eProceedings of Engineering Vol 5, No 3 (2018): Desember 2018
Publisher : eProceedings of Engineering

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

Abstract

ABSTRAK Hafalan adalah suatu hal yang sangat umum dilakukan oleh orang-orang untuk banyak kebutuhan dalam kehidupan. Mulai dari kebutuhan sosial, pendidikan sampai dengan kebutuhan religius. Hafalan juga dapat membuat otak mudah lelah dikarenakan oleh tingkat kesulitan hafalannya. Sehingga kita dapat menyadari bahwa tingkat materi yang dihafalkan seseorang berdampak pada otak orang tersebut. Penelitian ini dilakukan untuk menganalisis dan mengidentifikasi sinyal alfa dan beta otak pada Electroencephalograph (EEG). Gelombang otak diambil dari responden yang sedang menghafal 3 materi berbeda yaitu nama-nama orang, rumus kalkulus dan ayat Alquran. Penelitian ini dianalisis dan diidentifikasi menggunakan metode Principal Component Analysis (PCA) dan diklasifikasi dengan metode K-Nearest Neighbor (K-NN) Keluaran dari penelitian ini didapatkan kanal dan ciri mana yang paling efektif untuk digunakan yaitu TP9 untuk pelatihan dan TP10 untuk pengujian. Hasil pengujian menunjukan rata-rata akurasi yang diperoleh sebesar 79,125% pada kedua jenis sinyal. Hasil perbandingan bentuk sinyal menunjukan bahwa pada ketiga kompleksitas hafalan, sinyal alfa lebih cenderung muncul daripada beta pada sinyal otak dan urutan kompleksitas hafalan dari yang paling kompleks adalah hafalan rumus, Alquran, kemudian nama berdasarkan dari perbandingan besaran nilai amplitude, magnitude dan Eigen Value (EigVal). Kata Kunci : Hafalan, EEG, Alfa, Beta, PCA, K-NN, EigVal. ABSTRACT Memorizing is something that is commonly done in many occasions in life. Starting from social, educational, and religious needs. Rote can also make human brain gets easily tired, caused by the complexity of the rote materials. So that we realize that the complexity of the materials that is recited might impact to our brain. This research is done to analyze and identify alpha and beta signals on electroencephalograph (EEG). Brainwaves are taken from respondents who were reciting 3 different things, those are names, formula and verse from Holy Quran. This study is analyzed and identified using Principal Component Analysis (PCA) and the classification using K-Nearest Neighbor (K-NN). The output of this research is to determine which channel and feature is the most effective to be used, which are TP9 for training and TP10 for testing. The data testing result is obtained in amount of 79,125% for both frequencies. Signal comparison results show that from those 3 different rote complexity, alpha signal always liable in brain waves and the complexity order from the most complex are formula, Holy Quran, and name, obtained from the value comparison of amplitude, magnitude and Eigenvalue (EigVal). Keyword : Rote, EEG, Alpha, Beta, PCA, K-NN, Eigval.
Perancangan Dan Implementasi Alat Pengukur Kadar Glukosa Dalam Darah Secara Non-invasive Berbasis Arduino Boby Irfanudin Anwar; Raditiana Patmasari; Hilman Fauzi
eProceedings of Engineering Vol 3, No 3 (2016): Desember, 2016
Publisher : eProceedings of Engineering

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

Abstract

Penyakit Diabetes Melitus merupakan salah satu penyakit yang mematikan yang dihadapi oleh orang - orang di Indonesia. Angka jumlah penderita penyakit ini di Indonesia sebanyak 10 juta penderita menurut (IDF) International Diabetes Federation. Bahkan menurut World Health Organization (WHO) Indonesia masuk lima negara dengan jumlah penderita Diabetes Melitus. Penyakit ini disebabkan oleh tingginya kadar glukosa dalam darah. Penderita biasanya tidak terkontrol akan konsumsi gula dalam kehidupan sehari - hari. Untuk pengukuran kadar gula dalam darah sejauh ini yang banyak digunakan adalah alat invansive yaitu dengan melukai tubuh pasien. Teknik seperti ini membuat penderita enggan untuk melakukan pengukuran kadar glukosa dalam darahnya secara rutin. Padahal dianjurkan untuk melakukan pengukuran secara berkala agar dapat mengendalikan asupan nutrisi dalam tubuh. Tugas akhir ini dibuat dengan memodifikasi penggunaan oxymeter dari Nellcor ds-100a. Yaitu dengan membaca daya yang diterima oleh photodiode yang dipancarkan oleh LED(Light Emitting Diode) Inframerah dan LED merah dan kemudian tegangan yang didapatkan dikonfersikan menjadi sebuah hasil dengan cara tegangan dikalikan dengan konstanta dari hasil perhitungan standarisasi alat. Pada tugas akhir ini diharapkan daat menghasilkan yang prinsip kerjanya non-invasive sehingga orang dapat dengan mudah melakukan pengukuran kadar glukosa dalam darah mereka tanpa mengeluarkan darah dan mengalami rasa sakit. Alat yang akan dibuat bekerja dengan menggunakan prinsip kerja photodioda dan infrared serta LED merah yang terpengaruh oleh molekul glukosa dalam darah. Yang kemudian diproses oleh microcontroller yang berbasis Arduino yaitu WEMOS D1. Data pengujian untuk variasi penggunaan jari masing masing 30 sample. Dan untuk nilai mean square of error (MSE) terendahnya adalah 21.07 Kata Kunci : glukosa, darah, diabetes, glucometer, non-invasive, nellcor ds-100a, microcontroller
Analisis Respon Tidur Saat Mendengarkan Musik Klasik Dan Musik Rock Melalui Sinyal Eeg Menggunakan Wavelet Transform Olivia Rossiana; Inung Wijayanto; Raditiana Patmasari
eProceedings of Engineering Vol 5, No 3 (2018): Desember 2018
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Ketika mendengarkan musik atau suara tertentu terkadang manusia merasakan suatu emosi dan respon yang berbeda beda, respon ini muncul akibat stimulus dari musik atau suara tersebut, yang mengakibatkan turun naiknya aktivitas otak. Dengan mendengarkan musik saat tidur, akan mempengaruhi tidur seseorang. Untuk dapat mengklasifikasikan aktivitas dan karakeristik otak diperlukan proses pengukuran aktivitas gelombang otak. Dalam tugas akhir ini dilakukan analisa aktivitas otak dengan mengggunakan EEG terhadap orang yang tidur dengan mendengarkan musik Dengan menggunakan Electrochepalography (EEG) sebagai instrumen untuk menangkap sinyal otak. Electrochepalography adalah perangkat yang dapat menangkap aktivitas listrik di otak dan menginformasikan kondisi seperti emosional, kelelahan, kewaspadaan, kesehatan dan tingkat konsentrasi. Sebelum menganalisis pengaruh suara terhadap aktivitas otak melalui EEG yang dihasilkan pada tugas akhir ini dirancang sistem untuk mengklasifikasikan kondisi nyenyak tidur seseorang ketika diberikan rangsangan suara berdasarkan analisis sinyal delta dan theta dengan menggunakan EEG. Ekstraksi ciri yang digunakan yaitu Discrete Wavelet Transform dan K-Nearest Neighbor (KNN) untuk klasifikasi. Hasil pengujian menunjukan bahwa kanal terbaik terdapat pada kanal AF8 pada sinyal delta dengan akurasi 96%, 29 data dari 30 data dapat mengenali sistem dengan baik dan theta dengan akurasi 93%, 28 data dari 30 data dapat mengenali sistem dengan baik. Kata Kunci: Electrochephalography, Discrete Wavelet Transform, KNN Abstract When listening to certain music or sounds sometimes humans feel different emotion and response, this response arises from the stimulus from the music or sound. By listening music while sleeping will affect a person’s sleep. To classify the brain activity it required process of measurement of brain wave activity. In this final project conducted analysis of brain activity by using EEG based on people who sleep while listening music by using EEG as an instrument to capture brain signals. EEG is a device that can capture electrical activity in the brain and inform conditions such as emotional, fatigue, health and concentration levels. Before analyzing the effect from the given stimulus on brain activity through EEG. In this final project been designed system to classify the sleep response while listening music classic and music rock based on delta and theta signal using EEG. Discrete Wavelet Transform and K-Nearest Neighbor (KNN) for classification. The test result show that the best channel is on AF8 channel on the delta signal with 96% accuracy , 29 data from 30 data can recognize the system well and theta signal with 93% accuracy, 28 data from 30 data can recognize the system well. Keywords : Electrochephalography, Discrete Wavelet Transform, KNN
Koreksi Kegagalan Pelacakan Untuk Pelacakan Objek Berbasis Kernel Tembang Florian Falah; Suryo Adhi Wibowo; Raditiana Patmasari
eProceedings of Engineering Vol 6, No 1 (2019): April 2019
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Pelacakan objek merupakan salah satu bidang pada computer vision yang telah banyak diteliti dan semakin menunjukkan peningkatan yang semakin pesat dari tahun ke tahun, Dalam pengaplikasiannya pelacakan objek digunakan dalam melacak gerakan suatu benda maupun manusia hingga augmented reality. Meskipun sudah cukup canggih namun tetap saja akan mengalami kegagalan pelacakan, karena banyak faktor yang bisa menyebabkan gangguan pada objek dan dapat menyebabkan kegagalan dalam pelacakan. Sistem ini akan bekerja dengan mendeteksi objek dalam suatu video dari setiap framenya, dengan menginisialisasi objek pada frame pertama lalu pelacakan di mulai dari frame kedua hingga frame terakhir dengan mengambil representasi color histogram dari objek yang telah diinisialisasi pada frame pertama, metode yang digunakan saat pelacakan adalah mean-shift tracking. Dalam pengaplikasiannya akan menggunakan algoritma kernel based objek untuk membangkitkan mean-shift tracking. Parameter pengujian untuk analisis kegagalan pelacakan yang digunakan dalam penelitian ini adalah dengan bhattacharyya, kita akan mengetahui seberapa besar sistem dapat melacak objek dengan benar dan mengetahui penyebab dari kegagalan pelacakan itu sendiri. Hasil yang diperoleh dari penelitian ini adalah pengkoreksian kegagalan pelacakan dengan metode peningkatan performansi sistem. Parameter performansi pada tugas akhir ini menggunakan metode precision plot dan juga success plot dalam pengevaluasiannya dengan menggunakan groundtruth pada (OTB-50) sebagai dataset. Untuk threshold bhattacharyya menggunakan nilai 0,8 dan image Enhancement sebesar 1,4. Berdasarkan hasil percobaan yang dilakukan pada 5 buah sequences dari 50 sequences terpilih yaitu DragonBaby, Box, Basketball, CarDark, dan BlurFace. Didapatkan peningkatan performansi karena pengkoreksian terbesar sebesar 1,885 atau 1,88% pada sequence DragonBaby. Kata kunci : Pelacakan objek, mean-shift tracking, color histogram, tracking failure, bhattacharyya coefficient. Abstract Object tracking is one of the fields in computer vision that has been widely investigated and increasingly shows an increasingly rapid increase from year to year. In its application object tracking is used in tracking the movements of objects and humans to augmented reality. Even though it is quite sophisticated, it will still experience tracking failure, because there are many factors that can cause interference to the object and can cause tracking failure. This system will work by detecting objects in a video from each frame, by initializing the object in the first frame then tracking from the second frame to the last frame by taking a color histogram representation of the object initialized in the first frame, the method used when tracking is mean-shift tracking. In its application, it will use the kernel-based algorithm to generate mean-shift tracking. The test parameter for tracking failure analysis used in this study is with the Bhattachary, we will find out how much the system can track the object correctly and find out the cause of the tracking failure itself. The results obtained from this study are correction of tracking failure with a system performance improvement method. The performance parameters in this final project use the precision plot method and also the success plot in evaluating it using groundtruth from (OTB-50) as a dataset. For the bhattachary threshold, use the value 0.8 and image enhancement of 1.4. Based on the results of experiments conducted on 5 sequences of 50 selected sequences, namely DragonBaby, Box, Basketball, CarDark, and BlurFace. Performance improvement was achieved because the biggest correction was 1,885 or 1.88% in the DragonBaby sequence. ISSN : 2355-9365 e-Proceeding of Engineering : Vol.6, No.1 April 2019 | Page 867 Keywords: object tracking, mean-shift tracking, color histogram, tracking failure, bhattacharyya coefficient.
Klasifikasi Kenyenyakan Tidur Berdasarkan Umur Pada Sinyal Electroencephalograph Dengan Melihat Kondisi Non Rapid Eye Movement : Classification Depth Of Sleep Based On Age By Using Electroencephalograpgh Wave With See Non Rapid Eye Movement Condition Naufal Rizky Pratama; Raditiana Patmasari; Sugondo Hadiyoso
eProceedings of Engineering Vol 6, No 1 (2019): April 2019
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Manusia membutuhkan tidur untuk mengekang stress di dalam diri. Kurang tidur membuat mudah stress, cemas, dan juga tegang. Maka dari itu tidur yang cukup sangatlah penting. Saat tidur, otak beraktivitas, merespon, dan menghasilkan brainwave atau sinyal otak. Dalam tidur terbagi dua metode kondisi mata yaitu Rapid Eye Movement (REM) dan Non Rapid Eye Movement (NREM). Salah satu cara untuk mendeteksi dan merekam sinyal otak yang disebabkan oleh aktivitas neuron pada otak manusia adalah Electroencephalography (EEG). Oleh karena itu penelitian ini mengklasifikasikan kondisi kenyenyakan tidur pada sinyal EEG yang di ekstraksi ciri dengan HJORTH Descriptor. Setelah itu akan diklasifikasikan menggunakan Support Vector Machine. Dalam mengklasifikasikannya penelitian ini mengambil data dari penelitian Analysis of a SleepDependent Neuronal Feedback Loop: The Slow-Wave Microcontinuity of the EEG. Data ini sudah melalui tahap proses pre-procesing data yang ada di database, setelah itu menggunakan metode Hjorth Descriptor untuk mengekstraksi ciri fitur sinyal EEG dan diklasifikasi menggunakan SVM untuk melihat kondisi tidur tersebut termasuk dalam kategori nyenyak, kurang nyenyak, atau bahkan tidak nyenyak. Dalam penelitian ini hanya mengambil 39 data yang terdiri dari 20 correspondent dan dalam 2 kondisi malam yang berbeda. Malam pertama perekaman tidur normal. Malam kedua perekaman tidur dengan diberikan obat tidur kepada correspondent. Penelitian ini memperoleh parameter keberhasilan 100% menggunakan kernel Linear SVM, menghasilkan keluaran kondisi tidur yang terdiri dari tidur nyenyak pada saat lampu dimatikan, tidur kurang nyenyak pada saat mau terbangun, dan tidur tidak nyenyak pada saat awal tidur. Kata kunci : EEG, NREM, REM, HJROTH Descriptor, SVM Abstract Human need sleep to curb stress. Lack of sleep make easy stress, worried, and uptight. Therefore enough sleep is more important. At sleep, the brain moves, respond, and generate brainwave. In sleep has divided two condition method eye there is Rapid Eye Movement (REM) and Non Rapid Eye Movement (NREM). Either way to detect and record brainwave is Electroencephalography (EEG). Therefore this research will classify depth of sleep in EEG signal using HJORTH Descriptor to extraction the feature of data. After that will classify using Support Vector Machine. In classifying it, this research take data from research Analysis of a Sleep-Dependent Neuronal Feedback Loop: The Slow-Wave Microcontinuity of the EEG. The data has been pre-processing, after that using HJORTH Descriptor to extract characterstic feature signal of EEG and classify using SVM too see the sleep condition included in the category depth of sleep, well sleep, or not well sleep. In this research just took 39 data consisting of 20 correspondent in two night difference condition. The first night normal sleep recorded. The second night Temazepam has given to correspondent. This research has been reach 100% using Linier kernel SVM, produce output condition of sleep consisting of depth of sleep when the lights off, well sleep when before waking up, not well sleep when the lights on. Keywords: EEG, NREM, REM, HJROTH Descriptor, SVM
Co-Authors A F Akbar Achmad Rizal Alvin Banjarsari Sudana Arif Indra Irawan Azis Ansori Wahid Bagus Robbiyanto Boby Irfanudin Anwar Dery Febryanto Bongso Donny Janu Sundoro Farhan Annur Mahmudi Gelar Budiman Herdian Anantya Risma Hidayat, Muhammad Rahmat Hilman Fauzi, Hilman Hurianti Vidyaningtyas Ihsan Budi Purwono Ilham Fadhlurrohman Inung Wijayanto Irdin Arjulian Khoirul Anwar Koredianto Usman Miftahul Fawaz Mohamad Ilham Abdurrahman Mohamad Ramdhani Muhamad Ihsan S Muhammad Rahmat Hidayat Muhammad Rahmat Hidayat Nadya Putri Yuliani Nadya Putri Yuliani Naufal Rizky Pratama Nimas Fatihah Noor Akhmad Gilar Romadhon Nyoman Bogi Aditya Karna Olivia Rossiana Pelita Santi Putri Utami Hafgianti R. S. Deanto R. Yunendah Nur Fu’adah Rachmat Hidayat Ashary Rajali Ginting Rifky Abdul Khafid Rita Magdalena Rita Purnamasari Shafitri Nurhanifa Sholih, Ghinan Muhammad Sofia Sa’idah SOFIA SAIDAH Suci Aulia Sugondo Hadiyoso Suryo Adhi Wibowo Tembang Florian Falah Y. P. Gautama Yasi Oktodiranto Yudhi Afriyana YULI SUN HARIYANI Yussi Perdana Saputera Zakiah Zakiah