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 
Deteksi Kematangan Buah Mangga Berbasis Pengolahan Sinyal Digital Menggunakan Radar Fmcw Alvin Banjarsari Sudana; Raditiana Patmasari; Yussi Perdana Saputera
eProceedings of Engineering Vol 6, No 2 (2019): Agustus 2019
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Indonesia merupakan negara agraris dengan daerah perkebunan yang sangat luas. Selain Kelapa sawit, Singkong dan Pisang, Indonesia merupakan negara dengan komoditas buah Mangga yang besar. Pada tahun 2016 statistik FAO menyebutkan Indonesia merupakan negara dengan produksi Mangga terbesar ke-4 didunia. Hal ini tentunya dapat lebih ditingkatkan apabila banyak terobosan teknologi yang digunakan dalam produksi buah Mangga. Teknologi tersebut dapat diterapkan dalam proses penanaman, perawatan, maupun panen. Pada Tugas Akhir ini dibuat suatu sistem yang dapat mendeteksi kematangan buah Mangga berdasarkan pengolahan sinyal digital pada radar FMCW. Sistem bekerja dengan mengklasifikasi tingkat kematangan mangga berdasarkan besar magnitude gelombang yang didapatkan dengan melakukan transformasi fourier diskrit pada frekuensi beat radar siversima RS3400X terhadap buah mangga. Pengklasifikasin dilakukan dengan memperhatikan jarak antara sistem dengan mangga pada kondisi indoor/outdoor. Hasil penelitian ini merupakan hasil pengujian sistem terhadap klasifikasi kematangan sample mangga dan analisa tingkat kematangan mangga pada kondisi dalam ruangan dan luar ruangan pada jarak 90 cm, 100 cm, dan 110 cm terhadap besarnya magnitude gelombang. Pada penelitian menghasilkan suatu sistem mampu mengklasifikasi tingkat kematangan mangga dengan akurasi 42,77 %. Kata kunci : Mangga, kematangan, FMCW, klasifikasi¸ gelombang, magnitude. Abstract Indonesia is an agricultural country with a vast plantation area. In addition to oil palm, cassava and banana, Indonesia is a country with large mangoes production. In 2016 FAO statistics said Indonesia was the fourth largest country of mango production in the world. This of course can be further improved if there are many technological breakthroughs used in the production of Mango. This technology can be applied in the process of planting, tendance, and harvesting. In this Final Project, a system can be detected that can detect the ripenesse of Mango based on digital signal processing on FMCW radar. The system works by classifying the mango ripenesse level based on the magnitude of the wave obtained by performing discrete fourier transforms on the siversima RS3400X radar beat frequency on the mango. Classification is carried out by observing the distance between the system and the mango on indoor / outdoor conditions. This study obtain the results of a system test on the calcification of sample manggo ripenesse level and analysis the effect of the ripenesse level of mangoes in conditions in indoor and outdoor at a distance of 90, 100, and 110 cm against the magnitude wave. In this study, a system was able to classify manggo ripenesse level with an accuracy of 42,77%. Keywords: Mango, maturity, FMCW, classification, magnitude.
Perancangan Sistem Pengukuruan Kadar Natrium Dalam Cairan Elektrolit Miftahul Fawaz; Raditiana Patmasari; R Yunendah Nur Fu’adah
eProceedings of Engineering Vol 7, No 2 (2020): Agustus 2020
Publisher : eProceedings of Engineering

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

Abstract

Elektrolit adalah senyawa yang sangat penting untuk mendukung proses metabolisme dalam tubuh. Alat untuk melakukan pengukuran kadar elektrolit dalam darah biasa disebut Electrolyte Analyzer. Alat yang tersedia saat ini memiliki harga yang relatif mahal dikarenakan harus di import dari luar negeri. Oleh karena itu, penulis mencoba membuat perangkat pendeteksi elektrolit yang sederhana. Komponen terpenting dari alat ini adalah Ion Selective Electrode untuk mengukur tegangan dalam cairan elektrolit. Selain itu, terdapat komponen pendukung seperti multimeter. Setelah mendapatkan data, data akan dibagi menjadi 2 yaitu data uji dan data latih untuk mengelompokan kadar elektrolit. Pengelompokan menggunakan metode klasifikasi k-Nearest Neighbour (k-NN) ke dalam kondisi normal, hipoatremia, dan hiperatremia. Hasil akhir dari Penelitian ini adalah sebuah alat yang digunakan untuk melakukan pengukuran kadar elektrolit dalam cairan dan dikelompokan dengan Matlab. Data diambil dari cairan sampel dengan konsentrasi 110, 115, 120, 125, 130, 135, 140, 145, 150, dan 154 mmol/L. Pengujian yang dilakukan adalah penentuan nilai kadar elektrolit dan pengujian waktu kalibrasi yang memperoleh tingkat akurasi 99,7% dengan skema melalukan kalibrasi setiap satu kali pembacaan cairan sampel. Sedangkan untuk pengelompokan, nilai akurasi tertinggi adalah 75% dengan menggunakan metode k-NN dengan pengukuran jarak Euclidean, City-Block, Chebychev, dan Minkowski dengan nilai k=1 dan juga k=3.Kata kunci : Elektrolit, Ion Selective Electrode, k-NN
Perumusan Sidik Jari Berjenis Loop Dengan Menggunakan Metode PoincarÉ Index Farhan Annur Mahmudi; Raditiana Patmasari; Sofia Sa’idah
eProceedings of Engineering Vol 7, No 2 (2020): Agustus 2020
Publisher : eProceedings of Engineering

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

Abstract

Sidik jari adalah salah satu karakteristik fisiologis pada tubuh manusia yang dapat digunakan untuk identifikasi manusia. Sidik jari dapat digunakan sebagai pengenal atau identitas karena sidik jari memiliki bentuk dan alur yang berbeda pada setiap manusia. Pihak kepolisian menggunakan sidik jari sebagai metode identifikasi menggunakan cara yang konvensional sampai saat ini. Oleh karena itu dibutuhkan sistem yang dapat digunakan untuk perumusan sidik jari berdasarkan citra digital. Tugas akhir ini membuat simulasi sistem yang dapat melakukan perumusan sidik jari dengan metode Poincaré Index. Input sistem berupa citra digital grayscale sidik jari dari sumber data sekunder berupa dataset. Tahap pemrosesan diliputi oleh pre-processing yang mencakup filter gaussian, binerisasi, dan spot removal. Setelah tahap pre-processing dilakukan pendeteksian titik core dan delta, perhitungan jarak antara titik core dan delta dan diakhiri oleh tahap perumusan sidik jari. Output yang dikeluarkan oleh sistem adalah berupa rumus sidik jari yang mencakup informasi tipe sidik jari dan jarak antara titik core dan delta. Sistem perumusan sidik jari yang dirancang menggunakan input citra digital sidik jari grayscale bertipe loop yang dapat menghasilkan rumus sidik jari menggunakan metode poincaré index. Hasil daripada penelitian ini adalah sebuah simulasi sistem yang dapat melakukan perumusan sidik jari dengan tingkat keberhasilan sistem sebesar 80.95%. Kata kunci : sidik jari, biometrik, Poincaré index.
Deteksi Kondisi Fokal Dan Non-fokal Pada Sinyal Eeg Menggunakan Wavelet Fraktal Pelita Santi; Inung Wijayanto; Raditiana Patmasari
eProceedings of Engineering Vol 8, No 5 (2021): Oktober 2021
Publisher : eProceedings of Engineering

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

Abstract

Epilepsi adalah penyakit yang disebabkan oleh aktivitas listrik di dalam otak yan tidak normal. Epilepsi ditandai dengan kelebihan jumlah listrik yang keluar dari sel-sel otak. Keadaan tersebut menyebabkan terjadinya kejang (seizure) ataupun gerakan tidak normal. Ada beberapa cara untuk melakukan deteksi kejang, salah satunya adalah dengan rekaman sinyal electroencephalogram (EEG). Kondisi awal dimana pasien akan didiagnosa menderita epilepsi disebut kondisi fokal. Pengenalan pola dan karakteristik sinyal EEG untuk mendeteksi kondisi fokal dengan mata telanjang membutuhkan waktu yang lama dan peluang kesalahan dalam membedakan serangan epilepsi dari kondisi normal (non-fokal) cukup besar. Oleh karena itu, sebuah sistem dapat digunakan untuk membantu ahli neurologi mendeteksi kondisi fokal dan kondisi normal pada pasien yang akan didiagnosa menderita penyakit epilepsi. Sinyal EEG diolah dengan pengolahan sinyal digital melalui beberapa tahapan, yaitu pre-processing, dekomposisi, ekstraksi fitur, dan klasifikasi. Pada tahap pre-processing dilakukan penggabungan kanal dari dua kanal menjadi satu kanal. Selanjutnya, sinyal EEG didekomposisi menggunakan Wavelet Packet Decomposition (WPD). Tahap ekstraksi fitur dilakukan menggunakan analisis fraktal, yaitu Higuchi dan Katz. Kemudian, fitur tersebut diklasifikasi dengan Support Vector Machine (SVM) menggunakan kernel linear dan K-Nearest Neighbour (KNN). Penelitian ini menggunakan dataset Bern Barcelona. Dataset tersebut merupakan rekaman sinyal EEG dari 5 pasien penderita epilepsi. Proses pre-processing menghasilkan satu kanal yang akan diolah pada tahap selanjutnya. Berdasarkan nilai akurasi, spesifitas dan sensitivitas didapkakan nilai tertinggi pada WPD level 3 dan 4 dengan metode higuchi klasifikasi SVM dengan masing-masing nilai 100% dan klasifikasi KNN nilai akurasi, spesifitas dan sensitivitas didapatkan nilai tertinggi pada level 2 metode Higuchi-Katz dengan masingmasing nilai 100 %. Kata Kunci: Epilepsi, Sinyal EEG, Fokal & Non-Fokal, WPD, SVM, KNN.
Klasifikasi Jenis Kulit Wajah Menggunakan Metode Convolutional Neural Network Zakiah Zakiah; Raditiana Patmasari; Sofia Saidah
eProceedings of Engineering Vol 8, No 6 (2021): Desember 2021
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Kulit merupakan salah satu bagian terpenting pada tubuh manusia, selain berfungsi untuk melindungi organ yang ada di dalam tubuh kulit juga merupakan yang paling penting karena mencerminkan penampilan manusia terutama bagian kulit wajah. Setiap individu tentu ingin menjaga dan merawat kulit mereka, namun karena kulit manusia berbeda-beda maka cara merawatnya akan berbeda. Pada tugas akhir ini dilakukan penelitian klasifikasi kulit manusia menggunakan Convolutional Neural Network dengan arsitektur GoogLeNet. klasifikasi akan dilakukan dalam empat kelas yaitu normal, kering berminyak dan kombinasi. klasifikasi akan dilakukan dalam beberapa langkah, yang pertama yaitu dilakukan proses training model terlebih dahulu. Pengujian yang dilakukan melalui beberapa tahap berikut, yaitu penentuan dataset yang dipakai, proses training model, proses testing, dan pengujian performansi. Tujuan dari penelitian ini adalah melakukan analisis kinerja sistem dalam mengidentifikasi jenis kulit metode Convolusi Neural Network (CNN) dengan arsitektur GoogLeNet. Pengujian terbaik dari penelitian ini didapatkan dengan menggunakan nilai test size sebesar 0,2, ukuran citra 64x64, optimizer yang digunakan SGD dan nilai epoch 125. Hasil dari pengujian tersebut dapat mengklasifikasi kulit wajah dengan tingkat akurasi yang didapat sebesar 99,69 %, loss, 1,6496 %, presisi 100 %, recall 100 % dan F-1 Score 100% Kata kunci : Kulit, Convolutional Neural Network, GoogLeNet Abstract Skin is one of the most important parts of the human body, besides it serves to protect the organs in the body, the skin is also the most important because it reflects the human appearance, especially the facial skin. Every individual certainly wants to maintain and care for their skin, but because human skin is different, the way to care for it will be different. In this thesisproject, skin classification was conducted using Convolutional Neural Network with GoogLeNet architecture. Classification will be carried out in four classes, namely normal, dry, oily and combination. Classification will be carried out in several steps, the first is the model training process. The testing is carried out through the following stages, namely determining the dataset used, model training process, testing process, and performance testing. The purpose of this study is to analyze the performance of the system in identifying skin types using the Convolution Neural Network (CNN) method with GoogLeNet architecture. The best case scenario from this study was obtained using a test size value of 0.2, with image resolution of 64x64, using SGD as an optimizer and an epoch value of 125. Using those number and the chosen optimizer the result of this test can classify facial skin with an accuracy rate of 99.69%, 1.6496% loss, 100% precision, 100% recall and 100% F-1 Score. Keywords: Skin, Convolutional Neural Network, GoogLeNet
Perancangan Sistem Klasifikasi Alzheimer Berbasis Pengolahan Citra MRI Menggunakan Convolutional Neural Network (CNN) Dery Febryanto Bongso; Raditiana Patmasari; Sofia Saidah
eProceedings of Engineering Vol 10, No 5 (2023): Oktober 2023
Publisher : eProceedings of Engineering

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

Abstract

Penyakit Alzheimer atau Alzheimer Diseases(AD) adalah penyakit otak yang menyebabkan penurunan dayaingat, menurunnya kemampuan berpikir dan berbicara, sertaperubahan perilaku. Seiring dengan waktu, Penyakit Alzheimerdapat membuat penderitanya tidak mampu melakukanperkerjaan sehari-hari. Penyakit Alzheimer umumnya terjadipada seseorang yang berusia di atas 65 tahun. Dalammendeteksi Alzheimer para medis menggunakan pencitraanpada otak salah satu metode yang banyak digunakan MagneticResonance Imaging (MRI). Dengan perkembangan teknologipengolahan citra dan komputasi tenaga medis menggunakandeep learning sebagai metode identifikasi. Hal ini dikarenakandeep learning memiliki average precision yang tinggi dalammengklasifikasikan citra. Dari pengujian performa sistem padasistem yang dirancangkan berdasarkan hasil terbaik dari setiapskenario dengan ukuran citra 224×224, optimizer adam, learingrate 0,0001, epoch 80, dan batch size didapatkan tingkat akurasisebesar 92%, tingkat presisi sebesar 94%, recall sebesar 92%,dan f1-score sebesar 93%.Kata kunci— penyakit alzheimer, convolutional neuralnetwork, hidden layer, learning rate, batch rate, resize.
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