Claim Missing Document
Check
Articles

Found 29 Documents
Search

Implementasi dan Analisis Performa Pembelajaran Pengenalan Hewan Pada Anak-Anak Usia 5 Tahun Berbasis Augmented Reality Chrisdyanto, Daniel Nourman; Himamunanto, Agustinus Rudatyo; Sumihar, Yo’el Pieter
Kesatria : Jurnal Penerapan Sistem Informasi (Komputer dan Manajemen) Vol 5, No 3 (2024): Edisi Juli
Publisher : LPPM STIKOM Tunas Bangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30645/kesatria.v5i3.424

Abstract

Introducing animals to early childhood is a crucial aspect of their initial educational development. At the age of 5, children are in a significant phase of developing language, observational skills, and conceptual understanding. In the context of learning, Augmented Reality (AR) can provide a more interactive and immersive learning experience compared to traditional methods. This application was created using Vuforia and Unity Engine, with the C# programming language. The application can display 3D animal objects, play animal sounds, and provide information about the animals in Indonesian. The animals featured in this application are the Brazilian turtle and the dog. Based on the data, images included in the Vuforia database showed a detection success rate of 7 out of 9 images for the Brazilian turtle. Meanwhile, for the dog, 10 out of 12 images included in the Vuforia database were successfully detected. These figures are reflected by the number of stars in the Vuforia database.
Peningkatan Resolusi Citra dengan Menggunakan Metode GAN untuk Aplikasi Peningkatan Gambar Ama, Marniati Triningsi Tamo; Himamunanto, Agustinus Rudatyo; Setyawan, Gogor Christmass
Kesatria : Jurnal Penerapan Sistem Informasi (Komputer dan Manajemen) Vol 5, No 3 (2024): Edisi Juli
Publisher : LPPM STIKOM Tunas Bangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30645/kesatria.v5i3.447

Abstract

This research proposes the use of a Generative Adversarial Network (GAN), a deep learning approach consisting of two neural networks: a generator that generates high-resolution images from low-resolution images, and a discriminator that distinguishes between original high-resolution images. and the image the generator produces. Through joint training, the generator learns to produce increasingly realistic and detailed images. This research uses training data of 400 image data, 100 images consisting of training data and test data. The GAN model trial showed a success rate of 80% training data, 20% test data. This process continued through repeated testing and 10,000 epoch training periods using Pytorch to train the GAN, with sharper and more detailed results than conventional methods. The application of GANs in various applications such as medical image processing, video restoration, and security surveillance shows great potential in improving image quality. Challenges such as training stability and computational time are overcome through more efficient regularization and optimization techniques, so that GANs prove to be a powerful tool for image resolution enhancement with a significant contribution to the development of more advanced image processing technologies.
Identifikasi Pola Obyek Kain Tenun Sumba dengan Menggunakan Metode K-Nearest Neighbor (KNN) Budiati, Haeni; Himamunanto, Agustinus Rudatyo; Bolo, Naomi Tena
Upgrade : Jurnal Pendidikan Teknologi Informasi Vol 1 No 1 (2023)
Publisher : Pendidikan Teknologi Informasi Universitas Bumigora

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30812/upgrade.v1i1.3149

Abstract

Woven fabrics originating from Sumba have their own patterns that distinguish them from other woven fabric patterns throughout Indonesia. The pattern is a distinctive feature that describes the culture of the people in Sumba which is very diverse. To distinguish fabric patterns, one of the algorithms for object recognition is the K-Nearest Neighbor (KNN) algorithm. The KNN algorithm classifies objects based on training data that is closest to the object. Processing works by using metric and eccentricity parameters on training data and input images. This processing will produce text data which is the identification of objects in Sumba woven fabric motifs. Based on the testing that has been done, it successfully identifies the type of object contained in the training data. For types of objects that are not contained in the training data, identification is based on their proximity to the types of objects in the group that contain Sumba woven fabric patterns. The accuracy level of Sumba woven fabric pattern object identification in testing 70 different fabric motif images obtained 62 objects in the input image can be identified correctly (88.57%), while 8 objects in the input image cannot be identified (11.43%).
Analisis Performa Metode Yolo Untuk Deteksi Hyperlipidemia Berdasarkan Klasifikasi Citra Corneal Arcus Supriadi, Joseph; Himamunanto, Agustinus Rudatyo; Budiati, Haeni
Progresif: Jurnal Ilmiah Komputer Vol 20, No 2: Agustus 2024
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v20i2.2088

Abstract

Hyperlipidemia is a medical condition with high blood lipid levels that increase the risk of cardiovascular disease. A physical indicator of hyperlipidemia is Corneal Arcus, a white ring around the cornea. This study analyzes the ability of the YOLO (You Only Look Once) method to detect and classify Corneal Arcus in eye images. The dataset consists of 348 eye images in three categories: normal, at-risk, and Corneal Arcus. Results show the YOLO model achieved 88.9% accuracy in detecting Corneal Arcus, with precision, recall, F1-score, and mean average precision (MAP) of 88.9%, 89.2%, 88.8%, and 88.9%, respectively. These findings indicate significant potential for the YOLO method in technical applications within informatics. Although not yet validated for medical use, this research aims to share basic scientific ideas.Keywords: YOLO; Hyperlipidemia; Corneal Arcus; Image Classification AbstrakHyperlipidemia adalah kondisi medis dengan kadar lipid darah tinggi yang meningkatkan risiko penyakit Kardiovaskular. Indikator fisik hyperlipidemia adalah Corneal Arcus, cincin putih di sekitar kornea. Penelitian ini menganalisis kemampuan metode YOLO (You Only Look Once) dalam mendeteksi dan mengklasifikasikan Corneal Arcus pada citra mata. Dataset terdiri dari 348 gambar mata dalam tiga kategori: normal, berisiko, dan Corneal Arcus. Hasil menunjukkan model YOLO mencapai akurasi 88,9% dalam mendeteksi Corneal Arcus, dengan presisi, recall, F1-score, dan mean average precision (MAP) masing-masing sebesar 88,9%, 89,2%, 88,8%, dan 88,9%. Temuan ini menunjukkan potensi besar metode YOLO dalam aplikasi teknis di bidang informatika. Meskipun belum tervalidasi untuk penggunaan medis, hasil ini bertujuan untuk membagikan ide ilmiah dasar.Kata kunci: YOLO; Hyperlipidemia; Corneal Arcus; Klasifikasi Citra;
Pengembangan YOLO untuk Mengunci Sebuah Obyek Telapak Tangan Diantara Sejumlah Objek Seragam Himamunanto, Agustinus Rudatyo; Zalukhu, Jean Pinter Son
Progresif: Jurnal Ilmiah Komputer Vol 20, No 2: Agustus 2024
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v20i2.2409

Abstract

The hand is one part of the body that is often used in daily human activities. Nowadays, in line with the development of digital technology and computing technology, the role of hands has the potential to become even wider. Hands can potentially be used to model operational facilities or control input models for a device. Problems arise if more than one visual of a hand is captured by the camera. This has the potential to cause ambiguity due to the emergence of multiple hand gesture control input models. It is necessary to lock or tag the original hand control input model in such a way that the other hand can be ignored. In this research, the Google Media Pipe Hand (GMPH) framework is used to mark the hand area based on the input image and the YOLO framework will work to recognize the hand with a marker, which will lock the marked hand between the visuals of other hands. Based on test results involving 800 test data in the form of video data with visual images of one hand gesture or more than one hand gesture image, it is known that the results of the YOLO modification show success with an accuracy of 97.5%.Keywords: Hand; Markers; Google Media Pipe Hand; YOLO Framework AbstrakTangan merupakan salah satu anggota tubuh yang cukup sering dipergunakan dalam keseharian aktifitas manusia. Dewasa ini sesuai dengan perkembangan teknologi digital dan teknologi komputasi maka peran tangan berpotensi menjadi lebih luas lagi. Tangan berpotensi dipergunakan untuk model sarana operasional atau model input kendali terhadap suatu perangkat. Permasalahan muncul bila suatu visual tangan yang tertangkap oleh kamera   berjumlah lebih dari satu. Hal ini berpotensi menimbulkan ambigu karena munculnya model input kendali gestur tangan ganda. Perlu dilakukan proses penguncian atau penandaan pada satu model input kendali tangan yang asli sedemikian rupa sehingga tangan yang lain dapat diabaikan. Pada peelitian ini, framework Google Media Pipe Hand (GMPH) dipergunakan untuk menandai area tangan berdasarkan citra input dan framework YOLO akan bekerja untuk mengenali tangan dengan marker, yang akan megunci tangan bermarker diantara visual tangan yang lain. Berdasarkan hasil pengujian yang melibatkan 800 data uji berupa data video dengan visual citra satu gestur tangan maupun lebih dari satu citra gestur tangan, diketahui bahwa hasil modifikasi YOLO menunjukkan keberhasilan dengan akurasi 97,5%.Kata kunci: Tangan; Marker; Google Media Pipe Hand; Framework YOLO 
Uji Performa Metode Komposisi Eigenface-CNN Pada Model Biometric Mobile App Debora, Agnes Monica; Himamunanto, Agustinus Rudatyo; Setyawan, Gogor Chrismass
Progresif: Jurnal Ilmiah Komputer Vol 20, No 2: Agustus 2024
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v20i2.2117

Abstract

The development of information and communication technology has increased the need for more secure and efficient authentication systems on mobile devices, given the growing cases of data breaches and identity theft. This research employs the Eigenface-CNN composition method to enhance the performance of biometric authentication models. The Eigenface method uses Principal Component Analysis (PCA) to reduce data dimensions and extract key features from facial images, while CNN is used to identify more complex facial features. The results show that this method can recognize faces with high accuracy, achieving an average confidence value of 87.95% and a highest value of 97.53%. It also demonstrates robustness against variations in lighting and facial poses. These findings suggest that the Eigenface-CNN composition method is feasible for implementation in biometric authentication systems on mobile devices, thereby enhancing user security and convenience.Kata kunci: Face Recognition; Eigenface; CNN; Biometric AbstrakPerkembangan teknologi informasi dan komunikasi telah meningkatkan kebutuhan akan sistem autentikasi yang lebih aman dan efisien pada perangkat mobile, mengingat kasus kebocoran data dan pencurian identitas yang semakin marak. Penelitian ini menggunakan metode komposisi Eigenface-CNN untuk meningkatkan performa model autentikasi biometrik. Metode Eigenface menggunakan analisis komponen utama (PCA) untuk mereduksi dimensi data dan mengekstraksi fitur utama dari citra wajah, sementara CNN digunakan untuk mengidentifikasi fitur wajah yang lebih kompleks. Hasil penelitian menunjukkan bahwa metode ini mampu mengenali wajah dengan akurasi tinggi, dengan nilai confidence rata-rata mencapai 87.95% dan nilai tertinggi 97.53%, serta menunjukkan ketahanan terhadap variasi pencahayaan dan pose wajah. Temuan ini menunjukkan bahwa metode komposisi Eigenface-CNN layak diimplementasikan dalam sistem autentikasi biometrik pada perangkat mobile untuk meningkatkan keamanan dan kenyamanan pengguna.Kata kunci: Pengenalan Wajah; Eigenface; CNN; Biometrik
Deteksi Asap Rokok Menggunakan Color Image Processing Magdalena, Mensiana; Himamunanto, Agustinus Rudatyo; Budiati, Heni
Smart Comp :Jurnalnya Orang Pintar Komputer Vol 13, No 4 (2024): Smart Comp: Jurnalnya Orang Pintar Komputer
Publisher : Politeknik Harapan Bersama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30591/smartcomp.v13i4.6785

Abstract

Kebutuhan sistem untuk mengawasi suatu ruangan umum pada khususnya asap rokok memerlukan keakuratan dan ketelitian mengidentifikasi. Metode pendeteksian asap rokok yang digunakan dalam penelitian dengan memproses warna pada input citra RGB yang dikonversikan dalam model HSV. Tujuan penelitian untuk mengetahui tingkat keberhasilan dan kelemahan pada metode color imag processing. Pendekatan dalam penelitian ini dengan teknik sampling untuk mendapatkan rentang warna komponen H (Hue), S (Saturation) dan V (Value) untuk membangun perangkat lunak dalam pengujian sistem. Hasil penelitian adalah metode pendeteksian asap rokok yang memproses warna dengan model HSV dapat memperoleh kelas warna asap rokok dengan teknik sampling dapat mengelompokan warna pada rentang warna pada komponen H (Hue), S (Saturation) dan V (Value) dengan presentase uji keberhasilan dalam mendeteksi obyek asap rokok dengan model warna HSV menggunakan input 30 citra uji diperoleh presentase dengan hasil 96.667 %. Toleransi untuk untuk membantu kualitas hasil pendeteksian potensi ukuran obyek asap rokok. Dengan kelemahan metode pendeteksian asap rokok yang masih tidak dapat memisahkan obyek yang memiliki warna menyerupai asap rokok dapat dikembangkan untuk mebedakan ciri obyek.
Klasifikasi Usia Berdasarkan Citra Wajah Menggunakan Algoritma You Only Look Once Niasiska, Niasiska; Himamunanto, Agustinus Rudatyo; Budiati, Haeni
Smart Comp :Jurnalnya Orang Pintar Komputer Vol 13, No 4 (2024): Smart Comp: Jurnalnya Orang Pintar Komputer
Publisher : Politeknik Harapan Bersama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30591/smartcomp.v13i4.6802

Abstract

Pengenalan usia adalah tugas yang penting dalam berbagai aplikasi, termasuk keamanan, pengawasan anak, dan pemasaran. Penelitian ini berfokus untuk membuat sebuah model klasifikasi usia ke dalam lima golongan yaitu balita, anak-anak, remaja, dewasa dan manula berdasarkan citra wajah menggunakan algoritma You Only Look Once (YOLO). Datasets terdiri dari 500 data citra wajah yang telah melalui proses anotasi data, pelatihan model deteksi citra wajah dengan YOLO, pemabagian data kelas, pelatihan model klasifikasi dengan YOLO, dan evaluasi model. Hasil analisis menunjukan bahwa metode You Only Look Once (YOLO) dapat mengklasifikasi usia menjadi lima golongan yaitu balita, anak-anak, remaja, dewasa, dan manula dengan performa akurasi 76%.
Perancangan Sistem Deteksi Asap dan Api Menggunakan Pemrosesan Citra Dangga, Nofrilia; Himamunanto, Agustinus Rudatyo; Setyawan, Gogor
Smart Comp :Jurnalnya Orang Pintar Komputer Vol 13, No 4 (2024): Smart Comp: Jurnalnya Orang Pintar Komputer
Publisher : Politeknik Harapan Bersama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30591/smartcomp.v13i4.6815

Abstract

Perkembangan teknologi yang semakin maju mendorong untuk pembuatan perangkat teknologi pendeteksian obyek asap dan api dalam pengamatan kebakaran hutan. Penelitian ini dengan pendekatan komputasi pengolahan citra menggunakan metode tranformasi warna YCrCb untuk menemukan wilayah obyek api dan asap dengan input visual citra kebakaran hutan. Tujuan penelitian ini merupakan langkah awal sistem deteksi kebakaran hutan dengan menganalisa obyek asap dan api berdasarkan kesesuaian warna obyek yang terdapat dalam input visual dengan kenyataannya. Hasil penelitian adalah metode tranformasi warna YCrCb dapat mendeteksi obyek api dan asap dengan menemukan wilayah obyek pada input citra sesuai dengan kategori kelas terdapat asap, terdapat api, terdapat asap-api, dan tidak terdapat asap-api. Kegagalan pendeteksian masih berdasarkan warna sehingga potensi obyek dengan warna yang memiliki kesamaan warna obyek api dan asap masih indentifikasi sebagai wilayah obyek asap dan api. Akurasi pendeteksian obyek asap yang tepat sesuai wilayah dengan presentase 90% dan obyek api dengan akurasi 96,67 % pada jumlah sampel pengujian 30 input citra ragam dengan potensi kondisi kebakaran hutan yang nyata. Diharapkan hasil penelitian ini akan berkembang dalam mengembangkan metode pendeteksian obyek asap dan api menggunakan pengukuran yang lebih lengkap sehingga lebih memahami pendeteksian kebakaran hutan dengan potensi kondisi yang mungkin terjadi secara nyata.
Pengenalan Karakter Huruf Pada Gambar Tulisan Tangan Menggunakan Algoritma Convolutional Neural Network dan K-Means Clustering: Recognition of Letter Characters in Handwritten Images Using Convolutional Neural Network and K-Means Clustering Algorithm Swasono, Natan Enggal; Himamunanto, Agustinus Rudatyo; Budiati, Haeni
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 4 No. 4 (2024): MALCOM October 2024
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v4i4.1451

Abstract

Pengenalan karakter tulisan tangan adalah tantangan utama dalam berbagai aplikasi digital, disebabkan oleh variasi gaya tulisan, ukuran karakter, orientasi, dan kualitas gambar. Penelitian ini bertujuan membandingkan dua metode utama untuk pengenalan karakter tulisan tangan: Convolutional Neural Network (CNN) dan K-Means Clustering. CNN merupakan metode pembelajaran terarah yang digunakan untuk mengekstrak fitur penting dari gambar, sementara K-Means Clustering merupakan metode pembelajaran tanpa pengawasan yang mengelompokkan karakter berdasarkan kesamaan fitur. Hasil penelitian menunjukkan bahwa model CNN berhasil mencapai akurasi 90% dalam pengenalan karakter, menandakan kinerja yang sangat baik dalam mengenali pola kompleks dan variasi tulisan tangan. Sebaliknya, K-Means Clustering hanya mencapai akurasi 11%, menunjukkan bahwa metode ini kurang efektif untuk tugas pengenalan karakter tulisan tangan. Berdasarkan hasil penelitian ini, dapat disimpulkan bahwa CNN jauh lebih unggul dibandingkan dengan K-Means Clustering dalam mengatasi tantangan variasi tulisan tangan.