Gunawan, I Kadek
Unknown Affiliation

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

Sistem Klasifikasi Jenis dan Warna Kendaraan Secara Real-time Menggunakan Metode k-Nearest Neighbor dan Framework YOLACT Kurniawan, Laurensius Adi; Agung Bayupati, I Putu; Wibawa, Kadek Suar; Sukarsa, I Made; Gunawan, I Kadek
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 7, No 1 (2021): Volume 7 No 1
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v7i1.43073

Abstract

Peningkatan jumlah dan variasi jenis kendaraan terus berkembang seiring dengan meningkatnya permintaan pasar. Permasalahan baru timbul akibat meningkatnya jumlah dan variasi jenis kendaraan seperti meningkatnya pelanggaran lalu lintas dan kriminalitas. Dengan kondisi ini, pengawasan pelanggar lalu lintas dan kriminalitas secara manual oleh pihak berwajib akan lebih sulit dilakukan terutama di daerah perkotaan. Sistem pengenalan jenis dan warna kendaraan atau Vehicle Color, Make and Model Recognition (VCMMR) adalah komponen penting dalam pengembangan sistem pengawasan keamanan di era otomatisasi. Dengan memanfaatkan CCTV, sistem ini dapat diaplikasikan pada sistem gerbang otomatis, pengawasan kendaraan otomatis, pemantauan lalu lintas, dll. Sistem VCMMR yang dapat bekerja secara real-time dapat meningkatkan keamanan dengan menghasilkan data kendaraan lengkap berupa warna, merek dan model kendaraan selain menggunakan pengenalan plat nomor kendaraan. Penelitian ini menggunakan metode k-Nearest Neighbor untuk mengklasifikasikan warna kendaraan dan framework YOLACT dengan arsitektur ResNet-50 yang telah dilatih untuk mengenali merek dan model kendaraan. Dataset dalam penelitian ini terdiri dari 10 jenis kendaraan dengan 40 citra data latih tiap kelas dan 10 warna dengan 25 citra data latih tiap kelas. Pengujian dilakukan menggunakan enam model YOLACT dengan epoch berbeda dan tiga variasi frame sampling untuk mengurangi waktu komputasi. Hasil pengujian pada video data uji empat kendaraan menunjukkan bahwa frame sampling 250 milidetik menghasilkan performa terbaik dengan waktu komputasi rata-rata 16,08 detik. Model YOLACT dengan epoch yang lebih besar mampu mengenali kendaraan yang berada jauh dari kamera (objek kecil) dengan lebih baik, akurasi yang diperoleh yaitu 91,67% pada epoch 517.
PEMETAAN SEBARAN TINGKAT POTENSI OBJEK WISATA YANG TERDAPAT DI KECAMATAN NUSA PENIDA Wisnawa, I Gede Yudi; Jayantara, I Gst Ngr Yoga; Gunawan, I Kadek
Jurnal ENMAP Vol 1, No 2 (2020): September, Jurnal ENMAP
Publisher : UNIVERSITAS PENDIDIKAN GANESHA

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (369.938 KB)

Abstract

Kecamatan Nusa Penida merupakan wilayah di Bali yang memiliki karakteristik unik yang dilihat dari bentuk wilayah sumber daya alam hayati maupun non hayati selain eksistensi kebudayaan yang ada. Hal ini menjadikan daya tarik tersendiri bagi masyarakat dari berbagai kalangan untuk mengeksplorasi wilayah Nusa Penida. Perkembangan pariwisata di Kecamatan Nusa Penida  belum diimbangi dengan penataan dan pengelolaan dari Pemerintah setempat baik dari sarana maupun prasarana yang belum memadai dan Pentingnya pendataan terkait tingkat potensi objek wisata yang tersebar di Kecamatan Nusa Penida sebagai pedoman untuk pengelolaan dan strategi pengembangan tingkat potensi objek wisata di Kecamatan Nusa Penida. Penelitian ini menggunakan metode penelitian survei dengan menggunakan teknik dokumentasi dan observasi dalam pengumpulan data. Objek dalam penelitian ini berupa sebaran tingkat potensi objek wisata. Teknik analisis dalam penelitian ini dilakukan dengan cara analisis deskriptif dan analisis deskriptif kuantitatif yang dikorelasikan dengan menggunakan teknik skoring. Teknik ini digunakan untuk mengetahui perolehan skor tertinggi dan skor terendah yang nantinya akan dianalisis dan diklasifikasikan ke dalam kategori skor. Hasil penelitian menunjukkan bahwa Terdapat 25 sebaran objek wisata, 6 diantaranya merupakan objek wisata yang memiliki tingkat objek wisata sangat berpotensi, 13 titik sebaran tingkat potensi objek wisata yang berpotensi dan 6 titik tingkat potensi objek wisata wisata yang tidak berpotensi. Selain itu masih terdapat banyak objek wisata yang perlu dikembangkan oleh masyarakat dan pemerintah setempat untuk meningkatkan objek daya tarik wisata yang ada di Kecamatan Nusa Penida. Desa Sakti memiliki lokasi objek wisata paling banyak sedangkan Desa Klumpu dan Desa Batumadeg hanya memiliki 1 lokasi objek wisata. Selain itu terdapat beberapa desa yang masih belum memiliki objek wisata yaitu Desa Ped, Kutampi Kaler, Kutampi, Batununggul, Suana dan Desa Sekartaji.
Segmentasi Buah Apel Menggunakan Framework YOLACT Arsitektur Resnet-101 gunawan, i kadek; Bayupati, I Putu Agung; Wibawa, Kadek Suar
JITTER : Jurnal Ilmiah Teknologi dan Komputer Vol 1 No 2 (2020): JITTER, Vol.1, No.2, December 2020
Publisher : Program Studi Teknologi Informasi, Fakultas Teknik, Universitas Udayana

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (551.184 KB) | DOI: 10.24843/jitter.v1i2.69675

Abstract

Apel merupakan salah satu buah yang populer di dunia. Apel pertama kali tumbuh di Kawasan Asia tengah kemudian berkembang luas ke wilayah yang lebih dingin. Apel dapat diolah menjadi minuman kemasan. Produksi pengolahan apel, dibutuhkan proses untuk memilah apel baik berdasarkan kematangan, kondisi buah, ataupun ukuran buah apel sesuai dengan kebutuhan. Pada produksi skala besar hal ini menjadi tantangan karena membutuhkan tenaga kerja yang tidak sedikit. Penelitian ini mengusulkan sistem segmentasi buah apel dengan menggunakan Framework YOLACT dengan arsitektur Resnet-101 yang merupakan salah satu arsitektur Convolutional Neural Network. Sistem yang dibuat diharapkan mempermudah pemilahan ataupun penghitungan apel pada manufaktur skala besar. Proses segmentasi menggunakan YOLACT teridiri dari Feature backbone, Feature Pyramid Network, Protonet, Prediction Head, NMS, cropping dan thresholding. Tiga jenis apel digunakan dalam penelitian ini yaitu Fuji, Red Delicious, dan Gala Apple. mAP rata rata tertinggi diperoleh dengan model YOLACT iterasi 10000, yaitu sebesar 83,12%