Article Per Year (5 Year)
p-Index From 2021 - 2026
1.066
P-Index
This Author published in this journals
All Journal Jurnal Teknologi dan Manajemen Informatika Jurnal Edukasi dan Penelitian Informatika (JEPIN) InfoTekJar : Jurnal Nasional Informatika dan Teknologi Jaringan Proceeding of the Electrical Engineering Computer Science and Informatics Jurnal Komputer Terapan Multitek Indonesia : Jurnal Ilmiah Antivirus : Jurnal Ilmiah Teknik Informatika Journal of Information System,Graphics, Hospitality and Technology Alpen: Jurnal Pendidikan Dasar Teknika Insyst : Journal of Intelligent System and Computation
Eka Rahayu Setyaningsih
Institut Sains Dan Teknologi Terpadu Surabaya
Chemical Engineering, Chemistry & Bioengineering Chemistry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Engineering Other

Published : 12 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : Teknika

 1 
Estimasi Arah Tatapan Mata Menggunakan Ensemble Convolutional Neural Network William Sugiarto; Yosi Kristian; Eka Rahayu Setyaningsih
Teknika Vol 7 No 2 (2018): November 2018
Publisher : Center for Research and Community Service, Institut Informatika Indonesia (IKADO) Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34148/teknika.v7i2.126

Abstract

Studi arah tatapan mata adalah salah satu masalah dalam bidang computer vision. Pengetahuan akan arah tatapan mata dapat memberikan informasi berharga yang dapat dimanfaatkan untuk berbagai macam keperluan dalam bidang lainnya, khususnya dalam bidang interaksi manusia dengan komputer. Dalam paper ini nantinya akan meneliti arah tatapan mata menggunakan Ensemble Convolutional Neural Network dengan menggunakan dataset CAVE (Columbia Gaze Dataset). Convolutional Neural Netwok (CNN) merupakan sebuah bidang keilmuan dalam bidang machine learning yang berkembang cukup pesat khususnya untuk mengklasifikasi citra. Nantinya, paper ini akan menganalisa dan membandingkan hasil F1 score dan weighted kappa (w-kappa) score serta error dari klasifikasi dengan menggunakan 3, 9, dan 21 kelas. Dengan sama-sama menggunakan kanal RGB sebagai gambar input, maka dapat dibandingkan dan disimpulkan bahwa dengan menggunakan metode Ensemble Convolutional Neural Network dengan koefisien 1 untuk mata kiri, 1 untuk mata kanan, dan 3 untuk kedua mata untuk klasifikasi dengan 3 dan 9 kelas, serta dengan koefisien 1 untuk mata kiri, 1 untuk mata kanan, dan 5 untuk kedua mata untuk klasifikasi dengan 21 kelas dapat menghasilkan hasil F1 score dan w-kappa yang lebih baik, serta tingkat error yang lebih rendah daripada menggunakan koefisien dengan nilai lainnya.
YOLOv4 dan Mask R-CNN Untuk Deteksi Kerusakan Pada Karung Komoditi Eka Rahayu Setyaningsih; Muhamad Sarwo Edy
Teknika Vol 11 No 1 (2022): Maret 2022
Publisher : Center for Research and Community Service, Institut Informatika Indonesia (IKADO) Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34148/teknika.v11i1.419

Abstract

Industri pertanian memiliki berbagai cara dalam memproses produk mulai dari proses bertani hingga ke pemasaran produk. Salah satu proses yang terlibat di dalamnya adalah penyimpanan produk yang belum dipasarkan melalui beberapa media, contohnya karung untuk menyimpan komoditi. Karung memiliki ketahanan tertentu namun juga dapat memiliki kerusakan, baik ketika digunakan secara berlebihan ataupun ketika berada dalam kondisi penyimpanan secara bertumpuk. Guna membantu mengobservasi keadaan karung komoditi pada suatu penyimpanan, penelitian ini menggagas konsep program deteksi objek berupa karung dan lubang kerusakan yang ada pada suatu frame gambar. Penelitian ini mengusung dua metode sebagai perbandingan berupa You Only Look Once (YOLO) versi 4 dan Mask R-CNN. YOLOv4 merupakan metode deteksi objek yang menekankan konsep one-stage object detection dengan keunggulan pada waktu pemrosesan dan akurasi yang dihasilkan. Keluaran YOLOv4 berupa bounding box yang teridentifikasi pada objek. Mask R-CNN menggunakan konsep two-stage object detection dimana selain identifikasi objek dengan menghasilkan bounding box, terdapat masking terhadap objek yang merepresentasikan segmentasi terhadap objek yang dideteksi. Dataset yang digunakan merupakan hasil akuisisi kamera dengan jumlah yang disamakan pada masing-masing algoritma senilai 700 data training, 100 data validasi. Kelas objek yang dideteksi pada penelitian ini yaitu karung dan lubang pada karung. Pengujian terhadap kedua algoritma tersebut dilakukan terhadap sejumlah 20 data uji dengan perbandingan terhadap kalkulasi secara manual oleh mata manusia. Hasilnya didapatkan bahwa model dari YOLOv4 dapat memberikan performa lebih baik dengan akurasi 96,8%, sedangkan model Mask R-CNN mengalami kinerja yang kurang dapat diandalkan dengan akurasi 65,78% pada data uji yang sama
Co-Authors Adi Viranata Anik Nur Handayani C. Pickerling Danar Dono Dewi, Nindian Puspa Hari Sutiksno Hendrawan Armanto Indah Listiowarni Indah Listiowarni Joan Santoso Johan Dharmawan Muhamad Sarwo Edy Muhammad Harris Syafa'at Nindian Puspa Dewi Sumantri Sumantri Tjwanda Putera Gunawan Ubaidi Ubaidi Ubaidi, Ubaidi Wahyu Sakti Gunawan Irianto William Sugiarto Yosi Kristian