Article Per Year (5 Year)
p-Index From 2020 - 2025
0.444
P-Index
This Author published in this journals
All Journal Jurnal Teknik ITS
Fatichah, Chastine
Departemen Teknik Informatika Institut Teknologi Sepuluh Nopember Surabaya
Engineering

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Deteksi Objek Menggunakan Metode YOLO dan Implementasinya pada Robot Bawah Air Husnan, Husnan; Fatichah, Chastine; Dikairono, Rudy
Jurnal Teknik ITS Vol 12, No 3 (2023)
Publisher : Direktorat Riset dan Pengabdian Masyarakat (DRPM), ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j23373539.v12i3.122326

Abstract

Penelitian ini membahas penggunaan berbagai arsitektur model deep learning dalam mendeteksi objek bawah air seperti gerbang, tiang, bola, dan baskom untuk meningkatkan performa robot dalam eksplorasi bawah air dalam konteks kompetisi SAUVC (Singapore AUV Challenge). Metode yang digunakan adalah YOLO (You Only Look Once) dan menggunakan berbagai jenis YOLOv5, seperti YOLOv5s, YOLOv5m, YOLOv5l, dan YOLOv5x. Hasil pengujian menunjukkan bahwa YOLOv5x memiliki rata-rata jarak deteksi terjauh sebesar 6,12 meter dan mAP@[0.5:0.95] paling tinggi yaitu 0,881, namun ukurannya yang besar memerlukan daya komputasi yang tinggi. Di sisi lain, YOLOv5s memiliki ukuran model yang lebih kecil yaitu 14,5 MB, namun tetap memberikan performa yang baik dengan mAP@[0.5:0.95] sebesar 0,872. Berdasarkan temuan ini, YOLOv5s lebih sesuai untuk digunakan dalam mendeteksi objek bawah air pada kompetisi SAUVC karena selain ukurannya yang lebih kecil, YOLOv5s juga memberikan performa yang memadai. Penggunaan model ini diharapkan dapat meningkatkan kinerja robot dalam eksplorasi bawah air dan membantu dalam menyelesaikan misi yang ditugaskan dalam waktu yang ditentukan.
Implementasi Metode Long Short-Term Memory dalam Pembuatan Musik Sintetis Muzli, Alfarabi; Fatichah, Chastine; Suciati, Nanik
Jurnal Teknik ITS Vol 13, No 2 (2024): IN PRESS (Artikel masih bisa bertambah)
Publisher : Direktorat Riset dan Pengabdian Masyarakat (DRPM), ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j23373539.v13i2.130582

Abstract

Penggunaan teknologi dalam bidang seni telah membuka berbagai peluang baru untuk meningkatkan kinerja dan kreativitas. Dalam industri musik, perkembangan pesat kecerdasan buatan telah memberikan kemungkinan baru dalam pembuatan musik. Namun, keberadaan teknologi ini juga memiliki implikasi terhadap penggunaan musik dan proses transkripsi manual. Musik menjadi sumber daya penting bagi para musisi, telah mengalami perubahan dari bentuk manuskrip tangan menjadi versi digital yang dapat diakses melalui internet. Pelatihan pembuatan musik menggunakan Recurrent Neural Network yaitu Long Short-Term Memory dilakukan dengan dataset terdiri dari tiga orang komponis ternama dalam bidang musik klasik. Dataset ini dibagi menjadi empat bagian. Selain itu, ada dua skenario yang akan diuji, dan hasilnya akan dibandingkan dengan model lain yaitu Gated Recurrent Unit. Untuk pengolahan data musik, digunakan library python bernama Music21. Model dievaluasi dengan empat cara yaitu dengan melihat loss pelatihan model, persebaran statistik notasi, perhitungan kesamaan dan penilaian dari ahli musik. Pada skenario kedua, model LSTM menunjukkan hasil yang lebih baik dibandingkan dengan skenario pertama, dan juga lebih unggul daripada model GRU.
Co-Authors Dikairono, Rudy Husnan, Husnan Muzli, Alfarabi Suciati, Nanik