Article Per Year (5 Year)
p-Index From 2020 - 2025
0.444
P-Index
This Author published in this journals
All Journal Journal of Marine-Earth Science and Technology Jurnal Dimensi Insinyur Profesional Jurnal Penginderaan Jauh Indonesia
Denaro, Lino Garda
Unknown Affiliation
Agriculture, Biological Sciences & Forestry Astronomy Computer Science & IT Earth & Planetary Sciences Energy Engineering Industrial & Manufacturing Engineering

Published : 4 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search

 1 
Analisis Deteksi Kerusakan pada Jalan Aspal menggunakan Deep Learning untuk Mendukung Efisiensi Biaya dan Waktu dalam Pemantauan Berkelanjutan Denaro, Lino Garda; Lim, Resmana
Jurnal Dimensi Insinyur Profesional Vol. 3 No. 1 (2025): Maret 2025
Publisher : Petra Christian University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.9744/jdip.3.1.16-25

Abstract

Deteksi dini kerusakan jalan, seperti retakan dan deformasi lainnya, sangat penting karena berfungsi sebagai indikatorawal keausan, kerusakan, atau masalah struktural yang mendasari yang dapat membahayakan keselamatan dan daya tahaninfrastruktur jalan. Penelitian ini bertujuan untuk mengembangkan sistem inspeksi otomatis berbasis pembelajaran mendalam(deep learning) dan pemrosesan citra untuk mendeteksi dan mengklasifikasikan kerusakan jalan secara efektif. Dalam proyek ini,kami menggunakan model pembelajaran mendalam dengan CNN (Convolutional Neural Networks) dan arsitektur ResNet untukmempelajari fitur intrinsik kerusakan permukaan jalan melalui gambar, yang kemudian digunakan untuk klasifikasi otomatis kedalam kelas rusak/tidak rusak atau deformasi permukaan. Model YOLO ini menggunakan metode pembelajaran transfer daridata global dan untuk data jalan nasional yang ada di Indonesia. Tidak seperti pendekatan konvensional, penelitian inimenerapkan model YOLO (You Only Look Once) untuk mendeteksi dan mengklasifikasikan kerusakan jalan secara real-time,memungkinkan deteksi langsung pada berbagai permukaan jalan. Dengan kemampuan YOLO dalam deteksi objek yang cepatdan efisien, sistem ini dapat digunakan dalam inspeksi infrastruktur jalan secara rutin dan pemantauan kondisi jalan secaraberkelanjutan. Pendekatan ini telah dievaluasi menggunakan dataset kerusakan jalan yang tersedia di jalan nasional di Palembang,Sumatera Selatan, Indonesia, dan hasil evaluasi menunjukkan bahwa model YOLO tidak hanya mendeteksi kerusakan jalandengan akurasi tinggi, tetapi juga menunjukkan kecepatan deteksi yang unggul dibandingkan dengan metode tradisional. Hasilpenelitian ini menunjukkan potensi signifikan penggunaan YOLO untuk inspeksi jalan otomatis, membantu mengidentifikasi danmenangani kerusakan dini serta mendukung upaya pemeliharaan dan keselamatan jalan.
TWEET SENTIMENT ANALYSISON GREENSPACES Denaro, Lino Garda; Sujana, Yudianto; Fatihul Ilmy, Hafsah
Journal of Marine-Earth Science and Technology Vol. 2 No. 2 (2021): September
Publisher : Marine & Earth Science and Technology Research Center, DRPM, ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1234.089 KB) | DOI: 10.12962/j27745449.v2i2.105

Abstract

Twitter has become one of the most significant resources for text mining. Twitter can provide information    about human activities, mobility, and emotional patterns along with location data. Many types of text research can be made with these data, one of which is sentiment analysis. This study evaluates the potential of deriving emotional responses of individuals from tweets while they experience and interact with urban green space. A machine learning model using Support Vector Machine (SVM) and corpus from over 2000 movie reviews has been made. This model is used to classify incoming tweets into positive and negative sentiments. Then the web-based recommender system has been built to provide suggestions for green spaces based on users' preferred activities.
Multi-sensor Multi-temporal Relative Radiometric Normalization (RRN) Menggunakan Metode Weighted Regularized Generalized Canonical Correlation Analysis (WRGCCA) Denaro, Lino Garda; Syariz, Muhammad Aldila; Nabilah, Salwa; Heriza, Dewinta; Lin, Chao-Hung
Jurnal Penginderaan Jauh Indonesia Vol 1 No 1 (2019)
Publisher : Institut Teknologi Sepuluh Nopember

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/jpji.v1i1.251

Abstract

Dalam perkembangan teknologi decade terakhir ini, data citra satelit multi-temporal sudah sangat berlimpah dan mulai sulit untuk dieksplorasi secara optimal. Pemanfaatan citra satelit multi-temporal dengan metode deteksi perubahan sangat berguna untuk memodelkan dan memprediksi perubahan spasial dengan rentang waktu tertentu. Pemanfaatan data-data multi-temporal sebelumnya akan menghasilkan model perubahan spasial dengan durasi yang lebih panjang. Apalagi jika permodelan dan prediksi ini dilakukan dengan sensor yang berbeda. Sehingga dapat menghasilkan deteksi perubahan dengan cakupan yang lebih luas dan multi-fungsi. Namun dalam pengaplikasikannya, perlu adanya koreksi radiometrik antara citra multi-temporal dan juga citra multi-sensor. Pengoreksian ini bisa dilakukan dengan pendekatan relatif yang dikenal dengan relatif radiometrik normalisasi (RRN) secara linear. Ide utama metode RRN ini adalah dengan memanfaatkan seleksi fitur invariant (piksel yang stabil) antara citra multi-temporal dengan cara transformasi linear. Metode WRGCCA (weighted regularized generalized canonical correlation analysis) diusulkan untuk digunakan sebagai seleksi fitur invariant atau PIFs (pseudo-invariant features) dengan perbedaan sensor dan temporal tertentu. Metode ini merupakan perkembangan dari metode MAD (multivariate alteration detection) yang berguna untuk mendeteksi perubahan spasial secara bi-temporal dan GCCA (generalized canonical correlation analysis) yang memanfaatkan citra multi-temporal sekaligus. Namun, masing-masing metode tersebut mempunyai keterbatasan dalam menyeleksi PIFs baik bi-temporal maupun multi-temporal. Oleh karena itu, dengan menambahkan fungsi pembobotan dan regularisasi dalam algoritma tersebut, metode yang diajukan, WRGCCA, dapat lebih baik dalam penyeleksian pseudo-invariant features yang lebih akurat.
Estimasi Konsentrasi Klorofil-a menggunakan Refined Neural Network (Studi Kasus: Perairan Danau Kasumigaura) Syariz, Muhammad Aldila; Denaro, Lino Garda; Nabilaha, Salwa; Heriza, Dewinta; Jaelani, Lalu Muhamad; Lin, Chao-Hung
Jurnal Penginderaan Jauh Indonesia Vol 1 No 1 (2019)
Publisher : Institut Teknologi Sepuluh Nopember

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/jpji.v1i1.253

Abstract

Klorofil-a menjadi salah satu bagian penting dalam merepresentasikan tingkat kesahatan suatu perairan. Beberapa peneliti menggunakan metode neural network untuk mengestimasi konsentrasi klorofil-a di wilayah perairan. Namun, dikarenakan oleh tidak mumpuninya jumlah sampel data pada beberapa stasiun, keakuratan hasil estimasi menjadi kurang dapat dipercaya. Inverse distance weighting (IDW) akan digunakan dalam penelitian untuk menginterpolasi konsentrasi klorofil-a di wilayah perairan non stasiun sehingga dapat memperkaya data sampel. Data sampel non stasiun ini selanjutnya digunakan dalam proses training pada neural network; dan selanjutnya, data sampel pada stasiun akan digunakan dalam proses network refinement sehingga tingkat akurasi dalam mengestimasi konsentrasi klorofil-a menjadi meningkat. Citra MERIS akan digunakan dalam penelitian ini. Berdasarkan hasil analisa statistik, nilai RMSE sebelum dan sesudah network refinement menurun dari 6,7872 mg m-3 menjadi 6,5606 mg m-3.
Co-Authors Fatihul Ilmy, Hafsah Heriza, Dewinta Jaelani, Lalu Muhamad Lin, Chao-Hung Nabilah, Salwa Nabilaha, Salwa Resmana Lim Syariz, Muhammad Aldila Yudianto Sujana