Article Per Year (5 Year)
p-Index From 2020 - 2025
0.947
P-Index
This Author published in this journals
All Journal IJCCS (Indonesian Journal of Computing and Cybernetics Systems) Jurnal Rekayasa Mesin Indonesian Journal of Engineering Research Formosa Journal of Computer and Information Science Joong-Ki
Purwanti, Endang Pudji
Unknown Affiliation
Religion Humanities Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Environmental Science Industrial & Manufacturing Engineering Mechanical Engineering

Published : 5 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : IJCCS (Indonesian Journal of Computing and Cybernetics Systems)

 1 
Obstacles Detection in Underwater Environment Using ROV Based on Convolutional Neural Network Asri, Purwidi; Widiarti, Yuning; Purwanti, Endang Pudji; Wismawati, Endah; Arifin, M. Firman Tsany
IJCCS (Indonesian Journal of Computing and Cybernetics Systems) Vol 19, No 1 (2025): January
Publisher : IndoCEISS in colaboration with Universitas Gadjah Mada, Indonesia.

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22146/ijccs.101698

Abstract

Pada saat RoV berada dibawah air tidak sedikit obstacle yang dijumpai dan berpengaruh terhadap  kinerja dan keselamatan body ROV itu sendiri. Obyek yang tertangkap kamera ROV seringkali sulit untuk diidentifikasi dan dideteksi karena besarnya noise bawah air. Selain itu, sifat air yang membiaskan cahaya dan tingkat kejernihan air turut berpengaruh terhadap kualitas gambar yang dihasilkan. Untuk membantu dalam mengidentifikasi obyek yang ada di bawah air, maka pada penelitian ini proses identifikasi dilakukan dengan menggunakan Convolutional Neural Networks (CNN). CNN mengekstraksi fitur penting dari gambar melalui beberapa lapisan konvolusi. Setiap lapisan konvolusi menggunakan filter untuk mendeteksi pola seperti tepi, sudut, atau tekstur dari gambar input. Pada tahap akhir, fitur-fitur yang sudah diproses ini dihubungkan ke lapisan fully-connected yang bertindak sebagai pengklasifikasi. CNN kemudian memetakan fitur-fitur tersebut ke dalam kelas-kelas tertentu , misalnya objek seperti botol, tiang kayu, rantai, dan propeller. Dari pengujian secara real-time sistem berhasil menunjukkan performansi yang baik dengan akurasi validasi sebesar 99.25% dan akurasi klasifikasi real-time sebesar 85%. Hasil klasifikasi selanjutnya menentukan pergerakan thruster ROV.
Co-Authors Almuzani, Nafi Ardiansyah Arifin, M. Firman Tsany Asri, Purwidi Bashori, Achmad C. I. Sutrisno Dika Anggara Eriek Wahyu Restu Widodo Faris Nofandi Firiambodo, Suthoni Yoga Mahendra , R Mochammad Karim Al Amin Projek Priyonggo Sumangun Lukitadi Umasangadji, Fahmi Urip Mudjiono, Urip Wismawati, Endah Yuning Widiarti, Yuning