Article Per Year (5 Year)
p-Index From 2021 - 2026
9.184
P-Index
This Author published in this journals
All Journal Jurnal Media Infotama Bulletin of Electrical Engineering and Informatics Jurnal Pseudocode Jurnal Informatika Upgris Sistemasi: Jurnal Sistem Informasi Journal of Economic, Bussines and Accounting (COSTING) INTECOMS: Journal of Information Technology and Computer Science JSAI (Journal Scientific and Applied Informatics) Journal of Technopreneurship and Information System (JTIS) Just TI (Jurnal Sains Terapan Teknologi Informasi) Jurnal Abdimas Serawai Jurnal Sistem Informasi Dan E-Bisnis Jurnal Ilmu Komputer Dan Informatika JPMTT (Jurnal Pengabdian Masyarakat Teknologi Terbarukan) JCOSIS (Journal Computer Science and Information Systems) Jurnal Komputer, Informasi dan Teknologi
Putra, Erwin Dwika
Program Studi Teknik Informatika, Fakultas Teknik, Universitas Muhammadiyah Bengkulu
Religion Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Environmental Science Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Nursing Public Health Social Sciences

Published : 73 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 7 Documents
Search
Journal : jcosis journal computer science and information systems

 1 
Implementasi Metode Viola Jones dan Haar Like Feuture Pada Deteksi Wajah Non Frontal Ahmad Sayyeid Al Jadd; Erwin Dwika Putra
JCOSIS (Journal Computer Science and Information Systems) Vol. 1 No. 1 (2024): Mei
Publisher : Institute for Research and Community Service

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61567/jcosis.v1i1.175

Abstract

Tujuan : Pendeteksian wajah pada zaman yang semakin maju ini dirasakan perlu diaplikasikan pada segala bidang demi memudahkan pekerjaan manusia terutama dalam bidang keamanan, seperti keamanan gedung, perkantoran, bandara, ataupun tempat-tempat penting lainnya dengan mengaplikasikan suatu sensor pendeteksi wajah pada kamera, sehingga dapat diketahui identitas pengunjung tempat tersebut. Metode/Design/Pendekatan: Metode Viola Jones merupakan metode yang paling banyak digunakan untuk mendeteksi wajah proses pendeteksian wajah dilakukan dengan mengklasifikasikan sebuah gambar setelah sebelumnya pengklasifikasian dari data yang sudah disimpan Hasil/Temuan: Berdasarkan pembahasan dan uji coba, dapat disimpulkan bahwa Sistem Pendeteksian Wajah Non-Frontal Menggunakan Haar Like Feature pada Metode Viola Jones ini dapat mendeteksi wajah berorientasi miring atau non-frontal, yang tidak bisa dilakukan dengan sistem sejenis yang hanya mendeteksi wajah frontal. Kebaharuan/Originalitas/Nilai: Untuk wajah dengan kemiringan yang terlalu extreme atau kemiringan lebih dari 450 mempengaruhi kesuksesan pendeteksian. Serta Kecepatan pendeteksian bergantung pada besaran ukuran file gambar yang di proses. Keywords: Viola Jones, Wajah, Deteksi
Implementasi Metode Color Blob Detection Pada Objek Daun Sawi Wahyu Adianto; Dwika Putra, Erwin; Handrie Noprison; Vina Ayumi; Marissa utami; Mariana Purba
JCOSIS (Journal Computer Science and Information Systems) Vol. 1 No. 1 (2024): Mei
Publisher : Institute for Research and Community Service

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61567/jcosis.v1i1.176

Abstract

Tujuan : Sistem aplikasi Mendeteksi Objek Daun Sawi dengan menerapakan Metode Color Blob Detection menggunakan Bahasa pemrograman matlab. Mekanisme pembuatan aplikasi dimulai dari pembuatan rancangan aplikasi, GUI (Grafik User Interface) sampai dengan pembuatan coding. Metode/Design/Pendekatan: model deteksi Objek Daun Sawi dengan menerapakan Metode Color Blob Detection menggunakan Bahasa pemrograman matlab Hasil/Temuan: Hasil pengujian yang dilakukan dengan memiliki tingkat keakuratan paling tinggi yaitu dengan jarak pengambilan sampel objek dengan jarak 50 cm, dan tingkat keakuratan paling rendah dengan jarak pengambilan sampel objek dengan jarak 20 cm. Kebaharuan/Originalitas/Nilai: Tingkat akurasi deteksi daun sawi maka dapat disimpulkan berhasil dengan tingkat keberhasil akurasi 67.7% Keywords: Color Blob Detection, Image Processing, Matlab
Penerapan Algoritma Viola Jones Untuk Deteksi Mata Pada Pengolahan Citra Digital Putra, Erwin Dwika; Marissa Utami; Mariana Purba
JCOSIS (Journal Computer Science and Information Systems) Vol. 1 No. 2 (2024): Oktober
Publisher : Institute for Research and Community Service

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61567/jcosis.v1i2.208

Abstract

Purpose: This research aims to test the performance of eye detection algorithms in human images using specific methods, such as the Viola-Jones algorithm. Eye detection is an important component in various applications, ranging from biometrics to surveillance systems. Methods/Study design/approach: In this study, testing was conducted on 10 images with simple variations to assess the algorithm's accuracy, precision, and recall. Result/Findings: The results showed that the algorithm achieved an accuracy rate of 80% with a precision and recall of 88.9%, which indicates a fairly reliable performance for standard conditions. However, detection errors such as false positives and negatives were found, suggesting the potential for improvement, especially in images with varying illumination or orientation. Novelty/Originality/Value: This algorithm is suitable for real-time eye detection applications with stable lighting and orientation conditions. Still, it is recommended to incorporate additional methods to improve accuracy in more complex conditions.
Implementasi Notifikasi Berbasis Deteksi Gerak Menggunakan Algoritma Background Subtraction Putra, Erwin Dwika
JCOSIS (Journal Computer Science and Information Systems) Vol. 2 No. 1 (2025): Mei
Publisher : Institute for Research and Community Service

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61567/jcosis.v2i1.227

Abstract

Mendeteksi gerakan merupakan suatu proses yang mengenali perubahan dalam posisi, bentuk, atau warna objek dalam suatu area dari waktu ke waktu. Penerapan teknologi ini luas, mulai dari keperluan pengawasan keamanan hingga analisis lalu lintas. Teknologi deteksi gerak bergantung pada perangkat keras dan perangkat lunak untuk mengidentifikasi perubahan yang terjadi dalam lingkungan yang diamati, seperti pergerakan manusia atau objek lainnya. Penelitian yang membahas tentang sistem deteksi gerak telah dikembangkan oleh banyak peneliti, salah satunya pemanfaatan kamera pengawas CCTV untuk mendeteksi gerak penghuni Kos [1]. pada penelitian tersebut peneliti menggunakan metode background subtraction dalam mendeteksi gerak. Walaupun sebelumnya telah ada penelitian yang berhasil dalam pengembangan algoritma deteksi gerak yang canggih, namun peneliti menemukan bahwa belum ada Penerapan notifikasi pada penelitian tersebut. Maka dalam Penelitian ini, peneliti akan melibatkan penerapan notifikasi yang memungkinkan pengguna untuk menerima pemberitahuan secara langsung mengenai perubahan yang terjadi dalam lingkungan yang sedang diamati.
Implementasi Local Binary Pattern (LBP) dan Dropout Convolutional Neural Network untuk Deteksi Dini Penyakit Kulit Putra, Erwin Dwika; Hadiguna Setiawan
JCOSIS (Journal Computer Science and Information Systems) Vol. 2 No. 2 (2025): Oktober
Publisher : Institute for Research and Community Service

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61567/jcosis.v2i2.253

Abstract

Deteksi dini penyakit kulit merupakan langkah penting dalam upaya pencegahan dan penanganan dini penyakit berbahaya seperti melanoma. Penelitian ini bertujuan untuk mengembangkan model deteksi otomatis penyakit kulit berbasis citra dengan menggabungkan Local Binary Pattern (LBP) dan Dropout Convolutional Neural Network (CNN). Dataset yang digunakan adalah HAM10000, yang terdiri dari berbagai jenis citra lesi kulit beresolusi tinggi. Proses penelitian meliputi tahapan preprocessing (normalisasi, cropping, dan augmentasi), ekstraksi ciri tekstur menggunakan LBP, serta klasifikasi menggunakan CNN dengan mekanisme dropout untuk mencegah overfitting. Model dievaluasi menggunakan metrik Accuracy, Precision, Recall, dan F1-Score. Hasil penelitian menunjukkan bahwa kombinasi LBP + Dropout CNN memberikan peningkatan signifikan dibandingkan CNN konvensional. Model usulan berhasil mencapai akurasi sebesar 99.45%, precision 99.21%, recall 99.43%, dan F1-Score 99.32%. Penerapan LBP meningkatkan kemampuan model dalam mengenali tekstur mikro pada permukaan kulit, sedangkan dropout meningkatkan kemampuan generalisasi model. Dengan hasil tersebut, metode yang diusulkan terbukti efektif untuk deteksi dini penyakit kulit secara otomatis dan berpotensi diterapkan dalam sistem Computer-Aided Diagnosis (CADx) berbasis kecerdasan buatan, baik di lingkungan klinis maupun aplikasi mobile untuk deteksi mandiri.
Performance Evaluation of MobileNetV2 and DenseNet169 Using Transfer Learning for Inorganic Waste Image Classification Ari Wibowo; Erwin Dwika Putra; Sastya Hendri Wibowo; Ardi Wijaya
JCOSIS (Journal Computer Science and Information Systems) Vol. 3 No. 2 (2026): October
Publisher : Institute for Research and Community Service

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61567/jcosis.v3i2.302

Abstract

Purpose: Manual waste sorting still has limitations because it requires considerable time and may cause errors in identifying waste categories. The development of Computer Vision and Deep Learning technology provides an opportunity to develop an automated waste image classification system. This study aims to compare the performance of two Convolutional Neural Network (CNN) architectures, namely MobileNetV2 and DenseNet169, for inorganic waste image classification using the Transfer Learning approach. Methods/Study design/approach: This study applies a Transfer Learning method using MobileNetV2 and DenseNet169 architectures. The dataset consists of inorganic waste images from two categories, namely cardboard and paper, obtained from the Kaggle dataset and primary documentation data. The research stages include dataset collection, image preprocessing, dataset splitting, model training, and performance evaluation using Accuracy, Precision, Recall, F1-Score, and Confusion Matrix. The dataset was divided into 80% training data, 10% validation data, and 10% testing data. Result/Findings: The experimental results show that MobileNetV2 achieved an Accuracy of 96.14%, Precision of 95.05%, Recall of 97.82%, and F1-Score of 96.42%. Meanwhile, DenseNet169 achieved an Accuracy of 96.14%, Precision of 95.70%, Recall of 97.09%, and F1-Score of 96.39%. Novelty/Originality/Value: This study provides an objective comparison between a lightweight CNN architecture (MobileNetV2) and a deeper architecture (DenseNet169) using the same experimental configuration. The results indicate that MobileNetV2 can achieve comparable classification performance with lower computational complexity, making it more suitable for implementation on resource-constrained devices.
Deteksi Sampah Plastik Berukuran Kecil Menggunakan Arsitektur Faster R-CNN Imelia Okta Rama Yanti; Erwin Dwika Putra; Sastya Hendri Wibowo; Muntahanah
JCOSIS (Journal Computer Science and Information Systems) Vol. 3 No. 2 (2026): October
Publisher : Institute for Research and Community Service

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61567/jcosis.v3i2.303

Abstract

Abstrak. Tujuan : Sampah plastik berukuran kecil, seperti potongan plastik, tutup botol, dan bungkus kemasan, sulit dipilah secara manual karena detailnya terbatas dan sering menyatu dengan latar belakang yang kompleks. Penelitian ini bertujuan menganalisis kinerja arsitektur Faster R-CNN dalam mendeteksi sampah plastik berukuran kecil pada citra digital. Metode/Design/Pendekatan: Data penelitian berupa 518 citra uji yang berasal dari data primer (60%) dan data sekunder (40%) dengan perbandingan data latih dan data uji sebesar 80:20. Setiap citra dianotasi menggunakan bounding box, kemudian model dilatih menggunakan backbone ResNet-50 FPN dan dievaluasi menggunakan confusion matrix, precision, recall, F1-score, Average Intersection over Union (IoU), dan mean Average Precision (mAP). Hasil/Temuan: Model mengenali 1.496 dari 1.642 objek ground truth (85,34%) dengan precision 85,34%, recall 91,11%, F1-score 88,13%, rata-rata IoU 88,28%, dan mAP@0.50 sebesar 92,01%. Confidence threshold optimal diperoleh pada 0,85 dengan F1-score 89,44%. Kebaharuan/Originalitas/Nilai: Penelitian ini secara khusus mengkaji kemampuan Faster R-CNN pada objek sampah plastik berukuran sangat kecil dan tipis pada berbagai kondisi pencahayaan dan latar belakang, sebuah aspek yang masih terbatas dikaji pada penelitian deteksi sampah plastik sebelumnya, sekaligus menunjukkan bahwa keterbatasan utama model terletak pada kemampuan menemukan objek dan bukan pada ketepatan lokalisasi bounding box. Keywords: Faster R-CNN, deteksi objek, sampah plastik, deep learning, citra digital
Co-Authors Abdiansah, Abdiansah Abdullah, Dedy Abdullah, Dedy Ade Rangga Saputera Agastra Galih Setiawan Ahmad Sayyeid Al Jadd Alber Uci Saputra Altra Yudha Mawlana Andi Nugroho Angtyas Candra Pratama Anita Septiani Putri Apridiansyah, Yovi Ari Wibowo Ayumi, Vina Azildjian Arma Yuda Azildjian Arma Yuda Bony Triwahyuda Charles Roenal Krisubiyantoro Dede Erwan Dedy Abdullah Dedy Abdullah Dedy Agung Prabowo Depmi Hardianto Deslianti, Dwita Deslianti, Dwita Diana Diana Ermatita - Erzi Hidayat Fikri Agnesa Putra Filda Rahayu Firdianti Sukemi Hadiguna Setiawan Handrie Noprison Hardianto, Depmi Harry Witriyono Harry Witriyono Herianto Herianto hidayah, agung kharisma Ilham Fahriansyah Ilham Fahriansyah Ilham Fahriansyah, Ruliyani Imelia Okta Rama Yanti Jastrawan, Noris Jefri Zulkarnain Khairullah khairullah Krismiyani Krismiyani Krismiyani, Krismiyani M Khairunnas M. Alfarisi M. Alfarisi M. Husni Rifqo Mariana Purba Mariana Purba Marissa Utami Marrisa Utami Mellysa Pratama Moh. Rere Valentino Zantohar Monsya Juansen Muhammad Hikmal Febrian Muhammad Husni Rifqo Muhammad Husni Rifqo Muntahanah Naufal Afif Hawari Noprisson, Handrie Noris Jastrawan Nuri David Maria Veronika Pahrizal, Pahrizal Pitersa Susanto Purba, Mariana Putra, Zulhamdi Rahmat Arif Ma’ruf Rega Satya Putra Rifqo, Muhammad Husni Rio Eka Prayuda Rizky Rahmat Saputra Rizky Rahmat Saputra Ruliyani Sahrudin Sahrudin Sandhy Fernandez Sarwati Rahayu Sastya Hendri Wibowo Sonita, Anisya Stefanus Santosa Sulis Sandiwarno ujang juhardi Umniy Salamah Vendi Handoyo Handoyo Veronika, Nuri David Maria Wachyu Hari Haji Wahyu Adianto Wijaya, Ardi Yetman Erwadi Yulia Darmi Yuza Reswan Zalia Apriyanti Zulhamdi Putra