Article Per Year (5 Year)
p-Index From 2021 - 2026
1.978
P-Index
This Author published in this journals
All Journal Jurnal Sisfokom (Sistem Informasi dan Komputer) JMAI (Jurnal Multimedia & Artificial Intelligence) To Maega: Jurnal Pengabdian Masyarakat Jurnal Teknologi Dan Sistem Informasi Bisnis Jurnal Informa: Jurnal Penelitian dan Pengabdian Masyarakat Jurnal Teknik Informatika (JUTIF) Tamansiswa International Journal in Education and Science (TIJES) Journal Of Information System And Artificial Intelligence Jurnal Indonesia Sosial Sains AMMA : Jurnal Pengabdian Masyarakat
Supatman Supatman
Universitas Mercu Buana Yogyakarta
Humanities Astronomy Biochemistry, Genetics & Molecular Biology Chemistry Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Environmental Science Immunology & microbiology Law, Crime, Criminology & Criminal Justice Library & Information Science Materials Science & Nanotechnology Neuroscience Nursing Physics Social Sciences Other

Published : 16 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 5 Documents
Search
Journal : JMAI (Jurnal Multimedia

 1 
Analisa Feature Citra Darah Menggunakan Metode Histogram Supatman Supatman
JMAI (Jurnal Multimedia & Artificial Intelligence) Vol. 1 No. 1 (2017): Jurnal Multimedia dan Artificial intelligence
Publisher : LPPM Universitas Mercu Buana Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (669.694 KB) | DOI: 10.26486/jmai.v1i1.46

Abstract

Darah manusia adalah cairan di dalam tubuh yang berfungsi untuk mengangkut oksigen yang diperlukan oleh sel-sel di seluruh tubuh. Sistem A-B-O mengolongkan darah menjadi 4 golongan yaitu A, AB, B dan O. Identifikasi golongan darah dilakukan dengan tes antigen pada sampel darah yang akan diujinya. Teknologi pengolahan image memungkinkan identifikasi dilakukan dengan analisa citra darah dengan pendekatan warna. Dengan ciri feature histogram yaitu rata-rata, standar deviasi, varian, entropy, skewness dan kurtosisi dapat dilakukan analisa terhadap warna darah yang dapat mengidentifikasi golongan darah sesuai dengan sistem A-B-O. Hasil analisa feature : rata-rata, standar deviasi, varian, entropy, skewness dan kurtosisi memberikan hasil : Ciri rata-rata dari histogram tidak dapat memberikan nilai gap antara golongan darah A, AB, B dan O; Semakin tinggi/besar size dari resolusi citra maka nilai ciri ciri rata-rata, standar deviasi, varian,entropy semakin besar kecuali kewness dan kurtosis berbanding terbalik dengan resolusinya ; Ciri standar deviasi, varian, entropy, skewness dan kurtosis memberikan nilai gap antara golongan darah A, AB, B dan O sehingga dapat dipergunakan sebagai ciri maupun vektor ciri dalam identifikasi citra golongan darah; uji beda rerata dari vektor ciri yang terdiri dari standar deviasi, varian, entropy, skewness dan kurtosis antara Golongan Darah A, AB, B dan O memiliki beda rata-rata yang signifikan lebih kecil dari 0.05.
Sistem Pakar Deteksi Buta Warna Menggunakan Metode Neural Network Lugas Lukmanul Hakim; Supatman Supatman
JMAI (Jurnal Multimedia & Artificial Intelligence) Vol. 1 No. 2 (2017): Jurnal Multimedia dan Artificial intelligence
Publisher : LPPM Universitas Mercu Buana Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1113.155 KB) | DOI: 10.26486/jmai.v1i2.70

Abstract

Mata merupakan salah satu organ tubuh manusia yang memiliki fungsi sebagai alat penglihatan, dengan pengelihatannya manusia dapat menikmati keindahan ciptaan Yang Maha Kuasa. Buta warna merupakan salah satu kelainan mata yang disebabkan ketidakmampuan sel-sel kerucut mata untuk menangkap suatu spektrum warna tertentu yang disebabkan oleh faktor genesis. Tentu kelainan ini memberikan dampak tersendiri pada penderitanya. Metode ishihara adalah salah satu metode yang paling populer digunakan dalam melakukan tes buta warna, yaitu berupa lembar-lembar yang bergambar titik-titik yang membentuk pola tertentu yang akan terbaca oleh mata normal.Penelitian ini mendesain sistem pakar untuk mendeteksi buta warna pada manusia. Metode neural network yang dilearning dengan lembar-lembar ishihar dipergunakan sebagai basis data cerdas sistem pakar untuk dapat mendeteksi jenis buta warna seseorang melalui tes-tes lembar ishihara yang di berikan. Kemampuan sistem pakar ini dideain untuk mengenali empat jenis mata yaitu mata normal, buta warna parsial, buta warna parsial defisiensi warna merah hijau dan buta warna total. Data pelatihan yang digunakan untuk melatih sistem ini berjumlah 35 data dan pengujian 33 data yang terbagi menjadi empat kelas. Hasil pelatihan dan pengujian pada parameter neural network berjenis LVQ alfa 0,5 dengan perincian pengujian buta warna parsial sebanyak tiga, buta warna parsial defisiensi warna merah hijau sebanyak enam dan buta warna total sebanyak dua diperoleh unjukkerja dengan tingkat persentase keberhasilan yaitu 100%.
Identifikasi Citra Daun Teh Menggunakan Metode Histogram untuk Deteksi Dini Serangan Awal Hama Empoasca Christophorus Candra Kusumadewa; Supatman Supatman
JMAI (Jurnal Multimedia & Artificial Intelligence) Vol. 2 No. 1 (2018): Jurnal Multimedia & Artificial Intelligence
Publisher : LPPM Universitas Mercu Buana Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (732.659 KB) | DOI: 10.26486/jmai.v2i1.71

Abstract

Mata merupakan salah satu organ tubuh manusia yang memiliki fungsi sebagai alat penglihatan, dengan pengelihatannya manusia dapat menikmati keindahan ciptaan Yang Maha Kuasa. Buta warna merupakan salah satu kelainan mata yang disebabkan ketidakmampuan sel-sel kerucut mata untuk menangkap suatu spektrum warna tertentu yang disebabkan oleh faktor genesis. Tentu kelainan ini memberikan dampak tersendiri pada penderitanya. Metode ishihara adalah salah satu metode yang paling populer digunakan dalam melakukan tes buta warna, yaitu berupa lembar-lembar yang bergambar titik-titik yang membentuk pola tertentu yang akan terbaca oleh mata normal.Penelitian ini mendesain sistem pakar untuk mendeteksi buta warna pada manusia. Metode neural network yang dilearning dengan lembar-lembar ishihar dipergunakan sebagai basis data cerdas sistem pakar untuk dapat mendeteksi jenis buta warna seseorang melalui tes-tes lembar ishihara yang di berikan. Kemampuan sistem pakar ini dideain untuk mengenali empat jenis mata yaitu mata normal, buta warna parsial, buta warna parsial defisiensi warna merah hijau dan buta warna total. Data pelatihan yang digunakan untuk melatih sistem ini berjumlah 35 data dan pengujian 33 data yang terbagi menjadi empat kelas. Hasil pelatihan dan pengujian pada parameter neural network berjenis LVQ alfa 0,5 dengan perincian pengujian buta warna parsial sebanyak tiga, buta warna parsial defisiensi warna merah hijau sebanyak enam dan buta warna total sebanyak dua diperoleh unjukkerja dengan tingkat persentase keberhasilan yaitu 100%.
Identifikasi Mangga Harum Manis Karbitan dan Tidak Karbitan Dengan Learning Vector Quantization Wahyu Puspitaningrum; Supatman Supatman
JMAI (Jurnal Multimedia & Artificial Intelligence) Vol. 2 No. 2 (2018): Jurnal Multimedia & Artificial Intelligence
Publisher : LPPM Universitas Mercu Buana Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (415.836 KB) | DOI: 10.26486/jmai.v2i2.88

Abstract

Buah mangga memiliki banyak jenis salah satunya adalah mangga harum manis. Kematangan buah mangga arum manis ada yang alamiah atau melalui proses pengkarbitan. Karbit adalah kepanjangan dari kalsium karbida. Karbit biasanya digunakan dalam proses las karbit dan juga dapat mempercepat pematangan buah.Pengambilansample dilakukan pada dua jenis kematangan mangga harum manis yaitu mangga harum manis karbitan dan tidak karbitan. Pengembangan algoritma yang dilakukan bertujuan untuk mengidentifikasi mangga harum manis yang dapat membedakan kematangan mangga karbitan dan tidak karbitan menggunakan Learning Vector Quantization (LVQ).Ciri yang digunakan untuk mengidentifikasi citra mangga adalah rata-rata, varian dan standar deviasi.Jumlah data pelatihan yang digunakan terdiri dari 2 kelas(kelas 1: mangga karbitan, kelas 2: mangga tidak karbitan), dan masing-masing kelas berjumlah 30 data pelatihandengan total data berjumlah 60 data pelatihan. Sedangkan untuk data uji masing-masing kelas menggunakan 25 data uji dengan total berjumlah 50 data uji.Pada proses pelatihan menggunakan parameter LVQ alfa 0.001 dengan dec alfa 0.9, diperoleh unjuk kerja terbaik sebesar 98.33%. Bobot akhir yang diperoleh dari unjukkerja terbaik pada pelatihan digunakan untuk melakukan pengenalan. Unjuk kerja terbaik dari 50 data uji mencapai 98%dengan perincian 96 % mangga karbitan dan 100 % mangga tidak karbitan.
Identifikasi Daging Sapi Segar Dan Beku Menggunakan Learning Vector Quantization Lilis Cahyono; Supatman Supatman
JMAI (Jurnal Multimedia & Artificial Intelligence) Vol. 2 No. 2 (2018): Jurnal Multimedia & Artificial Intelligence
Publisher : LPPM Universitas Mercu Buana Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (439.826 KB) | DOI: 10.26486/jmai.v2i2.89

Abstract

Di Indonesia harga daging sapi cukup mahal, hal ini terjadi karena mata rantai distribusi yang sangat panjang dari peternak hingga ke tangan konsumen, sehingga diperlukan biaya yang sangat tinggi untuk membeli daging sapi. Dengan mahalnya daging sapi tersebut ada beberapa oknum yang berusaha mencampur kualitas kesegaran daging sapi dengan mencampurnya antara daging yang baru dipotong dengan daging yang sudah dipotong beberapa waktu. Kondisi ini sangat merugikan konsumen yang membeli daging sapi.Saat ini identifikasi daging dilakukan secara kasat mata maupun dengan menekan dagingnya untuk mengetahui tekstur daging. Cara ini memiliki banyak kelemahan bila para konsumen tidak jeli untuk membedakan kualitas kesegaran daging sapi. Perkembangan ilmu pengetahuan dan teknologi pengolahan citra digital memungkinkan untuk memilih kualitas kesegaran daging sapi tersebut secara otomatis dengan bantuan aplikasi pengolahan citra.Tujuan dari penelitian ini adalah mengembangkan algoritma untuk mengidentifikasi daging sapi segar dan sapi beku menggunakan Learning Vector Quantization (LVQ). Jumlah data pelatihan yang digunakan terdiri dari 2 kelas (kelas 1 : kelas daging segar dan kelas 2 : daging sapi beku), masing-masing kelas berjumlah 15 data pelatihan, jadi total data berjumlah 30 data pelatihan. Sedangkan untuk data uji masing-masing kelas menggunakan 20 data uji dengan total berjumlah 40 data uji. Pada proses pelatihan menggunakan Learning Vector Quantization diperoleh unjuk kerja identifikasi terbaik sebesar 96,67% pada parameter dec alfa (decα) 0,75 dengan alfa (α) 0,00001. Bobot akhir yang diperoleh dari hasil learning tersebut kemudian digunakan untuk melakukan pengenalan data uji. Unjuk kerja terbaik pengujian dengan presentase komulatif mencapai 80% yaitu data mengenali daging segar 12 pada kelas 1 dan data mengenali daging sapi beku 20 pada kelas 2.
Co-Authors Abdi Subayu Ade Sumarsono Ahmad Ramadhan Arita Witanti Christophorus Candra Kusumadewa Enggar Dwi Kharisma Heribertus Christian Agusto Lumban Tobing Indah Susilawati Jati Nugroho Lilis Cahyono Lugas Lukmanul Hakim Mutaqin Akbar Sidiq Purnomo, Agus Sri Ayem Suddin Lada Sumedi Joko Susilo Triana Noor Edwina Dewayani Soeharto Umi Wahidah Wahyu Puspitaningrum Yhoga Heru Pratama