Article Per Year (5 Year)
p-Index From 2020 - 2025
5.45
P-Index
This Author published in this journals
All Journal International Journal of Electrical and Computer Engineering Seminar Nasional Aplikasi Teknologi Informasi (SNATI) Jurnal Teknologi dan Manajemen Informatika CommIT (Communication & Information Technology) Jurnal Edukasi dan Penelitian Informatika (JEPIN) International Journal of Advances in Intelligent Informatics Register: Jurnal Ilmiah Teknologi Sistem Informasi JOURNAL OF INFORMATICS AND TELECOMMUNICATION ENGINEERING Jurnal Otomasi Kontrol dan Instrumentasi Jurnal Sisfokom (Sistem Informasi dan Komputer) INTECOMS: Journal of Information Technology and Computer Science Antivirus : Jurnal Ilmiah Teknik Informatika Journal of Information System,Graphics, Hospitality and Technology Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi Journal of Electronics, Electromedical Engineering, and Medical Informatics Jurnal Teknologi Informasi dan Terapan (J-TIT) Journal of Robotics and Control (JRC) Jurnal Teknika Teknika Insyst : Journal of Intelligent System and Computation JTECS : Jurnal Sistem Telekomunikasi Elektronika Sistem Kontrol Power Sistem dan Komputer International Journal of Robotics and Control Systems J-Intech (Journal of Information and Technology) Joutica : Journal of Informatic Unisla Jurnal Nasional Teknik Elektro dan Teknologi Informasi Jurnal Inovasi Teknologi dan Edukasi Teknik
Yosi Kristian
Institut Sains Dan Teknologi Terpadu Surabaya
Aerospace Engineering Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering Library & Information Science Mechanical Engineering Other

Published : 43 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 9 Documents
Search
Journal : Insyst : Journal of Intelligent System and Computation

 1 
Klasifikasi Citra Daun Memanfaatkan Angular Partition, Edge Detection dan Neural Network Elkana Lewi Santoso; Endang Setyati; Yosi Kristian
Intelligent System and Computation Vol 1 No 1 (2019): INSYST: Journal of Intelligent System and Computation
Publisher : Institut Sains dan Teknologi Terpadu Surabaya (d/h Sekolah Tinggi Teknik Surabaya)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52985/insyst.v1i1.32

Abstract

Penelitian yang dilakukan dalam Tesis ini adalah mengklasifikasikan 1907 daun berasal dari 32 jenis tanaman yang berbeda. Foto tersebut diambil dari website flavia. Proses klasifikasi daun-daun dilakukan dengan menggunakan Neural Network dengan metode Back Propagation Neural Network (BPNN). Tahap awal adalah mengubah ukuran gambar yang didapat dari flavia 1600x1200 piksel menjadi berukuran 300x225 piksel, terdiri dari tahap membuat gambar dengan Sobel untuk mendeteksi tepi, membuat gambar dengan Sobel dan menambah kecerahan gambar, sehingga tepi dan serat daun dapat lebih jelas. Citra daun di potong-potong dengan angular partition (sudut pembagi) 5°, 11.25°, 22.5°, 30°, 45° dan 90°. Pembuatan data set dengan delapan ekstrasi fitur daun yang terdiri dari menghitung : jumlah piksel-piksel pada bagian daun, jumlah piksel pada keliling daun, jumlah sudut pada daun, jumlah piksel pada keliling dan serat daun serta menghitung jarak tiap-tiap piksel tersebut dengan center of gravity (titik berat). Pada penelitian ini dilakukan 100 macam variasi nilai layer tersembunyi untuk tiap-tiap sudut pembagi tersebut. Hasil dari penelitian ini adalah : semakin kecil sudut pembagi(5°) dan semakin besar sudut pembagi (90°) tidak menghasilkan akurasi yang semakin bagus. Hasil akurasi tertinggi yang diraih sebesar 96,7488%. Hasil tersebut didapat dengan membagi daun menjadi sudut 11,25° tiap bagian (16 bagian), Susunan BPNN yang digunakan terdiri dari 1 input, 1 output, 3 hiden layer , tiap layer tersembunyi berisi 128, 120, 112 neurons, dan 32 neurons untuk output layer.
Pemanfaatan Asynchronous Advantage Actor-Critic Dalam Pembuatan AI Game Bot Pada Game Arcade Evan Kusuma Susanto; Yosi Kristian
Intelligent System and Computation Vol 1 No 2 (2019): INSYST:Journal of Intelligent System and Computation
Publisher : Institut Sains dan Teknologi Terpadu Surabaya (d/h Sekolah Tinggi Teknik Surabaya)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52985/insyst.v1i2.82

Abstract

Asynchronous Advantage Actor-Critic (A3C) adalah sebuah algoritma deep reinforcement learning yang dikembangkan oleh Google DeepMind. Algoritma ini dapat digunakan untuk menciptakan sebuah arsitektur artificial intelligence yang dapat menguasai berbagai jenis game yang berbeda melalui trial and error dengan mempelajari tempilan layar game dan skor yang diperoleh dari hasil tindakannya tanpa campur tangan manusia. Sebuah network A3C terdiri dari Convolutional Neural Network (CNN) di bagian depan, Long Short-Term Memory Network (LSTM) di tengah, dan sebuah Actor-Critic network di bagian belakang. CNN berguna sebagai perangkum dari citra output layar dengan mengekstrak fitur-fitur yang penting yang terdapat pada layar. LSTM berguna sebagai pengingat keadaan game sebelumnya. Actor-Critic Network berguna untuk menentukan tindakan terbaik untuk dilakukan ketika dihadapkan dengan suatu kondisi tertentu. Dari hasil percobaan yang dilakukan, metode ini cukup efektif dan dapat mengalahkan pemain pemula dalam memainkan 5 game yang digunakan sebagai bahan uji coba.
Identifikasi Foto Wanita Berhijab dari Majalah Untuk Pembuatan Katalog Busana Muslim Otomatis Memanfaatkan Convolutional Neural Network M. Najamudin Ridha; Endang Setyati; Yosi Kristian
Intelligent System and Computation Vol 1 No 2 (2019): INSYST:Journal of Intelligent System and Computation
Publisher : Institut Sains dan Teknologi Terpadu Surabaya (d/h Sekolah Tinggi Teknik Surabaya)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52985/insyst.v1i2.87

Abstract

Abstrak—Perkembangan Fashion Muslim di Indonesia terus meningkat, disisi lain terobosan baru pada Deep Learning dengan memadukan arsitektur seperti dropout regularizations dan Rectified Linear Unit (ReLU) sebagai fungsi aktivasi dan data augmentation, mampu mencapai terobosan pada large scale image classification. Penelitian ini menggunakan metode deteksi objek wajah dengan Haar Cascades Classification untuk mendapatkan sample dataset wajah dan preprocessing data testing untuk dilanjutkan pada metode machine learning untuk klasifikasi citra dengan Convolutional Neural Network. Dataset yang digunakan adalah kumpulan katalog busana online, dataset yang sudah di preprocessing dibagi menjadi dua kategori, yaitu Hijab untuk semua citra wanita berhijab, dan Non Hijab untuk citra yang bukan wanita berhijab. selanjutnya klasifikasi citra menggunakan data ujicoba majalah digital terbitan Hijabella, Joy Indonesia dan Scarf Indonesia. Semakin besar resolusi citra input untuk preprocessing pada majalah digital, maka akan semakin banyak objek citra yang terdeteksi, dengan meningkatkan jumlah dataset untuk training dan validasi, mampu menambah hasil akurasi yang didapatkan, terjadi peningkatan akurasi pada dataset 2.500 wajah perkategori ke 5.000 wajah perkategori dengan resolusi 720p meningkat dari rata-rata 81.30% menjadi 82.31%, peningkatan rata-rata 1.01% dan tertinggi 2.14%, sedangkan resolusi 1080p meningkat dari rata-rata 83.03% menjadi 83.68%, peningkatan rata-rata 0.65% dan tertinggi 1.73%, akurasi tertinggi adalah sebesar 84.72% menggunakan model dataset 5.000 secara acak perkategori.
Identifikasi Biji-Bijian Berdasarkan Ekstraksi Fitur Warna, Bentuk dan Tekstur Menggunakan Random Forest Luthfi Alwi; Arya Tandy Hermawan; Yosi Kristian
Intelligent System and Computation Vol 1 No 2 (2019): INSYST:Journal of Intelligent System and Computation
Publisher : Institut Sains dan Teknologi Terpadu Surabaya (d/h Sekolah Tinggi Teknik Surabaya)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52985/insyst.v1i2.93

Abstract

Abstrak - Proses identifikasi atau pengenalan biji-bijian merupakan aspek penting dalam dunia industri pengolahan pangan. Sebuah industri pangan berskala besar, proses pencampuran beberapa macam biji-bijian dalam pengolahan sebuah produk pangan sangat memperhatikan ketepatan dalam memilih bahan agar tidak terjadi kesalahan dalam proses produksi karena berpengaruh pada hasil akhir dari sebuah produksi. Agar tidak terjadi kesalahan yang fatal, diperlukan sebuah proses identifikasi dari bahan yang digunakan. Dengan sebuah sensor (intelligent camera) yang digunakan dari hasil sebuah proses identifikasi maka sebuah proses produksi produk pangan dapat berjalan dengan baik dan tidak terjadi kesalahan dalam pencampuran bahan. Proses pengidentifikasian terhadap beberapa varian biji-bijian dapat dilakukan dengan cara mengekstraksi fitur dari citra (image) dengan menganalisa melalui parameter warna, bentuk dan tekstur serta melakukan proses pengklasifikasian untuk mengukur tingkat keakuratan. Penelitian ini melakukan identifikasi terhadap varian biji-bijian (padi, jagung, kacang tanah dan kedelai) dengan melakukan ekstraksi fitur warna menggunakan RGB dan HSV, ekstraksi fitur bentuk menggunakan Morphological Threshold dan ekstraksi fitur tekstur menggunakan Grey Level Co-occurrence Matrix (GLCM) dan Local Binary Pattern (LBP). Untuk proses pengklasifikasian, peneliti menggunakan metode Random Forest Classifier (RF) untuk mendapatkan tingkat akurasi yang tinggi dengan batasan-batasan yang mempengaruhi keakuratan dalam proses pengklasifikasian untuk dikembangkan dalam proses selanjutnya. Peneliti menggunakan tools MATLAB R2015b untuk proses identifikasi mulai dari proses ekstraksi fitur sampai proses klasifikasnya. Berdasarkan hasil pengujian yang dilakukan didapatkan tingkat akurasi sebesar 99.8 %. Dapat disimpulkan bahwa pengambilan dataset berupa gambar atau image biji-bijian yang diteliti dapat dijadikan patokan untuk pengidentifikasian dan dapat dikembangkan dalam proses selanjutnya.
AUTOMATIC PARENTAL GUIDE SCENE CLASSIFICATION MENGGUNAKAN METODE DEEP CONVOLUTIONAL NEURAL NETWORK DAN LSTM Riko Gunawan; Yosi Kristian
Intelligent System and Computation Vol 2 No 2 (2020): INSYST:Journal of Intelligent System and Computation
Publisher : Institut Sains dan Teknologi Terpadu Surabaya (d/h Sekolah Tinggi Teknik Surabaya)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52985/insyst.v2i2.124

Abstract

Menonton film merupakan salah satu hobi yang paling digemari oleh berbagai kalangan. Seiring dengan semakin bertambahnya film yang beredar di pasaran, semakin banyak pula konten tidak pantas pada film-film tersebutu. Oleh karena itu, dibutuhkan sebuah metode untuk mengklasifikasikan film agar konten yang ditonton sesuai dengan usia penonton. Konten film yang kurang cocok untuk pengguna di bawah umur yang akan diklasifikasikan pada penelitian ini antara lain: kekerasan, pronografi, kata-kata kasar, minuman keras, penggunaan obat-obatan terlarang, merokok, adegan mengerikan (horror) dan intens. Metode klasifikasi yang digunakan berupa modifikasi dari convolutional neural network dan LSTM. Gabungan kedua metode ini dapat mengakomodasi data training dalam jumlah yang kecil, serta dapat melakukan multi klasifikasi berdasarkan video, audio, dan subtitle film. Penggunaan multi klasifikasi ini dikarenakan sebuah film selalu memiliki lebih dari satu klasifikasi. Dalam proses training dan testing pada penelitian ini digunakan sebanyak 1000 data untuk klasifikasi video, 600 data klasifikasi audio, dan 400 data klasifikasi subtitle yang didapatkan dari internet. Dari hasil percobaan dihasilkan tingkat akurasi yang diukur dengan menggunakan F1-Score sebesar 0.922 untuk klasifikasi video, 0.741 untuk klasifikasi audio, dan 0.844 untuk klasifikasi subtitle dengan rata-rata akurasi sebesar 0.835. Pada penelitian berikutnya akan dicoba dengan menggunakan metode Deep Convolutional Neural Network yang lain serta dengan memperbanyak jumlah dan variasi dari data testing.
Klasifikasi Tekstur Serat Kayu pada Citra Mikroskopik Veneer Memanfaatkan Deep Convolutional Neural Network Suriani Alamgunawan; Yosi Kristian
Intelligent System and Computation Vol 2 No 1 (2020): INSYST:Journal of Intelligent System and Computation
Publisher : Institut Sains dan Teknologi Terpadu Surabaya (d/h Sekolah Tinggi Teknik Surabaya)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52985/insyst.v2i1.152

Abstract

Convolutional Neural Network sebagai salah satu metode Deep Learning yang paling sering digunakan dalam klasifikasi, khususnya pada citra. Terkenal dengan kedalaman dan kemampuan dalam menentukan parameter sendiri, yang memungkinkan CNN mampu mengeksplor citra tanpa batas. Tujuan penelitian ini adalah untuk meneliti klasifikasi tekstur serat kayu pada citra mikroskopik veneer dengan CNN. Model CNN akan dibangun menggunakan MBConv dan arsitektur lapisan akan didesain menggunakan EfficientNet. Diharapkan dapat tercapai tingkat akurasi yang tinggi dengan penggunaan jumlah parameter yang sedikit. Dalam penelitian ini akan mendesain empat model arsitektur CNN, yaitu model RGB tanpa contrast stretching, RGB dengan contrast stretching, Grayscale tanpa contrast stretching dan Grayscale dengan contrast stretching. Proses ujicoba akan mencakup proses pelatihan, validasi dan uji pada masing-masing input citra pada setiap model arsitektur. Dengan menggunakan penghitungan softmax sebagai penentu kelas klasifikasi. SGD optimizer digunakan sebagai optimization dengan learning rate 1e-1. Hasil penelitian akan dievaluasi dengan menghitung akurasi dan error dengan menggunakan metode F1-score. Penggunaan channel RGB tanpa contrast stretching sebagai citra input menunjukkan hasil uji coba yang terbaik.
Deteksi Citra Pornografi Memanfaatkan Deep Convolutional Neural Network Kevin Setiono; Yosi Kristian; Gunawan Gunawan
Intelligent System and Computation Vol 3 No 1 (2021): INSYST: Journal of Intelligent System and Computation
Publisher : Institut Sains dan Teknologi Terpadu Surabaya (d/h Sekolah Tinggi Teknik Surabaya)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52985/insyst.v3i1.172

Abstract

Internet merupakan salah satu sumber informasi yang sangat mudah diakses dan sangat lengkap pada zaman sekarang ini. Dari banyaknya konten tersebut terdapat konten pornografi yang meresahkan dan memberikan dampak buruk pada perkembangan anak-anak. Hingga tahun 2020 pemblokiran konten pornografi menyumbang 70 persen dibandingkan konten negative lainnya. Metode untuk mencegah/memblokir konten pornografi ada berbagai macam mulai dari memblokir websitenya hingga mendeteksi berdasarkan citra yang ada. Penelitian ini akan mencoba mendeteksi citra pornografi dengan bantuan Deep Convolutional Neural Network. Pembuatan model menggunakan transfer learning hingga fine tuned fine transfer learning dan mencoba model-model state of the art. Penelitian ini menghasilkan model yang mampu mendeteksi citra pornografi dengan akurasi 78%. Selain memiliki akurasi yang cukup tinggi model ini juga mampu mendeteksi bagian-bagian intim dari wanita yang menjadi fitur dari citra pornografi. Kemampuan mendeteksi fitur tersebut telah diujicoba dengan mengubah model yang digunakan penelitian ini sebagai detektor objek pada citra pornografi.
Aspect based Sentiment Analysis Aduan Mahasiswa UMSIDA Dimasa Pandemi Menggunakan LSTM Bayu Anggara Putra; Yosi Kristian; Esther Irawati Setiawan; Joan Santoso
Intelligent System and Computation Vol 4 No 1 (2022): INSYST: Journal of Intelligent System and Computation
Publisher : Institut Sains dan Teknologi Terpadu Surabaya (d/h Sekolah Tinggi Teknik Surabaya)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52985/insyst.v4i1.229

Abstract

Banyaknya data aduan Mahasiswa Universitas Muhammadiyah Sidoarjo (UMSIDA) yang terdampak wabah pandemi Covid19, dengan pemberlakuan pembatasan kegiatan masyarakat (PPKM). UMSIDA membentuk sebuah tim yang diberi nama Umsida Covid-19 Command Center (UCCC), dengan tujuan pelaksanaan program pecegahan dan aksi penanganan Covid-19, dengan harapan peneliti ingin mempermudah penyampaian informasi / aduan mahasiswa, khususnya terhadap tim UCCC sebagai bahan pertimbangan dalam melakukan suatu keputusan untuk menghadapi pandemi covid saat ini. Multi aspect sentiment analysis menghadirkan sesuatu yang baru, untuk memahami pendapat dan penilaian pengguna yang diungkapkan secara online. Dengan tujuan untuk mengklasifikasikan teks subjektif dengan memberi label polaritas, Pembentukan representasi vektor kata menggunakan Word Embedding Global Vector (Glove) dilakukan secara kombinasi dengan pelatihan analisis sentiment dengan klasifikasi berbasis Long Short Term Memory (LSTM). Pemodelan aduan mahasiswa dilakukan untuk mendapatkan representasi vektor menggunakan LSTM. Di sini, setiap kata dari kalimat menempati satu langkah pemrosesan LSTM, dan output dari kata terakhir digunakan sebagai ekspresi kalimat. Hasil dari penelitian menggunakan aduan mahasiswa bahasa Indonesia menunjukkan dari multi 3 aspect (ekonomi, pendidikan dan kesehatan) mendapatkan akurasi 82% dan 2 sentiment (positif dan negatif) mendapatkan akurasi 80% dengan demikian didapatkan nilai rata-rata Akurasi 81%. dapat disimpulkan akurasi tersebut bisa digunakan sebagai klasifikasi multi aspect dan sentiment analisis.
Pengenalan Makanan Tradisional Indonesia Beserta Bahan-bahannya dengan Memanfaatkan DCNN Transfer Learning Citra Mahaputri; Yosi Kristian; Endang Setyati
Intelligent System and Computation Vol 4 No 2 (2022): INSYST: Journal of Intelligent System and Computation
Publisher : Institut Sains dan Teknologi Terpadu Surabaya (d/h Sekolah Tinggi Teknik Surabaya)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52985/insyst.v4i2.252

Abstract

Pengenalan makanan adalah langkah awal untuk melakukan penilaian diet seseorang. Dalam pengenalan makanan beserta bahan-bahannya, dirasakan kurang diseminasi foto-foto makanan tradisional Indonesia, sehingga peneliti terdorong untuk melakukan penelitian mengenai pengenalan makanan tradisional Indonesia. Peneliti membuat klasifikasi citra makanan yang inputannya merupakan citra makanan tradisional Indonesia. Ekstraksi fitur citra makanan sulit untuk diklasifikasikan karena citra makanan beraneka ragam penampilannya, termasuk tekstur, warna, bentuk dan karakteristik visual lainnya. Penelitian ini meneliti pemanfaatan Deep Convolutional Neural Network (DCNN) model EfficientNetB6 dan EfficientNetV2M untuk pengenalan makanan tradisional Indonesia beserta bahan-bahannya. DCNN merupakan metode yang biasa digunakan untuk mendeteksi citra yang komplek. Peneliti mengumpulkan citra makanan tradisional Indonesia secara manual sebanyak 1.202 citra makanan yang berbeda. Terdiri dari 20 jenis makanan tradisional Indonesia. Masing-masing jenis makanan terdapat 50-80 gambar makanan. Data yang digunakan untuk uji klasifikasi makanan adalah 241 data citra makanan di luar data yang digunakan untuk training dan mendapatkan akurasi 83,82% untuk model EfficientNetV2M dan 80,08% untuk model EfficientNetB6. Kemudian pada proses pengujian dalam memprediksi bahan-bahan makanan yang terlihat pada gambar rata-rata mendapatkan 64% untuk model EfficienNetV2M dan 59% untuk model EfficeintNetB6. Berdasarkan hasil penelitian menunjukkan bahwa metode DCNN dengan model EfficientNetV2M dapat mencapai performa terbaik dari model EfficientNetB6.
Co-Authors Adriel Ferdianto Ajeng Restu Kusumastuti Aji Prasetya Wibawa Aji Wibawa Albertus Josef Andika Andy Hermawan Anggay Luri Pramana Anik Nur Handayani Arya Tandy Hermawan Ayyub Bayu Anggara Putra Chastine Fatichah Citra Mahaputri Damayanti, Elok Darlis Herumurti Devi Dwi Purwanto Dhaniswara, Erwin Edwin Pramana Effendy Hadi Sutanto Eha Renwi Astuti Eka Rahayu Setyaningsih Elkana Lewi Santoso Endang Setyati Endang Setyati Endang Setyati Esa Prakasa Esther Irawati Setiawan Evan Kusuma Susanto Fitra Hidayah Gunawan Gunawan Gunawan Gunawan Gunawan Hariadi Yutanto Hartono, Nickolas Hatem Alsadeg Ali Salim Hendrawan Armanto Hendrawan, William Hartanto Hermawan Andika Heru Wahyu Herwanto I Ketut Eddy Purnama Joan Santoso Kenny Vincent Kevin Setiono Kms Yusuf Effendi Kurniawan S, Putu Widiarsa Lukman Zaman Luthfi Alwi M. Najamudin Ridha Masrur Anwar Mauridhi Hery Purnomo Maysas Yafi' Urrochman Muhammad Harris Syafa'at Nur Nafi'iyah Nur Nafi’iyah Putra, Ramadhan Hardani Retno Wardhani Riko Gunawan Sandhopi Shandy Darmawan Stephen Ekaputra Limantoro Suriani Alamgunawan Surya Sumpeno Wahyu Sakti Gunawan Irianto Wahyu Widodo Wikjatmiko, Zhulfi Bajra William Sugiarto YOGA DWI WAHYU NUGRAHA Yuliana Melita Pranoto Yulianto, Masrizal Eka Yunan Kholilul Fatah Zaeni, Ilham Ari Elbaith Zuhan, Miftahuz