Article Per Year (5 Year)
p-Index From 2021 - 2026
4.447
P-Index
This Author published in this journals
All Journal Seminar Nasional Aplikasi Teknologi Informasi (SNATI) JIKSI (Jurnal Ilmu Komputer dan Sistem Informasi) Computatio : Journal of Computer Science and Information Systems Seminar Nasional Teknologi Informasi Komunikasi dan Industri JURNAL TEKNIK INFORMATIKA DAN SISTEM INFORMASI JURNAL INSTEK (Informatika Sains dan Teknologi) Building of Informatics, Technology and Science Journal of Computer Networks, Architecture and High Performance Computing Jurnal Komputer, Informasi dan Teknologi Nusantara Journal of Multidisciplinary Science
Chairisni Lubis
Fakultas Teknologi Informasi Universitas Tarumanagara Jakarta - Indonesia
Religion Humanities Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Mathematics Other

Published : 59 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 59 Documents
Search

 2   3   4   5   6 
KLASIFIKASI BUAH SEGAR DAN BUSUK MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK BERBASIS ANDROID Prinzky; Chairisni Lubis
Jurnal Ilmu Komputer dan Sistem Informasi Vol. 10 No. 2 (2022): JURNAL ILMU KOMPUTER DAN SISTEM INFORMASI
Publisher : Fakultas Teknologi Informasi Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/jiksi.v10i2.22551

Abstract

Fruit is a food and a good source of vitamins for the body's metabolic processes, but fruit is quickly damaged by the effects of physics, chemistry and microbiology if not given special treatment. Fresh fruit is one of the main needs in the health of the human body because the fruit contains nutrients and vitamins. Therefore, it is proposed to design an application that can classify fresh and rotten fruit. The method that will be used in this design is Convolutional Neural Network (CNN). The architecture that will be used in this design is AlexNet. The fruits that will be classified are apple, banana, grape, guava, jujube, orange, pomegranate, strawberry, mango and tamarillo. The test results on the training data produce an accuracy of 99% and the test on the test data or validation is 98% with the use of the adam optimizer. The confusion matrix shows that the trained model has an accuracy value of 98%, precision of 98%, recall of 98%, and F1-score of 98%. The output of the application is the introduction of fruit names and classification in the form of fresh or rotten.
Deteksi Penggunaan Masker dan Klasifikasi Secara Real Time Melalui Video Webcam Dengan Metode YOLO Saddhananda; Chairisni Lubis
Jurnal Ilmu Komputer dan Sistem Informasi Vol. 11 No. 1 (2023): JURNAL ILMU KOMPUTER DAN SISTEM INFORMASI
Publisher : Fakultas Teknologi Informasi Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/jiksi.v11i1.24064

Abstract

The use of masks is currently important to prevent the spread of the virus. However, there are often people who do not wear masks in public places. Therefore, a real-time mask detection system is needed via webcam video. This system uses the You Only Look Once (YOLO) method to detect faces and classify whether the person is wearing a mask or not. The YOLO model is used to detect and classify masks in images and is trained using datasets from kaggle. The results for YOLO show the detection accuracy for masks is 92% using training data.
KLASIFIKASI RAS ANJING MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK DENGAN ARSITEKTUR VGG-16 Sandy Danish Arkansa; Chairisni Lubis
Jurnal Ilmu Komputer dan Sistem Informasi Vol. 11 No. 1 (2023): JURNAL ILMU KOMPUTER DAN SISTEM INFORMASI
Publisher : Fakultas Teknologi Informasi Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/jiksi.v11i1.24078

Abstract

Dogs are lovable animals that bring companionship and fun to any household, but things to consider before getting a dog are their daily needs including food, shelter, and animal care, as well as affection and physical and mental stimulation. This research was conducted to introduce dog breeds and how to care for each breed. This system is built using Mask R-CNN and Convolutional Neural Network (CNN), a deep learning architecture. Mask R-CNN model is used for detecting and cropping dog in images, trained using Microsoft Common Object of Context (MS COCO) dataset. CNN is used for classification of dog breeds in images and is trained using 17.513 images of 17 different breeds. Result for Mask R-CNN show the detection accuracy for dogs has 74% using test images, and CNN show the identification accuracy using test images has 82% accuracy, and for CNN using cropped images has 87% accuracy.
PENGENALAN NAMA MODEL SEPATU MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK (CNN) DENGAN MODEL MOBILENET Renaldi Bong; Chairisni Lubis
Jurnal Ilmu Komputer dan Sistem Informasi Vol. 12 No. 1 (2024): JURNAL ILMU KOMPUTER DAN SISTEM INFORMASI
Publisher : Fakultas Teknologi Informasi Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/jiksi.v12i1.28189

Abstract

Aplikasi atau sistem pengenalan merek beserta nama model sepatu ini berguna untuk memberikan informasi tentang nama model sepatu apa yang ingin dicari. Aplikasi ini diharapkan dapat membantu masyarakat yang kurang paham atau kurang mengikuti trend dan perkembangan sepatu. Sehingga dapat memudahkan untuk mengetahui apa nama model sepatu yang dimiliki dan dari informasi tersebut dapat digunakan untuk keperluan lainnya. Salah satu cabang ilmu atau metode yang dapat digunakan untuk membuat sistem ini adalah Deep Learning. Kemudian pada Deep Learning ini terdapat arsitektur yang disebut Convolutional Neural Network. Nantinya sistem ini akan dilatih menggunakan salah satu model arsitektur yang terdapat pada Convolutional Neural Network ini yaitu MobileNet dan versi MobileNet yang digunakan adalah versi 2 atau MobileNetV2. Dari hasil pelatihan dengan model MobileNetV2 diperoleh akurasi kurang lebih 75,23%. Dan hasil pengujian mendapatkan hasil akurasi sekitar 66,67%.
PENERAPAN CONVOLUTIONAL NEURAL NETWORK DAN CAPSULE NETWORKS DALAM MENDETEKSI DEEPFAKE Donni Suharyanto; Chairisni Lubis; Agus Budi Dharmawan
Jurnal Ilmu Komputer dan Sistem Informasi Vol. 12 No. 1 (2024): JURNAL ILMU KOMPUTER DAN SISTEM INFORMASI
Publisher : Fakultas Teknologi Informasi Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/jiksi.v12i1.28190

Abstract

Pada tulisan ini mendemonstrasikan bagaimana perbandingan dalam pendeteksi deepfake antara tiga arsitektur convolutional neural network yaitu Resnet 50, VGG 19 dan Xception. Dalam percobaan ini, arsitektur-arsitektur tersebut akan dikombinasikan dengan model capsule networks, yang terdiri dari 2 lapisan konvolusi pada kapsul primer dan 2 kapsul keluaran yang akan diisi dengan label asli dan deepfake. Dibuat sebuah basis data yang terdiri dari 6000 data asli dan 4000 data deepfake dan dilatih melalui 100 epochs dan 10 batch size. Setelah itu, 20 gambar acak akan digunakan dalam proses pengujian pendeteksi deepfake berdasarkan label yang ada pada basis data. Hasilnya menunjukkan bahwa ketiga arsitektur tersebut mampu mendeteksi gambar deepfake dengan berbagai tingkat akurasi yaitu Resnet 50 dengan tingkat akurasi 64,133%, VGG 19 dengan tingkat akurasi 61,067% dan Xception dengan tingkat akurasi 64,067%.
Integrasi Metode Convolutional Neural Networks dengan Arsitektur Model PoseNet untuk Pengembangan Sistem Klasifikasi Gerakan serta Monitoring Repetisi pada Olahraga Bulu Tangkis Benny Karnadi; Chairisni Lubis; Agus Budi Dharmawan
Jurnal Ilmu Komputer dan Sistem Informasi Vol. 12 No. 1 (2024): JURNAL ILMU KOMPUTER DAN SISTEM INFORMASI
Publisher : Fakultas Teknologi Informasi Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/jiksi.v12i1.28191

Abstract

This application or a recognition of movement classification system and monitoring repetitions in badminton system is designed for students and coaches to practice movement and stroke techniques in badminton as well as a joint evaluation medium for users who practice using this application, also with the hope that it can help children who want to practice Badminton can be more flexible in terms of time and also efficient for coaches to be able to reach a wider range of students and produce more talented athletes. One of the branches of science used in designing this application is Deep Learning with the Convolutional Neural Network (CNN) method with the MobileNetv2 architecture used in designing this badminton movement classification application, as well as using PoseNet model integration. The training results that can be achieved using the Convolutional Neural Network method with the MobileNetv2 architecture obtain an accuracy score in the range of 90%, and test results can be achieved with an accuracy score of 93%.
PENGGUNAAN AUTOENCODER DAN GENERATIVE ADVERSARIAL NETWORKS DALAM MENDETEKSI DEEPFAKE Kelvin Samuel; Chairisni Lubis; Agus Budi Dharmawan
Jurnal Ilmu Komputer dan Sistem Informasi Vol. 12 No. 1 (2024): JURNAL ILMU KOMPUTER DAN SISTEM INFORMASI
Publisher : Fakultas Teknologi Informasi Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/jiksi.v12i1.28212

Abstract

Artikel ini dimaksudkan untuk membandingkan hasil deteksi Deepfake antara 2 metode neural network dan menemukan tingkat akurasi terbaik. Pada artikel ini arsitektur neural network yang akan digunakan adalah Encoder, Decoder, Generator dan Diskriminator yang masing – masing merupakan arsitektur dari masing – masing metode untuk melakukan deteksi.. Hasil perbandingan 2 metode neural network yang masing – masing berisi label real dan deepfake menunjukkan bahwa metode Autoencoder memiliki akurasi training tertinggi yaitu 99.74% dan akurasi validation tertinggi yaitu 73%, sedangkan untuk dan Generative Adversarial Network memiliki akurasi training tertinggi yaitu 96.82% dan akurasi validation tertinggi yaitu 84% dengan spesifikasi pelatihan menggunakan 50 epoch, 128 batch size, dengan 32.000 data. Berisi 16.000 data real dan 16.000 data deepfake namun dibagi lagi menjadi 5.120 untuk data validation dan 6.400 untuk data testing, namun dalam proses pengujiannya hanya menggunakan 10 data gambar acak yang menghasilkan proses yang dapat diprediksi oleh metode Autoencoder hingga 8 gambar diprediksi dengan benar sedangkan Generative Adversarial Network hanya dapat memprediksi hingga 7 gambar dengan benar.
MONITORING PERSEDIAAN SUKU CADANG MOBIL DENGAN METODE SINGLE SHOT MULTIBOX DETECTOR Ferdinand Iskandar; Chairisni Lubis
Jurnal Ilmu Komputer dan Sistem Informasi Vol. 12 No. 1 (2024): JURNAL ILMU KOMPUTER DAN SISTEM INFORMASI
Publisher : Fakultas Teknologi Informasi Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/jiksi.v12i1.28213

Abstract

Perkembangan yang pesat dalam Computer Vision memungkinkan komputer untuk tidak hanya mengenali objek tetapi juga mendeteksi lokasi objek dalam gambar. Aktivitas pemantauan stok barang pada rak merupakan pekerjaan yang mudah tetapi memakan waktu lama. Maka dari itu, dilakukanlah perancangan sebuah sistem yang dapat memantau stok barang secara otomatis. Metode pendeteksian objek yang digunakan adalah Single Shot Multibox Detector (SSD) dengan masukan berupa citra suku cadang mobil yang terdiri dari 6 kelas, yaitu water pump, ignition coil, shut off valve, exhaust brake valve, starter switch, dan oil seal. Berdasarkan hasil pengujian, model SSD terbaik mendapatkan nilai Mean Average Precision (mAP) sebesar 93.7%.
PENDETEKSIAN CITRA DEEPFAKE WAJAH DI SMARTPHONE MENGGUNAKAN MOBILENETV3-SMALL DAN LBP Matthew Patrick; Chairisni Lubis; Agus Budi Dharmawan
Jurnal Ilmu Komputer dan Sistem Informasi Vol. 12 No. 1 (2024): JURNAL ILMU KOMPUTER DAN SISTEM INFORMASI
Publisher : Fakultas Teknologi Informasi Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/jiksi.v12i1.28214

Abstract

Citra DeepFake, yang dihasilkan menggunakan algoritma kecerdasan buatan seperti GAN, menjadi ancaman besar di dalam dunia digital saat ini karena mudah disebar dan dapat menyebabkan misinformasi. Studi ini berfokus pada desain dan penerapan sistem yang menggunakan model-model MobileNetV3-Small. Dilakukan perbandingan atas dua varian model, satu dengan input citra RGB dan yang lain dengan input citra grayscale hasil dari proses Local Binary Pattern. Hasilnya menunjukkan bahwa model MobileNetV3-Small dengan input RGB mempunyai tingkat akurasi yang lebih tinggi sebesar 88.23%, melebihi model yang menggunakan input citra grayscale hasil dari proses Local Binary Pattern, yang mencapai tingkat akurasi sebesar 72.63%. Model MobileNetV3-Small dengan input RGB yang menunjukkan kinerja superior, diintegrasikan ke dalam aplikasi smartphone untuk pendeteksian citra wajah DeepFake yang efisien.
Implementasi Algoritma Convolutional Neural Networks Untuk Klasifikasi Jenis Cat Tembok Menggunakan Arsitektur MobileNet Carlos, Daniel; Herwindiati, Dyah Erny; Lubis, Chairisni
Building of Informatics, Technology and Science (BITS) Vol 6 No 1 (2024): June 2024
Publisher : Forum Kerjasama Pendidikan Tinggi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/bits.v6i1.5322

Abstract

The development of image recognition technology has made significant advancements, particularly with the emergence of Convolutional Neural Networks (CNN) algorithms. One of the CNN architectures that is efficient and effective for mobile devices is MobileNet. This study aims to implement the CNN algorithm using the MobileNet architecture for classifying types of wall paint. The main problem addressed is the accurate identification of wall paint types based on images, requiring a model that performs well even on devices with limited resources. MobileNet was chosen as the solution due to its ability to reduce computational complexity without sacrificing performance. The methodology used in this research involves two approaches: classification with feature extraction using GLCM and histogram, and classification without feature extraction directly using MobileNet. The training and testing process was conducted using the early stopping technique to prevent overfitting, with the model trained for 50 epochs. The final results show that classification without feature extraction using MobileNet yields excellent results. The model achieved a training accuracy of 89.68% and a testing accuracy of 88.86%, with low loss values (0.0111 for training and 0.0117 for testing). These results indicate that MobileNet is effective in recognizing and classifying types of wall paint and can operate efficiently on devices with limited resources. Therefore, this research demonstrates that using the MobileNet architecture for classifying wall paint types is an effective and efficient solution, opening opportunities for similar applications on various mobile devices in the future.
Co-Authors Abdi Praja Adrian Primanta S Adrian Primanta Suciadi Agus Budi Dharmawan Agus Budi Dharmawan Agus Budi Dharmawan Agus Budidharmawan Albert Albert Anak Agung Gede Sugianthara Athalia, Kensa Bagus Mulyawan bagus Mulyawan Benny Karnadi Bertrand Ferrari Bezaliel Rumengan Bezaliel Rumengan, Bezaliel Bobby Tumbelaka Bobby Tumbelaka Bowo Setiadi Budianto Lomewa Lo Budiyanto Lomewa Lo Bunardi Budiman Calvin Geraldy Carlos, Daniel Christ Bastian Waruwu Christian Dwi Mardiyanto Dedi Trisnawarman Devid Sumarlie Dewi Sartika DEWI SARTIKA Donni Suharyanto Dony, Dony Dyah Erny Herwindiati Dyah Erny Herwindiati Eddy Sutedjo El Primo Gemilang Elvin Elvin Ery Dewayani Ery Dewayani Excelcis Oroh Fabrian Ivan Prasetya Fabyo Hartono Tamin Fanjie Hidayat Fanjie Hidayat, Fanjie Ferdinand Iskandar Friesky Christian Hendratama Jr. Helmy Thendean Hendra Liana Henri Henri Ilham Samuel Ilham Samuel, Ilham Immanuel Chandra Immanuel Chandra Ivan Wijaya Janson Hendryli Jeanny Pragantha Jefry Jefry Jefta Gani Hosea Jourdan Stanley Judah Suryaputra Kelvin Samuel Kevin Adhi Dhamma Setiawan Keyza Novianti Kristina Erlinda, Kristina Kurniawan Sulianto Kurniawan, Darryl Matthew Lely Hiryanto Listovie Cavito Lucy Komala Lucy Komala Lucy Komala, Lucy Marta Lisa, Marta Matthew Patrick Michael Antoni Michael Antoni, Michael Michiko Ang Michiko Ang Michiko Ang, Michiko Ni Putu Diah Ayu Vita Widia Murti Ni Putu Diah Ayu Vita Widia Murti, Ni Putu Diah Ayu Vita Widia Nikolas Patrick Fernando Novario Jaya Perdana Oktavianus Oktavianus Olivia Prima Putri Olivia Prima Putri, Olivia Prima Prawito Prayitno Prinzky Randy Sukanda Wijaya Renaldi Bong Riyandi Riyandi Roberto Davin Ronald Arifin Ronald Kurniawan Lawidjaya Ronald Ronald Saddhananda Sandy Danish Arkansa Sifra M.B. Pattiasina Sindy . Sindy Sindy Stevanndy Trisdiyanto Stevanndy Trisdiyanto Indrajaya Suki, Steven Sullivan Sullivan Sullivan Sullivan, Sullivan Sunardi Suwito Syawal Ludin Teny Handhayani Tiffany Tjandra, Vincent Geraldy Tony . Tony Tony Tony Tony TRI SUTRISNO Veronica Santoso Khalim Veronica Santoso Khalim, Veronica Santoso Vincent Geraldy Tjandra William Mulyadi William William Willy Wijaya Yegar Sahaduta Yoestinus Yoestinus Yuliana Soegianto Yusten Wuntoro Yusten Wuntoro Zyad Rusdi Zyad Rusdi