Article Per Year (5 Year)
p-Index From 2021 - 2026
2.177
P-Index
This Author published in this journals
All Journal Bulletin of Electrical Engineering and Informatics Jurnal Edukasi dan Penelitian Informatika (JEPIN) EMITTER International Journal of Engineering Technology Indonesian Journal on Computing (Indo-JC) IJoICT (International Journal on Information and Communication Technology) Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) JURNAL MEDIA INFORMATIKA BUDIDARMA JITTER (Jurnal Ilmiah Teknologi Informasi Terapan) eProceedings of Engineering LOGIC: Jurnal Penelitian Informatika Proceeding of Community Service and Engagement
Kurniawan Nur Ramadhani
Universitas Telkom
Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Mechanical Engineering

Published : 40 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 40 Documents
Search

 1   2   3   4 
Sistem Rekognisi Menggunakan Metode Local Binary Pattern Dan Support Vector Machine Untuk Mendeteksi Ruang Kosong Tempat Parkir Luar Ruangan Mochamad Rakha Luthfi Fahsya; Febryanti Sthevanie; Kurniawan Nur Ramadhani
eProceedings of Engineering Vol 7, No 2 (2020): Agustus 2020
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak Pertambahan volume kendaraan menyebabkan kuota parkir disebuah tempat parkir berkurang dan terjadinya kepadatan pada slot tempat parkir yang menyebabkan kesulitan pengunjung dalam mencari slot tempat parkir kosong, yang akan membuat waktu dalam melakukan pencarian tempat parkir terbuang. Peneliti menggunakan metode Gamma Correction, Gaussian Blur, Local Binary Pattern Rotation Invariant Uniform dan Support Vector Machine dengan setelan parameter Gaussian Blur menggunakan tanpa kernel, Gamma Correction menggunakan nilai gamma = 15, Local Binary Pattern Rotation Invariant Uniform P=8 dan R=1 dan Support Vector Machine kernel RBF mendapatkan nilai akurasi sebesar 99.52% lebih baik dibandingkan jurnal [3] dengan metode 𝑳��𝒖 akursi 98.90% dan 𝑳𝑩���𝒊𝒖��dengan akurasi 82.78% . Kata Kunci: Local Binary Pattern Rotation Invariant Uniform, Support Vector Machine, Gaussian Blur Abstract The increase in vehicle volume causes the parking quota in a parking space to decrease and decreases in the parking space slot which causes difficulty for visitors to find a parking space slot, which will make time in searching for a parking space wasted. Researchers will use the Gamma Correction, Gaussian Blur, Uniform Rotation Local Binary Pattern and Support Vector Machine method using parameters Gaussian Blur using without kernel, Gamma Correction using gamma value = 15, Local Binary Pattern Rotation Invariant uniform parameters P = 8 and R = 1 and RBF kernel Vector Support Engine with accuracy 99.52%% better than journals [3] with the method 𝑳��𝒖 accuracy 98.90% and 𝑳𝑩���𝒊𝒖𝟐 with an accuracy of 82.78% . Keywords: Local Binary Pattern Rotation Invariant Uniform, Support Vector Machine, Gaussian Blur
Pengenalan Bentuk Tangan Dengan Ekstraksi Ciri Pyramid Histogram Of Oriented Gradient (phog) Dan Klasifikasi Support Vector Machine (Svm) Riski Novanda; Kurniawan Nur Ramadhani; Prasti Eko Yunanto
eProceedings of Engineering Vol 7, No 2 (2020): Agustus 2020
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak Terdapat banyak kegunaan yang dapat dilakukan oleh Gesture atau bentuk tangan, salah satunya ialah sebagaialatkomunikasiyangkemudiankitakenaldenganBahasaIsyarat. DalamBahasaIsyaratterdapat banyak bentuk tangan yang mewakili suatu arti seperti angka, huruf, kata, dan lain sebagainya. Dengan tujuanmempermudahpengenalanbentuktangan, dilakukanpengembangansistemyangdapatmengenali artidaribentuktangansebagaibahasaisyarat. Sistemyangdikembangkanmenggunakanmetodeekstraksi ciri Pyramid Histogram of Oriented Gradient (PHOG) dan Klasifikasi Support Vector Machine (SVM). Datasetyangdigunakanpadasistemberupa3800gambardanterdiridari6label/class,kemudiandataset akandigunakansebagaibahanTrainingdanTestingpadasistemsehinggasistemdapatmengenaliartidari tiap gambar yang menjadi masukan. Pengukuran kinerja sistem menggunakan F1 Score dengan akurasi sebesar86%Katakunci: bentuktangan,HandFormRecognition,ComputerVision,PHOG,SVM,bahasaisyarat.
Klasifikasi Ras Pada Kucing Menggunakan Algoritma Convolutional Neural Network(cnn) Muhammad Afif Amanullah Fawwaz; Kurniawan Nur Ramadhani; Febryanti Sthevanie
eProceedings of Engineering Vol 8, No 1 (2021): Februari 2021
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak Kucing adalah hewan peliharaan yang bisa dimiliki oleh semua orang. Namun terkadang tidak semua pemilik kucing mengetahui ras kucingnya. Perawatan kucing seharusnya dilakukan dengan perawatan khusus untuk menjamin kesehatan kucing, disesuaikan dengan ras yang dimiliki kucing tersebut karna setiap ras kucing mempunyai karateristik yang berbeda sehingga diperlukan perawatan yang berbeda pula. Maka dari itu diperlukan sebuah program yang dapat mengenali ras dari seekor kucing. Pada penelitian tugas akhir ini yang berjudul “Klasifikasi Ras pada Kucing menggunakan Algoritma Convolutional Neural Network (CNN)” telah dilakukan training dan testing dengan menggunakan dataset yang berasal dari Oxford-IIIT yang berjumlah 2393 citra dengan jumlah kelas sebanyak 12 kelas. Model yang digunakan yaitu VGG16, InceptionV3, ResNet50 dan Xception. Hasil testing didapatkan berupa akurasi untuk tiap modelnya yaitu 60.85%, 84.94%, 71.39%, dan 93.75%. Kata Kunci: CNN, klasifikasi, visi komputer Abstract Cats are pets that everyone can have. But sometimes not all cat owners know their cat breeds. Caring for a cat can not be arbitrary, but it requires special care. The treatment of cat must be specific based on each breed in cats for ensure the cat’s healt adjusted to the cat breeds has different characteristics so that different care is needed. So we need a program that can recognize the breed of a cat. In this research, entitled "Breed Classification in Cats using Convolutional Neural Network (CNN) Algorithm" training and testing has been carried out using a dataset originating from Oxford-IIIT totaling 2393 images with 12 classes. The models used are VGG16, InceptionV3, ResNet50 and Xception. The test accuracy results are 60.85%, 84.94%, 71.39%, dan 93.75%. Keywords: CNN, classification, computer visionAbstrak Kucing adalah hewan peliharaan yang bisa dimiliki oleh semua orang. Namun terkadang tidak semua pemilik kucing mengetahui ras kucingnya. Perawatan kucing seharusnya dilakukan dengan perawatan khusus untuk menjamin kesehatan kucing, disesuaikan dengan ras yang dimiliki kucing tersebut karna setiap ras kucing mempunyai karateristik yang berbeda sehingga diperlukan perawatan yang berbeda pula. Maka dari itu diperlukan sebuah program yang dapat mengenali ras dari seekor kucing. Pada penelitian tugas akhir ini yang berjudul “Klasifikasi Ras pada Kucing menggunakan Algoritma Convolutional Neural Network (CNN)” telah dilakukan training dan testing dengan menggunakan dataset yang berasal dari Oxford-IIIT yang berjumlah 2393 citra dengan jumlah kelas sebanyak 12 kelas. Model yang digunakan yaitu VGG16, InceptionV3, ResNet50 dan Xception. Hasil testing didapatkan berupa akurasi untuk tiap modelnya yaitu 60.85%, 84.94%, 71.39%, dan 93.75%. Kata Kunci: CNN, klasifikasi, visi komputer Abstract Cats are pets that everyone can have. But sometimes not all cat owners know their cat breeds. Caring for a cat can not be arbitrary, but it requires special care. The treatment of cat must be specific based on each breed in cats for ensure the cat’s healt adjusted to the cat breeds has different characteristics so that different care is needed. So we need a program that can recognize the breed of a cat. In this research, entitled "Breed Classification in Cats using Convolutional Neural Network (CNN) Algorithm" training and testing has been carried out using a dataset originating from Oxford-IIIT totaling 2393 images with 12 classes. The models used are VGG16, InceptionV3, ResNet50 and Xception. The test accuracy results are 60.85%, 84.94%, 71.39%, dan 93.75%. Keywords: CNN, classification, computer vision
Enhancing Fire Detection in Images using Faster R-CNN with Gaussian Filtering and Contrast Adjustment Dwiki Lazzaro; Febryanti Sthevanie; Kurniawan Nur Ramadhani
JURNAL MEDIA INFORMATIKA BUDIDARMA Vol 7, No 3 (2023): Juli 2023
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/mib.v7i3.6486

Abstract

A system is designed with an accurate and efficient model to detect fires, aiming to assist in fire prevention. Designing such a system poses a challenging task, as numerous aspects need to be considered, including model accuracy, parameter count, computational complexity, and more. Therefore, the research will incorporate techniques such as Image Smoothing Filtering and Contrast Adjustment to enhance the fire detection process. The primary objective is to develop a robust system that can effectively identify and detect fire occurrences. Accuracy is crucial to ensure reliable results, while efficiency plays a significant role in real-time fire detection. By implementing Image Smoothing Filtering, the system can reduce noise and enhance image quality, improving detection performance. Contrast Adjustment techniques will further contribute to the system's efficiency by emphasizing fire patterns and enhancing their visibility. The system's design encompasses careful consideration of various factors to strike a balance between accuracy, efficiency, and computational complexity. By utilizing Image Smoothing Filtering and Contrast Adjustment, the research aims to develop a comprehensive fire detection system that can aid in preventing fire incidents. This study endeavors to contribute to the advancement of fire detection technologies and pave the way for future innovations in this field.
Klasifikasi Aksara Lontara Dari Sulawesi Selatan Menggunakan CNN Rahim, Abdul; Sthevanie, Febryanti; Ramadhani, Kurniawan Nur
eProceedings of Engineering Vol. 11 No. 4 (2024): Agustus 2024
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Sebagai negara kepulauan dengan keberagaman budaya dan bahasa, Indonesia memegang peran penting dalam menyimpan dan merawat warisan budaya. Salah satu warisan tersebut adalah aksara Lontara, sebuah sistem tulisan tradisional yang telah digunakan secara luas di Sulawesi Selatan. Penelitian ini melakukan perbandingan beberapa arsitektur CNN untuk klasifikasi aksara Lontara dalam konteks OCR. Hasil eksperimen menunjukkan bahwa arsitektur CNN yaitu VGG16 mencapai performa terbaik dengan akurasi training validation sebesar 97% dan testing sebesar 90% dibandingkan dengan arsitektur VGG19, ResNet, dan ResNetV2. Kata kunci— aksara Lontara, citra digital, ocr, klasifikasi, cnn.
Pendeteksian Api pada Video Menggunakan Wavelet Dan LBP Saputra, Naufal Luthfi; Sthevanie, Febryanti; Ramadhani, Kurniawan Nur
eProceedings of Engineering Vol. 10 No. 3 (2023): Juni 2023
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak-Keakuratan deteksi api selalu menjadi tujuan utama dalam penelitian deteksi api. Pemilihan metode yang digunakan dalam melakukan pendeteksian api merupakan hal yang paling mempengaruhi nilai akurasi dalam deteksi api. Penulis menggunakan metode rule based untuk memfilter nilai pixel api, lalu digunakan metode spatial analisis untuk mendapatkan nilai energi dari objek api dan menggunakan Local Binary Pattern sebagai texture analysis dan Support Vector Machine sebagai classifier dan didapatkan akurasi 89,35%.Kata kunci-deteksi api, rule based, spatial analisis , wavelet transform, Local Binary Pattern, Support Vector Machine
Deteksi Api pada Video menggunakan Metode Multi-Feature Fusion dan CNN Maruanaya, Farhan Bary; Sthevanie, Febryanty; Ramadhani, Kurniawan Nur
eProceedings of Engineering Vol. 10 No. 4 (2023): Agustus 2023
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Kebakaran merupakan bencana yang memiliki dampak buruk bagi lingkungan dan juga menyebabkan kerugian yang signifikan terhadap harta benda serta kehidupan manusia. Deteksi api dengan perangkat sensor memiliki kelemahan di mana api harus berada dalam area tertentu untuk dapat memicu alarm. Pe- manfaatan computer vision untuk mendeteksi api dalam video menunjukan performa yang lebih baik dari pada deteksi menggunakan perangkat sensor. Deteksi api dengan computer vision memanfaatkan karak- teristik api seperti warna, gerakan dan perpindahan tempat. Karakter warna api menunjukan performa yang lebih baik dibandingkan dengan karakter lainnya, namun masih memiliki false positive yang tinggi sa- at ada objek yang memiliki warna menyerupai warna api. Pemanfaatan deep learning untuk menggantikan ekplorasi karakteristik api telah diteliti dan mampu menghasilkan prediksi yang lebih baik. Penelitian ini mencoba menggabungkan metode deteksi api dengan karakteristik gerak dan warna (multi-feature fu- sion) dengan metode deep learning CNN. Sistem yang dibangun memiliki akurasi 96,67% saat training dan mampu mengurangi deteksi false positive dari multifeature fusion.Kata kunci—multi-feature fusion, CNN, deteksi api, computer vision, deteksi warna, deteksi gerak
Klasifikasi Aksara Lontara Dari Sulawesi Selatan Menggunakan CNN Abdul Rahim; Febryanti Sthevanie; Kurniawan Nur Ramadhani
LOGIC: Jurnal Penelitian Informatika Vol. 2 No. 2 (2024): Desember 2024
Publisher : Universitas Telkom

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25124/logic.v2i2.8812

Abstract

Sebagai negara kepulauan dengan keberagaman budaya dan bahasa, Indonesia memegang peran penting dalam menyimpan dan merawat warisan budaya. Salah satu warisan tersebut adalah aksara Lontara, sebuah sistem tulisan tradisional yang telah digunakan secara luas di Sulawesi Selatan. Penelitian ini melakukan perbandingan beberapa arsitektur CNN untuk klasifikasi aksara Lontara dalam konteks OCR. Hasil eksperimen menunjukkan bahwa arsitektur CNN yaitu VGG16 mencapai performa terbaik dengan akurasi training validation sebesar 97% dan testing sebesar 90% dibandingkan dengan arsitektur VGG19, ResNet, dan ResNetV2.
Nuclei Detection and Classification System Based On Speeded Up Robust Feature (SURF) Amalina, Neneng Nur; Ramadhani, Kurniawan Nur; Sthevanie, Febryanti
EMITTER International Journal of Engineering Technology Vol 7 No 1 (2019)
Publisher : Politeknik Elektronika Negeri Surabaya (PENS)

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (842.261 KB) | DOI: 10.24003/emitter.v7i1.288

Abstract

Tumors contain a high degree of cellular heterogeneity. Various type of cells infiltrate the organs rapidly due to uncontrollable cell division and the evolution of those cells. The heterogeneous cell type and its quantity in infiltrated organs determine the level maglinancy of the tumor. Therefore, the analysis of those cells through their nuclei is needed for better understanding of tumor and also specify its proper treatment. In this paper, Speeded Up Robust Feature (SURF) is implemented to build a system that can detect the centroid position of nuclei on histopathology image of colon cancer. Feature extraction of each nuclei is also generated by system to classify the nuclei into two types, inflammatory nuclei and non-inflammatory nuclei. There are three classifiers that are used to classify the nuclei as performance comparison, those are k-Nearest Neighbor (k-NN), Random Forest (RF), and State Vector Machine (SVM). Based on the experimental result, the highest F1 score for nuclei detection is 0.722 with Determinant of Hessian (DoH) thresholding = 50 as parameter. For classification of nuclei, Random Forest classifier produces F1 score of 0.527, it is the highest score as compared to the other classifier.
Pelatihan Artificial Intelligence Tools Dalam Meningkatkan Kreativitas dan Produktivitas Generasi Muda Kurniawan Nur Ramadhani; Febryanti Sthevanie; Gia Septiana Wulandari
The Proceeding of Community Service and Engagement (COSECANT) Seminar Vol. 5 No. 1 (2025): The Proceeding of Community Service and Engagement (COSECANT) Seminar
Publisher : Telkom University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25124/cosecant.v5i1.9333

Abstract

Familia Kreativa adalah sebuah Social Enterprise yang berfokus pada pengembangan produk edukasi kreatif untuk anak-anak usia 3-9 tahun. Dengan visi untuk menginspirasi keluarga di seluruh dunia, Familia Kreativa menyediakan berbagai printable berkualitas yang mendukung proses belajar yang menyenangkan dan interaktif. Sebagai Social Enterprise, Familia Kreativa tidak hanya berfokus pada keuntungan bisnis, tetapi juga memiliki misi sosial untuk mendukung pengembangan kreativitas anak-anak di Indonesia. Di sisi lain, kemajuan teknologi, khususnya Artificial Intelligence (AI), muncul peluang besar dalam bidang desain grafis. AI memungkinkan desainer untuk bekerja lebih cepat, efisien, dan inovatif. Pelatihan AI tools kemudian telah dilaksanakan untuk membekali para generasi muda binaan Familia Kreativa dengan keahlian penggunaan AI tools khususnya pada bidang desain grafis. Pelatihan ini bertujuan untuk meningkatkan kreativitas dan produktivitas, terutama bagi anggota remaja, serta memberikan pemahaman tentang potensi dan keterbatasan AI dalam desain grafis, agar dapat memanfaatkannya secara bijak.
Co-Authors Abdan Hafidh Ahnafi Abdul Rahim Achmad Hussein Sundawa Kartamihardja Ade Saepul Mugni Agnes Dirgahayu Palit Agnes Dirgahayu Palit Alda Putri Utami Amalina, Neneng Nur Amalina, Neneng Nur Anang Kurniawan Anditya Arifianto Arida Kartika Arie Ardiyanti Suryani Arif M Barmawi Arifudin Achmad Cherry Nasa Putra Diah Ajeng Dwi Yuniasih Dimitri Mahayana Dwiki Lazzaro Ema Rachmawati Febriyanti Sthevanie Febryanti Sthevanie Fikri Firdaus Fitri Amalia Hadi Friendly Halomoan Sipayung Gamma Kosala Gia Septiana Wulandari Hafidh Fikri Rasyid I Putu Indra Aristya Ignasius Indra Kusuma Wijaya Indra Bayu Kusuma Jondri Jondri Ketut Sudyatmika Putra Ledya Novamizanti M. Adhi Satria M. Ardi Firmansyah M.Syahrul Mubarok Maruanaya, Farhan Bary Mochamad Rakha Luthfi Fahsya Mohamad Syahrul Mubarok Mohamad Syahrul Mubarok Muh Aswan Abidin1 Muhammad Afif Amanullah Fawwaz Muhammad Hariz Arasy Muhammad Salman Farhan Naufal Ihsan Kusumayadhi Ni Gusti Ayu Mirah Eka Darmayanti Parjuangan, Sabam Pima Hani Safitri Prasti Eko Yunanto Rini Shintawati Riski Novanda Rita Rismala Sakinah Indriyani Saputra, Naufal Luthfi Sthevanie, Febryanty Suyanto Suyanto Tjokorda Agung Budi W Tjokorda Agung Budi Wirayuda YUYUN SITI ROHMAH