Article Per Year (5 Year)
p-Index From 2021 - 2026
4.337
P-Index
This Author published in this journals
All Journal Jurnal Teknologi Informasi dan Ilmu Komputer EMITTER International Journal of Engineering Technology Indonesia Symposium on Computing Indonesian Journal on Computing (Indo-JC) IJoICT (International Journal on Information and Communication Technology) JOIN (Jurnal Online Informatika) Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) International Journal of Artificial Intelligence Research JURNAL MEDIA INFORMATIKA BUDIDARMA JITTER (Jurnal Ilmiah Teknologi Informasi Terapan) Indonesian Journal of Applied Informatics Charity : Jurnal Pengabdian Masyarakat Jurnal Abdimas Kartika Wijayakusuma Indonesian Community Journal Jurnal Pengabdian Masyarakat Bhinneka eProceedings of Engineering Community Service Seminar and Community Engagement (COSECANT) Telkatika: Jurnal Telekomunikasi Elektro Komputasi & Informatika LOGIC: Jurnal Penelitian Informatika
Febryanti Sthevanie
Telkom University
Agriculture, Biological Sciences & Forestry Arts Humanities Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Environmental Science Industrial & Manufacturing Engineering Mechanical Engineering Public Health Social Sciences Other

Published : 66 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 7 Documents
Search
Journal : Indonesian Journal on Computing (Indo-JC)

 1 
Early Smoke Detection on Video Using Wavelet Energy Muhammad Zulfiqar Shafar; Tjokorda Agung Budi Wirayuda; Febryanti Sthevanie
Indonesia Journal on Computing (Indo-JC) Vol. 2 No. 2 (2017): September, 2017
Publisher : School of Computing, Telkom University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21108/INDOJC.2017.2.2.180

Abstract

Most of the smoke detection system these days still using sensors that have to receive specific particles before it could give a warning. But, this system takes some time to react and quite difficult to place in spacious room or the outdoor. To overcome this, there is some research that build smoke detection system using many kind video processing technique that could provide early warning. In this research, wavelet energy was used to detect smoke in the video.  To determine candidate blocks in a frame that contain smoke, this research performed background subtraction and color analysis based on HSV color space. Then implementing spatial analysis and spatio-temporal analysis by using wavelet energy method and accumulative motion orientation to detect the smoke. This system using combination of dataset from previous research [1], downloaded from various sources and self-made dataset. Based on testing process using those dataset, this system reaches 91.05% accuracy for block-level and 72.22% accuracy for frame-level.Keywords: Accumulative motion orientation, smoke detection, spatial analysis, spatio-temporal analysis, video processing, wavelet energy
Klasifikasi Ras Mongoloid Berbasis Citra Wajah menggunakan Algoritma k-Nearest Neighbors Febryanti Sthevanie; Kurniawan Nur Ramadhani; Hafidh Fikri Rasyid
Indonesia Journal on Computing (Indo-JC) Vol. 3 No. 1 (2018): Maret, 2018
Publisher : School of Computing, Telkom University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21108/INDOJC.2018.3.1.212

Abstract

Pada penelitian ini dibangun sistem untuk mengklasifikasi ras Mongoloid dan non-Mongoloid berdasarkan daerah periorbital wajah. Penelitian ini menggunakan metode ekstraksi ciri Local Binary Pattern (LBP) dan algoritma klasifikasi k-Nearest Neighbors (k-NN). Penelitian ini menggunakan citra wajah dari 996 individu berbeda. Dari penelitian ini, didapatkan konfigurasi parameter terbaik untuk algoritma LBP yaitu nilai P=8, R=4 dan ukuran grid 5x5. Sedangkan untuk k-NN didapatkan nilai optimal untuk parameter k=5. Nilai akurasi terbaik yang didapatkan pada sistem klasifikasi ras ini  menggunakan metode LBP dan k-NN adalah sebesar 91,88%.
Deteksi Spoofing Wajah Manusia Berbasis Video menggunakan Metode Local Derivative Pattern-Three Orthogonal Planes Febryanti Sthevanie; Diah Ajeng Dwi Yuniasih; Kurniawan Nur Ramadhani
Indonesia Journal on Computing (Indo-JC) Vol. 5 No. 1 (2020): Maret, 2020
Publisher : School of Computing, Telkom University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34818/INDOJC.2020.5.1.376

Abstract

Saat ini banyak sistem yang menggunakan pengenalan wajah sebagai keamanan. Namun, penggunaan wajah tersebut masih memiliki kerentanan terhadap serangan spoofing, yaitu serangan dengan cara memalsukan foto atau video dari pengguna asli sistem tersebut. Untuk menghindari adanya tindakan kriminal tersebut, diusulkan sebuah sistem yang dapat mendeteksi serangan spoofing menggunakan metode Local Derivative Pattern dari Three Orthogonal Planes. Dataset yang digunakan adalah bersumber dari empat dataset publik yang berbeda yaitu Idiap Replay-Attack Database, MSU MFSD Database, Casia FASD Database dan NUAA Imposter Database yang berformat video. Dari hasil pengujian, pada skenario intra-dataset didapatkan performansi terbaik dengan rata-rata F1-Score 97.77% dan rata-rata HTER 8.47%, sedangkan pada skenario cross-dataset rata-rata F1-Score 74.77% dan rata-rata HTER 29.05%.
Deteksi Helm pada Video Pengendara Sepeda Motor menggunakan Ekstraksi Ciri Histogram of Oriented Gradients Febryanti Sthevanie; Anang Kurniawan; Kurniawan Nur Ramadhani
Indonesia Journal on Computing (Indo-JC) Vol. 5 No. 1 (2020): Maret, 2020
Publisher : School of Computing, Telkom University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34818/INDOJC.2020.5.1.377

Abstract

World Health Organization mencatat sampai tahun 2015 kecelakaan di jalan telah merenggut 1.2 juta jiwa tiap tahunnya. Kecelakaan paling banyak dialami oleh pengendara sepeda motor karena minimnya keamanan yang melindungi pengendara sepeda motor, dan juga rendahnya kesadaran pengguna sepeda motor untuk menggunakan perangkat keselamatan yang sesuai dengan Undang-Undang. Riset-riset te- lah dilakukan diantaranya membuat sistem pendeteksi helm pada pengendara sepeda motor menggunakan metode ekstraksi fitur HOG, SIFT, LBP yang dapat menghasilkan performansi rata-rata masing masing, 93%, 64%, 64% dengan menggunakan metode klasifikasi SVM. Pada penelitian ini dibuat sebuah sistem yang dapat mendeteksi helm pada pengendara sepeda motor secara otomatis menggunak- an ekstraksi fitur Histogram of Oriented Gradient. Hasil tertinggi yang didapatkan dari hasil pengujian adalah fmeasure 90.67%, menggunakan metode ekstraksi fitur HOG dengan kondisi ukuran cell 8x8 pixels dan jumlah 9 bins dengan sudut 180o. Hasil tersebut dicapai menggunakan metode klasifikasi SVM dengan kernel polynomial derajat 3.
Pengenalan Aksara Bali Menggunakan Metode Pyramid Histogram of Oriented Gradients Febryanti Sthevanie; I Putu Indra Aristya; Kurniawan Nur Ramadhani
Indonesia Journal on Computing (Indo-JC) Vol. 5 No. 1 (2020): Maret, 2020
Publisher : School of Computing, Telkom University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34818/INDOJC.2020.5.1.378

Abstract

Aksara Bali terdiri dari 18 aksara dasar (biasa disebut aksara Wianjana) yang masing-masing terdiri atas 7 aksara vokal (pengangge suara). Penulisan aksara Bali dapat ditulis pada kertas ataupun daun tal yang sudah dikeringkan dan memiliki tekstur yang kasar serta mudah sobek sehingga membuat sulit dibaca. Maka dari itu, dibuat sistem yang dapat mengenali aksara Bali pada daun tal untuk membantu dapat membaca aksara Bali. Sistem ini dibangun menggunakan metode Pyramid Histogram of Oriented Gradient (PHOG) sebagai metode ekstraksi ciri. Dataset yang digunakan adalah dataset dari AMADI Lontar Set yang berupa gambar berjumlah 19.383 gambar dengan 133 kelas. Pada pengujian didapatkan nilai f1-score terbaik pada PHOG level 3 dengan 6 bin orientasi dan klasifikasi menggunakan SVM kernel linear yaitu sebesar 66.49% dan akurasi sebesar 81.35%.
Classifying Skin Cancer in Digital Images Using Convolutional Neural Network with Augmentation Zeyhan Aliyah; Anditya Arifianto; Febryanti Sthevanie
Indonesia Journal on Computing (Indo-JC) Vol. 5 No. 2 (2020): September, 2020
Publisher : School of Computing, Telkom University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34818/INDOJC.2020.5.2.455

Abstract

Skin cancer is a hazardous disease that can induces death if it is not taken care of immediately. The disease is hard to identified since the symptoms have similarities with other disease. An automatically classification system of skin cancer has been developed, but it still produced low accuracy. We use Convolutional Neural Network  to enhance the accuracy of the classification. There are 2 main scenarios conducted in this research using HAM10000 dataset which has 7 classes. We compared ResNet and VGGNet architectures and obtained ResNet50 with augmentation as the best model with the accuracy of 99% and 99% macro avg.
Video Based Fire Detection Method Using CNN and YOLO Version 4 Muhammad Salman Farhan; Febryanti Sthevanie; Kurniawan Nur Ramadhani
Indonesia Journal on Computing (Indo-JC) Vol. 7 No. 2 (2022): August, 2022
Publisher : School of Computing, Telkom University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34818/INDOJC.2022.7.2.654

Abstract

Fire detection is one of the technological efforts to prevent fire incidents. This is very important because the damage caused by fires can be minimized by having a fire detector. There are two types of fire detection, namely traditional-based and computer vision-based. Traditional-based fire detection has many shortcomings, one of which requires a close fire distance for activation. Hence, computer vision-based fire detection is made to cover the shortcomings of traditional-based fire detection. Therefore, in this study, we propose a video-based fire detection using a Convolutional Neural Network (CNN) Deep Learning approach supported by You Only Look Once (YOLO) object detection model version four. This study uses a dataset of various fire scenarios in the form of images and videos. The fire detection built in this study has an accuracy of above 90% with an average detection speed of 34.17 Frame Per Second (FPS).
Co-Authors 1Faizal Bima Prayudha Abdul Rahim Adam Geraldy Katab Adhika Widya Prastomo Agustina, Nur Azizah Al Faraby, Said Alda Putri Utami Amalina, Neneng Nur Anang Kurniawan Anditya Arifanto Anditya Arifianto Anditya Arifiyanto Andri Arindiah Arida Kartika Atria Salim, Muhammad Rizki Bedy Purnama Brilian Aringga Prabowo Danu Hary Prakoso Diah Ajeng Dwi Yuniasih Dian Masmawati Dindin Dhino Alamsyah Dwi Prasetya Sujoko Dwiki Lazzaro Ema Rachmawati Ema Rachmawati Enki Probo Sidhi Farid Hidayat Fazmah Arif Y, Fazmah Fernanda Januar Pratama Fikri Firdaus Gamma Kosala Ghali Marzan Gia Septiana Wulandari Grandhys Setyo Utomo Gugy Lucky Khamdani Hafidh Fikri Rasyid Hizas Sabilal Rasyad Hutomo, Ardityo Cahyo Putro Hutomo I Putu Indra Aristya Imamul Akhyar Indra Bayu Kusuma Jonas de Deus Guterres Ketut Sudyatmika Putra Kurniawan Nur R Kurniawan Nur Ramadhani Kurniawan Nur Ramdhani Laksitowening, Kusuma Ayu Lukmana Sardi, Indra Mahmud Dwi Sulistiyo Maula Ilma Ahgnia Dwi Anjani Mochamad Rakha Luthfi Fahsya Muhammad Afif Amanullah Fawwaz Muhammad Jendro Yuwono Muhammad Jendro Yuwono Muhammad Salman Farhan Muhammad Zaki, Ghilman Muhammad Zulfiqar Shafar Neneng Nur Amalina Nur Hidayah, Maulana Nur Indah Puspa Idham Nur Ramadhani, Kurniawan Nurul Halimatul Azizah Prasti Eko Yunanto Rachmi Azanisa Putri Rahman, Rahadian Yusuf Abdul Retno Novi Retno Novi Reza Dwi Ansari Rimba Whidiana Ciptasari Rita Rismala Rivan Ardyanto Sutoyo Sakinah Indriyani Saputra, Naufal Luthfi Shabran Fauzan Ahmad Sulistiyo, Mahmud Tito Prihambodo Tjokorda Agung Budi W Tjokorda Agung Budi Wiharja Tjokorda Agung Budi Wirayuda Untari Novia Wisesty Wikky Fawwaz Al Maki Zeyhan Aliyah