This Author published in this journals
All Journal Jurnal Infra
Endang Setyati
Program Studi Teknik Informatika

Published : 6 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 6 Documents
Search

Deteksi Jenis Mobil Menggunakan Metode YOLO Dan Faster R-CNN Kevin Adiputra Shianto; Kartika Gunadi; Endang Setyati
Jurnal Infra Vol 7, No 1 (2019)
Publisher : Jurnal Infra

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1089.089 KB)

Abstract

Jenis mobil merupakan salah satu properti dari mobil yang penting untuk diidentifikasi. Untuk melakukan identifikasi secara otomatis, banyak cara yang telah diimplementasi untuk mencapai tujuan identifikasi jenis mobil secara cepat dan tepat. Untuk identifikasi gambar, salah satu metode yang terkenal adalah Faster R-CNN yang cukup cepat dan tepat untuk melakukan identifikasi gambar. Namun untuk ketepatannya masih belum maksimal. Metode lain yang tersedia adalah YOLO dimana metode ini akan lebih cepat dalam melakukan identifikasi.Penggunaan kedua metode dalam arsitektur yang akan dibangun bertujuan untuk meningkatkan akurasi kebenaran identifikasi jenis mobil. Kedua metode diharapkan dapat saling membantu dalam pengecekan dan menghasilkan hasil yang lebih baik dari masing-masing metode.
Klasifikasi Genre Musik Menggunakan Metode Deep Learning Convolutional Neural Network dan Mel- Spektrogram Danny Lionel; Rudy Adipranata; Endang Setyati
Jurnal Infra Vol 7, No 1 (2019)
Publisher : Jurnal Infra

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

Abstract

Pertumbuhan  database  musik  yang  berkembang  secara  sangat pesat  menyebabkan  sukarnya  proses  pengelompokkan  musik dalam kategori tertentu, sehingga dapat berakibat sulitnya pencarian suatu kategori musik dalam jumlah banyak dan skala yang besar. Dengan perkembangan jaman, sekarang telah mulai dikembangkan metode agar suatu audio file dapat dikenali secara otomatis dari fitur-fitur yang telah diekstrak sebelumnya dengan bantuan MFCC (Mel Frequency Cepstral Coefficients) dan ANN (Artificial Neural Network). Dalam penelitian  ini akan digunakan metode Mel-spectrogram. Dimana Mel spektrogram merupakan hasil pemetaan fitur yang telah diambil oleh metode MFCC, yang akan diklasifikasikan dan dimasukkan kedalan Convolutional Neural Network. Yang akan dibedakan activation function nya yaitu ReLU dan ELU. Penelitian ini menunjukkan bahwa pengambilan fitur dari audio dengan menggunakan MFCC merupakan metode yang benar, dan dalam hasil pengujian, banyaknya dataset, iterasi  training, dan spesifikasi  komputer  sangat  mempengaruhi  tingkat  akurasi dan lama pembuatan neural network model yang optimal. Dalam hasil penelitian ini telah diuji beberapa kali didapatkan hasil akurasi yang paling optimal yaitu 99%.
Aspect Based Sentiment Analysis pada Layanan Umpan Balik Universitas dengan Menggunakan Metode Naïve Bayes dan Latent Semantic Analysis Gunawan Setiawan; Henry Novianus Palit; Endang Setyati
Jurnal Infra Vol 7, No 1 (2019)
Publisher : Jurnal Infra

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

Abstract

Universitas Kristen Petra menerapkan sistem pengisian kuesioner online yang bertujuan untuk mendapatkan umpan balik terhadap layanan yang telah ada. Di mana untuk saat ini untuk memproses hasilnya masih dilakukan secara manual. Namun hal ini tidak efektif karena akan memerlukan waktu dan tenaga, sehingga dikembangkanlah sebuah program yang membantu meringankan pekerjaan manusia dengan menggunakan Python dan menerima input berupa file excel. Metode yang digunakan adalah Naive Bayes dan Latent Semantic Analysis untuk membantu pengklasifikasian sentimen agar dapat ditentukan topik, sentiment score, dan tindakannya.
Pengenalan Karakter pada Plat Nomor Indonesia dengan Tilt Correction dan Metode Faster R-CNN Kevin Nyoto Susanto; Kartika Gunadi; Endang Setyati
Jurnal Infra Vol 7, No 1 (2019)
Publisher : Jurnal Infra

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (892.229 KB)

Abstract

The growth of the number of vehicles in Indonesia is very rapid and has caused many problems, such as the problem of parking security systems and access control of vehicles. With the development of technology, vehicles’ license plates can be detected automatically by a system with the help of Digital Image Processing and Artificial Neural Network.This study uses the Canny Edge Detection method to detect license plate objects in the image. Before classifying characters on license plates, the perspective distortion in the image can be removed using the Planar Homography method. Faster R-CNN is used to detect the position of the car in the image and classify the characters on the license plateThe results of this research program will detect the character of license plates and the color of car in the image. From the test results using the researcher’s dataset, the accuracy of detection of the characters in the license plate reached 82.14% and the accuracy of detection of the cars’ colors reached 78.54%.
Perencanaan dan Pembuatan Aplikasi Android Pengkonversian Suara Menjadi Teks dalam Bahasa Indonesia dengan Machine Learning untuk Membantu Tunarungu David Wibisono; Rolly Intan; Endang Setyati
Jurnal Infra Vol 6, No 1 (2018)
Publisher : Jurnal Infra

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (3504.991 KB)

Abstract

The Speech Recognition System has achieved WER (Word Error Rate) up to 11.85% in English Words. Big data in speech can helps machine learning to become popular because it can maintain a good generalization to boost machine learning in speech recognition. This paper inspired by Baidu (Deep Speech), we will implement its architecture to achieve the same goal in Indonesian Words. For this research, we use many variations of datasets according to its source such as clean environment voice, noise environment voice, and speech synthesizer from Apple and Bing. The main problem is many variations of datasets influence the results of WER according to its size. Bigger variations of datasets maintain good generalization for the machine learning, but also it has big ambiguity in language model. 
Identifikasi Buah-buahan Menggunakan Metode Convolutional Neural Network Verrell Gunawan; Kartika Gunadi; Endang Setyati
Jurnal Infra Vol 7, No 1 (2019)
Publisher : Jurnal Infra

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (571.039 KB)

Abstract

Buah-buahan memiliki jenis yang cukup banyak sehinggaterkadang sulit untuk dibedakan oleh manusia. Denganperkembangan teknologi yang pesat terutama dalam bidangartificial neural network, maka dikembangkanlah sebuah programuntuk melakukan identifikasi buah-buahan dari gambar denganbantuan Tensorflow dalam membuat sebuah model artificialneural network.Metode yang digunakan adalah convolutional neural networkuntuk melakukan training pada model. Terdapat 4 proses utamadalam convolutional neural network yaitu convolution layer,activation layer, pooling layer, dan fully connected layer. Dalampembuatan model convolutional neural network dapat dilakukantuning dalam berbagai macam hal, beberapa diantaranya yaitujumlah epoch, activation function yang digunakan, dan jugaukuran learning rate.Penelitian ini menunjukkan bahwa jumlah epoch mempengaruhiakurasi pada model yang dibuat. Dalam hal activation function,ditunjukkan bahwa rectified linear unit (RELU) lebih baik dalamhal waktu yang dibutuhkan dalam membuat neural network modelyang paling optimal dibandingkan dengan exponential linear unit(ELU). Besar kecilnya learning rate juga mempengaruhi seberapabaik model yang dihasilkan. Dari berbagai pengujian yangdilakukan didapatkan akurasi terbaik yang dapat dicapai sebesar99,31%.