Article Per Year (5 Year)
p-Index From 2021 - 2026
1.8
P-Index
This Author published in this journals
All Journal ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika JOURNAL OF ELECTRICAL AND SYSTEM CONTROL ENGINEERING SOSIOHUMANIKA ATIKAN JMECS (Journal of Measurements, Electronics, Communications, and Systems) Jurnal Mnemonic Jurnal Ilmu Komputer dan Informatika Prosiding SNPBS (Seminar Nasional Pendidikan Biologi dan Saintek) eProceedings of Engineering Jurnal Nasional Sains dan Teknik
Bambang Hidayat
Program Studi Teknik Telekomunikasi Fakultas Teknik Elektro – Universitas Telkom Jln. Telekomunikasi Dayeuhkolot Bandung, Indonesia
Arts Humanities Biochemistry, Genetics & Molecular Biology Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering Environmental Science Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Materials Science & Nanotechnology Social Sciences

Published : 19 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 19 Documents
Search

 1   2 
Klasifikasi Grade Telur Ayam Negeri secara non- Invasive menggunakan Convolutional Neural Network IBRAHIM, NUR; SA’IDAH, SOFIA; HIDAYAT, BAMBANG; DARANA, SJAFRIL
ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika Vol 10, No 2: Published April 2022
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/elkomika.v10i2.297

Abstract

ABSTRAKTelur ayam negeri merupakan salah satu sumber protein yang banyak dikonsumsi masyarakat Indonesia. Untuk menjaga kualitas telur ayam negeri yang beredar di Indonesia, diperlukan sistem yang mampu mengidentifikasi grade telur ayam dan mudah digunakan oleh masyarakat. Penelitian sebelumnya telah mengembangkan sistem pengklasifikasian grade telur ayam negeri secara invasive dengan tingkat akurasi 80%, namun sistem ini membutuhkan sampel telur yang dipecahkan sehingga setiap sampel telur tersebut tidak dapat disimpan dalam waktu lama. Oleh karena itu, penelitian ini mengembangkan sistem klasifikasi grade telur ayam tanpa perlu memecahkan sampel telur ayam (non-invasive). Dengan menggunakan metode Convolutional Neural Network (CNN), sistem mampu mengidentifikasi grade telur ayam negeri pada tingkat akurasi 85,86% dengan arsitektur LeNet-5, optimizer Adam, learning rate 0,001, dan epoch 50.Kata kunci: telur ayam negeri, non-invasive, convolutional neural network, LeNet-5 ABSTRACTLocal Chicken egg are one of the sources of protein that is widely consumed by the people of Indonesia. To maintain the quality of local chicken egg in the market, a system that can identified chicken egg’s grade and easy to use is needed. Previous research has developed an invasive chicken egg’s grade classification system with 80% accuracy. However, the system required egg sample to be cracked so the egg sample can’t be stored for too long. This research develop a non-invasive chicken egg’s grade classification system, which doesn’t require egg sample to be cracked. By using Convolutional Neural Network (CNN), system can identified chicken egg’s grade at 85,86% accuracy with LeNet-5 architecture, Adam optimizer, learning rate 0,001, and epoch 50.Keywords: local chicken egg, non-invasive, convolutional neural network, LeNet-5
Audio Steganography using Modified Enhanced Least Significant Bit in 802.11n Setiaji, Hartoko Carolus Ferdy; Tjondronegoro, Suhartono; Hidayat, Bambang
JMECS (Journal of Measurements, Electronics, Communications, and Systems) Vol. 1 No. 1 (2015): JMECS
Publisher : Universitas Telkom

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25124/jmecs.v1i1.1479

Abstract

Steganography is a technique to improve the security of data, which is by inserting messages or confidential information using a medium called the host or carrier or cover. A wide variety of digital media can be used as a host, among others audio, image, video, text, header, IP datagram, and so forth. For audio steganography, the embedded audio is called stego-audio. Steganography can be cracked by using steganalysis. By exploiting the weaknesses of each steganography method. Many steganography method has been developed to increase its performance. This work proposed audio steganography scheme called Modified Enhanced Least Significant Bit (MELSB) which is modified version of Enhanced Least Significant Bit (ELSB). This method using Modified Bit Selection Rule to increase SNR and robustness of stego-audio. SNR result after applying MELSB scheme is increased. MELSB scheme also increase robustness of stego-audio. MELSB still work fine until amplification level 1.07. MELSB also work fine against noise addition better than ELSB and LSB. It give BER and CER with value 0 at SNR 33 dB. MELSB work fine in real-time condition on 802.11n WLAN if there is no transcoding and noise addition between sender’s and recipient’s computer.
Deteksi Pulpitis Menggunakan Machine Learning Dalam Lingkup Optimalisasi Frontend Sangkala, Muh Aslam Mahdi; Saidah, Sofia; Hidayat, Bambang
eProceedings of Engineering Vol. 11 No. 6 (2024): Desember 2024
Publisher : eProceedings of Engineering

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

Abstract

Studi ini ditujukan untuk mengembangkan dan melaksanakan antarmuka frontend untuk sistem deteksi Pulpitis Reversibel yang berbasis web. Fokus utama dari penelitian ini adalah menciptakan antarmuka yang intuitif, responsif, dan mudah digunakan, sehingga memungkinkan pengguna melakukan tes pemeriksaan gigi melalui perekaman dan pengunggahan audio. Penggunaan teknologi HTML, CSS, dan JavaScript digunakan untuk membangun fitur-fitur utama, termasuk perekaman langsung, pengunggahan file audio, dan tampilan hasil deteksi. Hasil deteksi ditampilkan dalam format visual yang jelas, memberikan umpan balik langsung mengenai kondisi kesehatan gigi pengguna. Penelitian ini menunjukkan bahwa desain frontend yang baik dapat secara signifikan meningkatkan pengalaman pengguna dan akurasi interaksi dalam aplikasi web, menjadikannya alat potensial untuk skrining awal Pulpitis Reversibel. Kata kunci— CSS, Deteksi, Frontend, Gigi, HTML, JavaScript, Pulpitis, Section.
Deteksi Pulpitis Menggunakan MFCC dan CNN1D Dalam Lingkup Penggunaan Flask Sebagai Backend Hermina, Nanda Putri; Sa’idah, Sofia; Hidayat, Bambang
eProceedings of Engineering Vol. 11 No. 6 (2024): Desember 2024
Publisher : eProceedings of Engineering

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

Abstract

Pulpitis adalah peradangan pada jaringan pulpa gigi yang dapat disebabkan oleh berbagai faktor seperti infeksi bakteri, trauma pada gigi, atau kerusakan gigi. Sakit gigi bisa sangat mengganggu aktivitas seseorang. Ketika seseorang mengalami sakit gigi mereka mungkin sulit untuk berkonsentrasi, berbicara atau bahkan makan dengan nyaman. Sebelum terjadi kerusakan gigi yang lebih parah maka kami membuat alat yang dapat mendeteksi pulpitis dengan biaya yang terjangkau dan realtime yaitu deteksi pulpitis menggunakan sinyal suara dengan algoritma machine learning dengan ekstraksi MFCC dan CNN 1D. Model ini dapat mendeteksi gigi yang sehat maupun gigi yang mengalami pulpitis dengan akurasi 92%. Kata kunci— Backend, CNN, Machine learning, MFCC, Pulpitis, Website.
Estimasi Bobot Karkas Sapi Pedaging Menggunakan Metode Fraktal dan Klasifikasi K-Nearest Neighbor (KNN) Nilamsari, Putri Ragil; Hidayat, Bambang; Darana, Sjafril
Prosiding SNPBS (Seminar Nasional Pendidikan Biologi dan Saintek) 2017: Prosiding SNPBS (Seminar Nasional Pendidikan Biologi dan Saintek)
Publisher : Universitas Muhammadiyah Surakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (606.873 KB)

Abstract

Sapi pedaging merupakan hewan ternak yang dipelihara untuk menghasilkan protein hewani berupa daging. Salahsatu bagian penting dari tubuh sapi pedaging yaitu karkas. Bobot karkas sapi perlu diketahui untuk menentukanwaktu pemotongan yang tepat agar sesuai dengan standar yang telah ditetapkan. Mengetahui bobot karkas sapidapat dilakukan dengan mengalikan bobot hidup sapi terhadap persentase karkas yang telah ditetapkan yaitu 47- 57%. Bobot hidup sapi dapat diketahui dengan cara penimbangan secara konvensional, perkiraan secara visualoleh manusia, dan perhitungan menggunakan rumus yang telah ditetapkan. Tetapi cara-cara tersebut dinilai sulituntuk dilakukan.Pengolahan citra digital merupakan salah satu konsep dalam Teknologi Informasi dan Komputasiyang dapat diimplementasikan untuk merancang suatu sistem dalam program aplikasi dengan tujuan mengatasipermasalahan dalam mengestimasikan bobot karkas sapi. Sistem yang telah dirancang dalam program aplikasiestimasi bobot karkas sapi pedaging memerlukan input berupa citra atau gambar sapi dan menghasilkan outputberupa bobot karkas beserta klasifikasi sapi berdasarkan bobot karkas yang diperoleh. Dalam penelitian kali ini, perancangan sistem pada program aplikasi estimasi bobot karkas sapi dilakukan dengan menggunakan metodefraktal dan klasifikasi K-Nearest Neighbor (KNN). Kalkulasi bobot karkas sapi menggunakan rumus Schoorldengan persentase karkas 52%.Program aplikasi yang diimplementasikan untuk mengestimasi bobot karkas sapipedaging, dirancang berbasis Matlab. Kolaborasi dari metode fraktal dan klasifikasi K-Nearest Neighbor dapatmenghasilkan suatu sistem dalam program aplikasi yang memiliki akurasi estimasi bobot sapi sebesar 90.74% danakurasi klasifikasi sebesar 64% dengan waktu komputasi 17.57 s.
Deteksi Klasifikasi Ruangan Berdasarkan Reverberation Time Dengan Metode Mel- Frequency Cepstral Coefficients (Mfcc) Dan Learning Vector Quantization (Lvq) Pratama, Ariza Rizky; Raharjo, Jangkung; Hidayat, Bambang
eProceedings of Engineering Vol. 10 No. 5 (2023): Oktober 2023
Publisher : eProceedings of Engineering

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

Abstract

Rekaman suara berupa file percakapan menjadisalah satu alat bantu dalam berbagai keperluan salah satunyabagi pihak kepolisian. Mengidentifikasikan suatu kelas ruanganmenjadi salah satu petunjuk dalam mengolah tempat kejadianperkara. Membuat sistem deteksi kelas ruangan adalah salahsatu cara pihak kepolisian untuk mengindentifikasi kelasruangan. Untuk menentukan suatu kelas ruangan dapat diukurmelalui reverberation time menggunakan algoritma MFCCuntuk mengekstraksi ciri data latih rekaman suara. Setelahdidapat ekstraksi cirinya, ciri data akan di masukan sebagaidataset yang selanjutkan akan dilakukan proses pengujian.Kemudian data uji yang belum diketahui kelas ruangannyaakan dilakukan proses pengujian. Data uji yang di proses akandi klasifikasikan menggunakan LVQ berdasarkan ciri datayang sudah ada di dataset. Hasil akhir pada sistem ini yaituuntuk memunculkan nilai akurasi dan waktu komputasi.Penelitian ini akan memproses data rekaman suaramenggunakan aplikasi MATLAB, lalu diekstraksi cirimenggunakan MFCC dan mencari klasifikasi menggunakanLVQ. Menggunakan 48 data latih dan 18 data uji sebagai prosesperhitungan dan simulasi. Hasil nilai akurasi yang didapat darisistem deteksi kelas berdasakan reverberation time denganmetode MFCC dan LVQ bernilai 94,44 % dan waktu komputasiselama 32,969474 detik dengan parameter Koef MFCC 40,Frame Size 0,05, Node Layer 5 dan Epoch 10.Kata kunci— Reverberation Time, Mel FrequencyCoefficients Cepstral, Learning Vector Quantization.
Mendeteksi Kematangan Buah Kelapa Sawit Menggunakan Convolutional Neural Network Deep Learning Triyogi, Raihan; Magdalena, Rita; Hidayat, Bambang
Jurnal Nasional SAINS dan TEKNIK Vol. 1 No. 1 (1): December 2023
Publisher : Universitas Telkom

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25124/jnst.v1i1.6732

Abstract

rak Minyak kelapa sawit adalah bahan utama dalam produksi minyak goreng dan juga digunakan dalam produksi sabun, lilin, kosmetik, tinta, dan pasta gigi. Minyak kelapa sawit dihasilkan dari buah sawit yang telah matang. Penentuan kematangan kelapa sawit dilihat dari bentuk dan warnanya, yang bisa ditentukan oleh orang yang berpengalaman. Untuk menghindari ketergantungan terhadap seseorang serta mempercepat proses deteksi kematangan, dirancang sistem dengan metode Convolutional Neural Network (CNN) untuk melakukan klasifikasi kematangan buah kelapa sawit. Tugas Akhir ini menggunakan dataset buah kelapa sawit yang terdiri dari 3 kelas, kelas mentah, matang dan busuk dengan masing-masing kelas terdapat 100 citra sehingga total terdapat 300 citra. Dataset tersebut digunakan sebagai data train, data validation, dan data test dengan distribusi persentase sebanyak 65% data train, 20% data validation, dan 15% data test. Penelitian ini menggunakan CNN arsitektur MobileNet. Arsitektur MobileNet digunakan karena kompleksitasnya rendah dan arsitektur ini sederhana. Pada Tugas Akhir ini pengujian dilakukan menggunakan 5 skenario untuk mendapatkan skenario terbaik. Skenario terbaik yang didapatkan dalam penelitian ini dengan menggunakan citra berukuran 224 × 224 pixel, optimizer RMSprop, learning rate 0.0001, epoch 50, dan batch 16. Dari skenario terbaik didapatkan hasil performansi terbaik yaitu akurasi data latih 100% dengan loss 0,0349, akurasi data uji 100% dengan loss 0,0569, dan nilai recall 100%, precision 100%, dan f1-score 100%.
Implementasi Metode Convolutional Neural Network dalam Pengolahan Citra Digital Sidik Bibir Irwansyah, Irwansyah; Saidah, Sofia; Hidayat, Bambang
eProceedings of Engineering Vol. 12 No. 6 (2025): Desember 2025
Publisher : eProceedings of Engineering

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

Abstract

Penelitian ini membahas pengembangan sistem identifikasi individu berbasis sidik bibir menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2. Sidik bibir dipilih sebagai alternatif biometrik karena memiliki pola unik dan dapat digunakan baik pada individu hidup maupun korban, sehingga relevan dalam bidang forensik dan keamanan. Dataset diperoleh melalui pengambilan GAMBAR langsung terhadap sepuluh individu (total 200 citra), yang kemudian diproses melalui segmentasi U-Net, konversi grayscale, peningkatan kontras menggunakan CLAHE, ekstraksi fitur dengan Gabor filter, binarisasi adaptif, operasi morfologi, normalisasi, dan augmentasi data untuk meningkatkan kemampuan generalisasi. MobileNetV2 digunakan sebagai feature extractor dengan bobot awal ImageNet, diikuti dense layer tambahan untuk klasifikasi multikelas. Proses pelatihan dilakukan dengan optimasi hyperparameter meliputi augmentasi, batch size, optimizer, learning rate, dan jumlah epoch. Hasil pengujian menunjukkan konfigurasi terbaik pada optimizer Adam dengan learning rate 0,001 dan pelatihan selama 200 epoch, yang mampu mencapai akurasi, presisi, recall, dan F1-score sebesar 100% pada data uji. Sistem yang dikembangkan terbukti efektif dalam mengenali pola sidik bibir, menunjukkan potensi tinggi sebagai metode identifikasi biometrik alternatif. Pengembangan lebih lanjut direkomendasikan dengan memperluas variasi dataset dan menguji data untuk meningkatkan kemampuan generalisasi.Kata kunci— CNN, MobileNetV2 Identifikasi Individu, Klasifikasi Biometrik, Pengolahan Citra, Sidik Bibir.
Identifikasi Jenis Kelamin Berdasarkan Bitemark Hasbullah, Muhammad Rizky; Hasudungan, Jaspar; Hidayat, Bambang
eProceedings of Engineering Vol. 12 No. 6 (2025): Desember 2025
Publisher : eProceedings of Engineering

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

Abstract

Penentuan identifikasi jenis kelamin merupakan aspek krusial dalam ranah forensik, yang berfungsi mendukung proses penentuan identitas korban maupun pelaku kejahatan. Salah satu metode yang kini mulai mendapat perhatian adalah analisis pola gigitan atau bitemark, karena pola tersebut dinilai memiliki perbedaan karakteristik antara pria dan wanita. Latar belakang penelitian ini berangkat dari keterbatasan teknik konvensional yang kerap kurang efektif untuk menentukan jenis kelamin secara cepat, khususnya ketika kondisi fisik korban tidak memungkinkan dilakukan identifikasi biometrik secara langsung. Pendekatan yang digunakan adalah penerapan teknologi pengenalan citra dengan memanfaatkan model deep learning YOLOv8, yang diintegrasikan ke dalam sistem aplikasi web berbasis Python. Sistem ini menerima masukan berupa citra bitemark, lalu memprosesnya melalui tahap klasifikasi guna memprediksi jenis kelamin. Proses pengembangan meliputi pelatihan model dengan 80 citra gigitan yang telah diberi label, optimasi model agar kompatibel di lingkungan Python, serta pembuatan antarmuka web untuk memudahkan identifikasi secara waktu nyata. Hasil pengujian menunjukkan bahwa sistem mampu mengklasifikasikan jenis kelamin dengan tingkat akurasi 75,00% pada pengujian terhadap 44 citra. Selain itu, integrasi dengan aplikasi web meningkatkan portabilitas dan efisiensi penggunaan. Penelitian ini diharapkan menjadi langkah awal dalam pengembangan sistem identifikasi forensik otomatis berbasis bitemark.Kata kunci— YOLO,bitemark,CNN,forensic,python,web application
Co-Authors BACHERAMSYAH, TASYA FIKRIYAH Darwindra, Darwindra Faradilla Zenda, Siti Fauzi, Muhammad Ilham Gelar Budiman Hasbullah, Muhammad Rizky Herliana, Tiara Virlianda Hermina, Nanda Putri Imanadi, Muhammad Tsabit Imanadi Irwansyah Irwansyah Jangkung Raharjo Jaspar Hasudungan Koredianto Usman Nilamsari, Putri Ragil Nur Ibrahim Pratama, Ariza Rizky Putri, Tasya Busrizal Qothrunnada, Fadia Ramadhani, Shinta Rita Magdalena Sa’idah, Sofia Sai’dah, Sofia Sangkala, Muh Aslam Mahdi Sa’idah, Sofia Setiaji, Hartoko Carolus Ferdy Sjafril Darana SOFIA SAIDAH Suhardjo Suhardjo Suhartono Tjondronegoro Tasya, Weni Triyogi, Raihan