Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal International Journal of Electrical and Computer Engineering Jurnal Teknologi Elektro
Eko Ihsanto
Universitas Mercu Buana
Computer Science & IT Electrical & Electronics Engineering

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Sistem Hitung dan Klasifikasi Objek dengan Metode Convolutional Neural Network Romario, M Hamsy; Ihsanto, Eko
Jurnal Teknologi Elektro Vol 11, No 2 (2020)
Publisher : Electrical Engineering, Universitas Mercu Buana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/jte.2020.v11i2.007

Abstract

Sistem klasifikasi objek ini di rancang untuk melakukan klasifikasi dan perhitungan jumlah objek terdeteksi pada suatu gambar. menggunakan metode Convolutional Neural Network yang telah dilatih, Metode CNN merupakan salah satu metode deep learning yang mampu melakukan proses pembelajaran mandiri untuk pengenalan objek, ekstraksi objek dan klasifikasi serta dapat diterapkan pada citra resolusi tinggi yang memiliki model distribusi nonparametrik. Kemudian gambar yang telah diterima dijalankan menggunakan Bahasa pemrograman python pada laptop operasional menggunakan platform open source spyder3. Input system ini adalah citra 2 dimensi dengan skala minimal 400 x 400 pixel dan skala maksimal 1600 x 1600 pixel. Setelah program dijalankan maka outputnya adalah sebuah citra yang dengan keterangan jumlah wajah terdeteksi dan keterangan framing terhadap pola wajah pada gambar output. Penelitian menggunakan tiga kelompok gambar percobaan, gambar kelompok pertama berisikan gambar dengan objek manusia, kelompok gambar kedua berisikan objek manusia  asli yang di campur dengan karikatur, kelopok gambar ketiga berisi gambar kartun berperawakan manusia. Pada percobaan kelompok pertama hasil deteksi mencapai 80%, Dan kelopok kedua di dapat hasil deteksi mencapai 75%. Dan pada percobaan gambar kelompok ketiga system tidak mendeteksi adanya pola wajah manusia. Hasil penelitian ini menunjukkan bahwa penggunaan metode CNN berpotensi untuk pendekatan pengenalan objek secara otomatis dalam membedakan jenis pola wajah manusia sebagai bahan pertimbangan interpreter dalam menentukan objek pada citra.Kata kunci: Convolutional neural network, Python, Spyder 3
Realistic image synthesis of COVID-19 chest X-rays using depthwise boundary equilibrium generative adversarial networks Iklima, Zendi; Kadarina, Trie Maya; Ihsanto, Eko
International Journal of Electrical and Computer Engineering (IJECE) Vol 12, No 5: October 2022
Publisher : Institute of Advanced Engineering and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.11591/ijece.v12i5.pp5444-5454

Abstract

Researchers in various related fields research preventing and controlling the spread of the coronavirus disease (COVID-19) virus. The spread of the COVID-19 is increasing exponentially and infecting humans massively. Preliminary detection can be observed by looking at abnormal conditions in the airways, thus allowing the entry of the virus into the patient's respiratory tract, which can be represented using computer tomography (CT) scan and chest X-ray (CXR) imaging. Particular deep learning approaches have been developed to classify COVID-19 CT or CXR images such as convolutional neural network (CNN), and deep convolutional neural network (DCNN). However, COVID-19 CXR dataset was measly opened and accessed. Particular deep learning method performance can be improved by augmenting the dataset amount. Therefore, the COVID-19 CXR dataset was possibly augmented by generating the synthetic image. This study discusses a fast and real-like image synthesis approach, namely depthwise boundary equilibrium generative adversarial network (DepthwiseBEGAN). DepthwiseBEGAN was reduced memory load 70.11% in training processes compared to the conventional BEGAN. DepthwiseBEGAN synthetic images were inspected by measuring the Fréchet inception distance (FID) score with the real-to-real score equal to 4.3866 and real-to-fake score equal to 4.4674. Moreover, generated DepthwiseBEGAN synthetic images improve 22.59% accuracy of conventional CNN models.
Co-Authors Hadi Wiyanto, Hadi Imam Buchori Romario, M Hamsy Titis Wahyu Rianto, Titis Wahyu Trie Maya Kadarina Zendi Iklima