Article Per Year (5 Year)
p-Index From 2021 - 2026
1.971
P-Index
This Author published in this journals
All Journal Jurnal Ilmiah Teknik Elektro Komputer dan Informatika (JITEKI) Kitektro ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika JMM (Jurnal Masyarakat Mandiri) Jurnal Ilmiah Teknik Mesin, Elektro dan Komputer (JURITEK) Jurnal Nasional Teknik Elektro dan Teknologi Informasi eProceedings of Engineering Community Service Seminar and Community Engagement (COSECANT) Telkatika: Jurnal Telekomunikasi Elektro Komputasi & Informatika
Fityanul Akhyar
Universitas Telkom
Computer Science & IT Control & Systems Engineering Economics, Econometrics & Finance Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering Other

Published : 14 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 14 Documents
Search

 1   2 
Penerapan Metode Clustering Dengan Algoritma K-Means Untuk Analisa Persebaran Varian Covid-19 (Studi Kasus Kelurahan Antapani Kidul) Zhafar, Mochamad Noverian; Usman, Koredianto; Akhyar, Fityanul
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

Pandemi COVID-19 merupakan peristiwapersebaran penyakit yang terjadi di seluruh dunia. Berbagainegara telah berupaya untuk memberhentikan pergerakanvirus tersebut agar tidak terjadi gelombang akibat virus yangberevolusi dan melahirkan varian baru. Pada umumnya, datapersebaran dari suatu wilayah sangat diperlukan oleh parapraktisi Kesehatan untuk meneliti lajur dan kemungkinanterjadinya gelombang ataupun ditemukannya varian baru darivirus SARS-Cov-2. Penelitian ini bertujuan untuk menganalisapersebaran varian COVID-19 di kelurahan Antapani Kidul,kota Bandung dari segala aspek perbedaan dari setiapvariannya.Metode dalam penelitian ini yaitu menggunakan teknikclustering dengan penggunaan alur data mining yangmenerapkan algoritma K-Means. Algoritma K- Meansmenggunakan dataset yang digunakan untuk mengelompokandata berdasarkan kriteria pendukung berupa tingkatpenularan, tingkat transmisi komunitas, dan juga sejumlahdampaknya pada imunitas pasien pengidap COVID- 19.Dalam penelitian ini juga diukur akurasi dari performansimetode clustering menggunakan algoritma K-Means denganmembandingkannya dengan empat metode lain, yaituDBSCAN, Gaussian Mixture, Agglomerative Clustering, danSpectral Clustering dengan menggunakan tabel PerformanceMetrics dengan empat parameter pengukuran yang disebutmain metrics, yang merupakan Silhouette Score, Calinski-Harbasz Index, Davies Bouldien Index, dan Rand Index.Kata kunci: COVID-19, Varian, Algoritma K-Means,Clustering, Kriteria, Persebaran, Performance Metrics.
Pengaruh Underwater Image Enhancement terhadap Peningkatan mAP50-95 YOLOv7 pada dataset Lobster Aruna Hakim, Farhan Nur; Novamizanti, Ledya; Akhyar, Fityanul
eProceedings of Engineering Vol. 11 No. 2 (2024): April 2024
Publisher : eProceedings of Engineering

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

Abstract

Pada proyek utama dari jurnal ini, yaitupembuatan prototype alat untuk monitoring lobster air laut diAruna, tentu memiliki beberapa permasalahan, salah satunyaadalah tidak jelasnya tampilan video di dalam laut, diantaranyadisebabkan oleh noise dari air laut, kurangnya pencahayaan,dan dominasi warna tertentu dalam laut yang bisamenyebabkan hasil mAP dari model YOLOv7 kurangmaksimal, hal itu dikarenakan penangkaran lobster air lautdisimpan dalam kedalaman sekitar 15 meter, sehinggamemunculkan permasalahan yang telah disebutkan tadi.Berdasarkan permasalahan tersebut penulis berinisiatif untukmenambahkan underwater image enhancement pada sistemmonitoring lobster ini agar dapat memaksimalkan hasil mAPdari model YOLOv7 yang telah di train. Metode ImageEnhancement yang diusulkan untuk dilakukan tahap pengujianadalah Deep Learning and Image Formation Model dan WaterNet. Dari kedua image enhancement tersebut dibandingkanhasil mAP-nya pada proses testing dengan hasil tanpa imageenhancement serta sesama metode image enhancement-nya.Dari hasil pengujian tersebut didapatkan mAP50-95 yangterbaik adalah menggunakan metode image enhancement DeepLearning and Image Formation Model dengan perolehanmAP50-95 0.461. Maka dari itu metode terbaik ini yang dipakaiuntuk proses image enhancement prototype sistem monitoringlobster pada Tambak Aruna. Kata kunci — image enhancement, YOLOv7, Deep Learningand Image Formation Model, Water-Net, lobster
Deteksi Lobster Menggunakan teknik StrongSORT pada YOLOv7 Aditya, Ghanes Mahesa; Novamizanti, Ledya; Akhyar, Fityanul
eProceedings of Engineering Vol. 11 No. 2 (2024): April 2024
Publisher : eProceedings of Engineering

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

Abstract

Melakukan object-tracking dengan mempunyaiakurasi dan performa yang tinggi merupakan hal pentingdalam penerapan pemantauan pada deep learning yangditerapkan pada sebagai automatic driving, and intelligentmonitoring salah satunya adalah lobster monitoring. Dalammencapai hal tersebut diperlukan beberapa penelitian yangdigabungkan menjadi satu dari mulai object-detection, danobject-tracking. Saat ini, dalam halnya object-detection adabeberapa algoritma yang sangat cukup popular salah satunyaadalah yaitu YOLO dengan memiliki akurasi, dan kecepatandeteksi yang tinggi. Dengan berkembangnya zaman YOLOdilakukan peningkatan dengan menghasilkan YOLOv7 yangsangat canggih dari YOLO versi lainya, dengan memilikiakurasi tertinggi yaitu 56.8% dan 30 FPS. Maka dari ituYOLOv7 layak untuk diterapkan dalam object-detection yangakan digabungkan dengan StrongSORT. StrongSORT adalahobject-tracking yang sangat kuat saat ini dengan meningkatkanbeberapa sitem pada DeepSORT. Dengan menggabungkan duasistem deep learning menjadi satu dan dilakukan pelatihan padadataset lobster menghasilkan frame per second ( FPS ) diatas 4,dari penguji cobaan pada data percobaan didapatkan precisionsebesar 0.90, recall mendapatkan nilai 0.81, mAP@0.5 yangmencapai 0.87 dan untuk mAP@0.5-0.95 tertinggi 0.44. Darihasil yang didapatkan dapat disimpulkan bahwa sistemmemenuhi syarat yang dapat dikatakan real-time objectdetection, dan object tracking. Kata kunci— object-detection, StrongSORT, YOLOv7, object-tracking
Perbandingan Performa Jetson Nano, Jetson Xavier NX dan Lenovo Legion 5 terhadap Penggunaan YOLOv7 Ilman, Mukhamad Zidni; Novamizanti, Ledya; Akhyar, Fityanul
eProceedings of Engineering Vol. 11 No. 2 (2024): April 2024
Publisher : eProceedings of Engineering

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

Abstract

Akurasi tinggi dan performa merupakan hal yang penting dalam penerapan deep learning. Untukmendapatkan hal tersebut, memerlukan adanyahardware yang mumpuni dalam bidang deep learning. GPU merupakan hardware yang paling berpengaruhpada hasil akurasi deep learning. Namun, GPUmemerlukan biaya dan konsumsi daya yang tidak sedikituntuk menjalankan sebuah platform dengan performatinggi. Dalam penelitian ini ada tiga perangkat komputeryang diuji performanya melalui algoritma YOLOv7yaitu, Jetson Xavier NX, Jetson Nano, dan laptop Legiondengan GPU Nvidia Geforce GTX1650TI. Perangkatkomputer ini, sudah pernah digunakan dalam pengujianobject detection dibeberapa penelitian yang sudahdilakukan. Pengujian ini menggunakan dataset gambaryang sebelumnya berupa video lobster penangkaranAruna Indonesia di Pantai Amed, Bali. Hasilpendeteksian lobster dapat lebih maksimal lagi apabilavideo dataset yang tersedia tidak bergerak ataukameranya tetap di tempat. Sementara ini, YOLOv7merupakan pendeteksi objek yang paling unggul darisemua pendeteksi objek yang dikenal. Kualitas kecepatandan akurasi yang dimiliki YOLOv7 bisa mencapai 5 FPShingga 120 FPS dan memiliki akurasi tertinggi 56,8% APpada mAP.5-.95 diantara semua pendeteksi objek realtime yang ada dengan sekitar 30 FPS lebih tinggi padaGPU V100. Kata kunci— Akurasi tinggi, performa, FPS, AP, YOLOv7, GPU
Co-Authors Aditya, Ghanes Mahesa Alif, Menara Aulia, Agniya Tazkiya Fenty Alia Fredigo, Agno Gelar Budiman Hakim, Farhan Nur Ilman, Mukhamad Zidni Koredianto Usman Ledya Novamizanti Muhammad Hablul Barri Nasaruddin Nasaruddin Nasaruddin Nasaruddin Nasaruddin Nurinda Fadhilah Amani Nurinda Fadhilah Amani Pasaribu, Novalanza Grecea Putu Harry Gunawan RIANTIARNI, TITA Rita Purnamasari Rusdha Muharar Rusdha Muharar Rusdha Muharar, Rusdha Satria Mandala Singgih Yuliyanto Suryo Adhi Wibowo Thomhert Suprapto Siadari Tora Fahrudin Yuliyanto, Singgih Zhafar, Mochamad Noverian