Garuda - Garba Rujukan Digital

Article Per Year (5 Year)

p-Index From 2020 - 2025

0.882

P-Index

This Author published in this journals

All Journal JSM (Jurnal SIFO Mikroskil) METHODIKA: Jurnal Teknik Informatika dan Sistem Informasi Jurnal Mantik INFOKUM

Pahala Sirait

STMIK Mikroskil

Author-ID : 2985498

Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Languange, Linguistic, Communication & Media

Published : 11 Documents Claim Missing Document

Claim Missing Document

Articles

1 2

Kajian Algoritma Upgraded Artificial Bee Colony dalam Pencarian Solusi Square Jigsaw Puzzle Syanti Irviantina; Pahala Sirait; Rudi Chandra; Ricky -; Luis Tono
Jurnal SIFO Mikroskil Vol 18, No 1 (2017): JSM Volume 18 Nomor 1 Tahun 2017
Publisher : Fakultas Informatika

Pada penyelesaian square jigsaw puzzle, pencarian solusi untuk setiap potongan puzzle menjadi permasalahan utama. Dalam penyelesaiannya, informasi yang tersedia pada setiap potongan hanya berupa nilai red green blue (RGB). Dengan menggunakan nilai RGB, didapatkan nilai perbedaan antar potongan (fitness) yang menjadi dasar untuk menyelesaikan square jigsaw puzzle. Algoritma yang dapat diterapkan untuk menyelesaikan permasalahan tersebut adalah algoritma Upgraded Artificial Bee Colony (UABC) yang belum pernah menyelesaikan permasalahan citra. Pengujian dilakukan dengan mengukur ketepatan hasil penyelesaian aplikasi, mengetahui pengaruh parameter size population (SP), maximum cycle number (MCN), modification rate for employeed (MRE), dan modification rate for onlooker (MRO) pada hasil ketepatan yang diperoleh. Hasil pengujian menunjukkan algoritma UABC mampu menyelesaikan permasalahan square jigsaw puzzle dengan nilai ketepatan yang baik serta dengan meningkatkan parameter SP, MCN, MRE, dan MRO maka hasil ketepatan yang diperoleh juga semakin baik.

Sistem Pengenalan Iris Mata Menggunakan Metode Wavelet Packets Decomposition dan Euclidean Distance Kristian Telaumbanua; Pahala Sirait; Asima Rohana; Bezaro Gea
Jurnal SIFO Mikroskil Vol 20, No 2 (2019): JSM Volume 20 Nomor 2 Tahun 2019
Publisher : Fakultas Informatika

Biometrik merupakan ciri-ciri unik yang di miliki manusia untuk membedakan antara orang yang satu dengan yang lainnya. Salah satu biometrik yang lebih akurat adalah citra berbasis iris mata untuk proses pengenalan. Namun didalam proses pengenalan iris mata kehadiran bulu mata dapat mengganggu proses pengenalan dan mengurasi tingkat keakurasiannya. Pada penelitian ini, pengenalan biometrik berbasis iris mata yang akan dilakukan suatu kajian dengan menambahkan proses pra-pengolahan yaitu cropping untuk memotong bagian atas iris mata yang tidak terkena bulu mata. Citra yang akan di olah sebelumnya akan melewati proses Grayscale, Filter median, deteksi tepi Canny, Circle hough, Cropping, dan ekstraksi ciri Wavelet Packets Decomposition (WPD). Hasil ekstraksi ciri di klasifikasi menggunakan Euclidean Distance untuk melakukan pengenalan pada citra dengan cara membandingkan nilai citra uji dengan nilai citra di database. Pengujian dilakukan dengan 150 data set citra, 120 citra sebagai data latih dan 30 citra sebagai data uji. Hasil pengujian pada citra yang dikenali memiliki nilai akurasi 93,33% dan 6,66% citra tidak dapat dikenali karena bulu mata terlalu panjang dan posisi iris mata tidak ditengah sehingga pada proses transformasi circle hough tidak dapat melakukan deteksi lingkaran pada iris mata.

Implementasi CNN dan SVM untuk Identifikasi Penyakit Tomat via Daun Felix Felix; Said Faisal; Theresia F M Butarbutar; Pahala Sirait
Jurnal SIFO Mikroskil Vol 20, No 2 (2019): JSM Volume 20 Nomor 2 Tahun 2019
Publisher : Fakultas Informatika

Tanaman tomat sangat rentan terhadap serangan penyakit, penyakit pada tanaman tomat dapat diketahui dari bercak yang terdapat pada daun. Penyakit dapat dikenali secara visual karena memiliki ciri warna dan tekstur yang unik. Tetapi pengenalan secara visual memiliki kekurangan yaitu sulit dalam mengenali kemiripan antara satu jenis penyakit dengan penyakit lain sehingga berdampak pada kurang akuratnya penyakit yang diidentifikasi. Pada penelitian ini, dibangun suatu sistem yang dapat menentukan penyakit serta memberikan informasi berupa solusi penanganan dalam mencegah atau menangani penyakit yang menyerang daun tomat melalui identifikasi citra digital menggunakan supervised classification. Citra yang akan diidentifikasi sebelumnya melewati proses transformasi warna RGB (Red Green Blue) ke HSV (Hue Saturation Value), HSV (Hue Saturation Value) ke Grayscale, dan proses ekstraksi fitur tekstur GLCM (Gray Level Co-occurrence Matrix). Hasil ekstraksi fitur tekstur diklasifikasi dengan SVM (Support Vector Machine) dan CNN (Convolutional Neural Network) untuk menentukan penyakit yang diderita oleh daun tomat. Pengujian dilakukan dengan 200 sampel citra daun tomat, 160 citra sebagai data latih dan 40 citra sebagai data uji. Hasil pengujian menunjukkan metode CNN memiliki persentase rata- rata accuracy 97.5%, precision 95.45%, recall 95% dan error 5%. Sedangkan SVM menghasilkan rata- rata accuracy 95%, precision 90.83%, recall 90% dan error 10%. Dari hasil pengujian dapat dinyatakan bahwa pada penelitian ini CNN adalah classifier yang lebih baik dibandingkan SVM.

Implementasi Convolutional Neural Network Untuk Identifikasi Jenis Tanaman Melalui Daun Felix Felix; Jeffry Wijaya; Stephen Putra Sutra; Pyter Wahyu Kosasih; Pahala Sirait
Jurnal SIFO Mikroskil Vol 21, No 1 (2020): JSM VOLUME 21 NOMOR 1 TAHUN 2020
Publisher : Lembaga Penelitian & Pengabdian pada Masyarakat (LPPM) Mikroskil

Setiap tanaman memiliki daun dengan bentuk dan ukuran yang berbeda. Meskipun demikian, matamanusia memiliki kesulitan untuk mengidentifikasi dengan tepat jenis tanaman hanya berdasarkan daridaunnya saja. Pada penelitian ini digunakan "Supervised Learning” untuk membantu mengenali jenistanaman berdasarkan daunnya. Pertama-tama sejumlah daun akan difoto, lalu foto tersebut akan diresizemenjadi citra baru dengan ukuran tertentu, kemudian dimasukkan ke dalam dataset. Lalu citraakan dikonversi menjadi matriks dimana matriks ini akan dimasukkan ke dalam algoritma CNN(Convolutional Neural Network). Pada algoritma CNN, matriks tersebut akan digunakan untukmengekstraksi fitur yang ada pada citra menggunakan beberapa filter yang sebelumnya telahditentukan menggunakan metode konvolusi. Lalu hasil konvolusi tersebut akan digunakan untukpelatihan menggunakan algoritma feedforward dan backpropagation untuk mendapatkan data weightdan bias yang optimal. Setelah itu dilakukan proses test dimana citra uji akan melalui proses konvolusi.Hasil konvolusi akan diklasifikasi menggunakan algoritma feedforward berdasarkan data weight danbias yang sudah didapatkan dari proses training sebelumnya. Pengujian dilakukan dengan 375 gambardaun: 250 citra sebagai data training (latih), dan 125 citra sebagai data test (uji). Hasil pengujianmenunjukkan algoritma CNN memiliki tingkat akurasi yang baik dalam pengidentifikasian piksel dandapat mengenali setiap jenis daun yang ada. Pengujian ini menghasilkan tingkat akurasi 76%. Darihasil pengujian dapat dinyatakan bahwa pada penelitian ini CNN adalah classifier terbaik.

Klasifikasi Citra Multi Wajah Menggunakan Domain Adaptive Faster Region Convolutional Neural Network Ali Akbar Lubis; Pahala Sirait; Albert -; Andrya Tanrisiono; Andy -
Jurnal SIFO Mikroskil Vol 20, No 2 (2019): JSM Volume 20 Nomor 2 Tahun 2019
Publisher : Fakultas Informatika

Wajah merupakan bagian dari identifikasi biometrik karena wajah merupakan bagian langsung dari tubuh manusia yang tidak mudah untuk dicuri atau diduplikasi. Metode yang diterapkan dalam klasifikasi wajah seringkali hanya mampu mengklasifikasi citra yang di dalamnya hanya terdapat satu wajah, namun mengalami kesulitan dalam mengklasifikasi beberapa wajah dalam sebuah citra. Belakangan ini banyak dilakukan penelitian untuk mengatasi masalah pengenalan wajah ini menggunakan metode deep learning, salah satunya adalah Faster R-CNN dimana algoritma ini melakukan pencocokan menggunakan dataset kumpulan wajah manusia dengan mengekstraksi ciri-ciri yang membedakan setiap wajah dan dijadikan perbandingan untuk mengenali identitas wajah dengan akurat. Faster R-CNN tidak dilengkapi dengan pendeteksi wajah, oleh karena itu kita menggabungkannya dengan segmentasi warna kulit manusia untuk mengekstraksi bagian wajah untuk selanjutnya diidentifikasi menggunakan algoritma Faster R-CNN ini. Pengujian dilakukan dengan menggunakan citra yang di dalamnya terdapat lebih dari 1 wajah dengan berbagai posisi hadap wajah dan ekspresi wajah. Hasil dari pengujian yang telah dilakukan dengan rata-rata recall, presicion dan accuracy adalah recall sebesar 90.33%, presicion sebesar 85.33% dan accuracy sebesar 78.33%.

Perbaikan Citra Gelap dan Pembesaran Objek Citra Menggunakan Gradient Based Low-Light Image Enhancement dan Rational Ball Cubic B-Spline With Genetic Algorithm Irpan Adiputra Pardosi; Pahala Sirait; Kevin -; Steven Goh; Ricky Chandra
Jurnal SIFO Mikroskil Vol 20, No 2 (2019): JSM Volume 20 Nomor 2 Tahun 2019
Publisher : Fakultas Informatika

Citra yang berkontras rendah (gelap) serta citra yang memiliki objek tidak jelas menyebabkan objek pada citra sulit diidentifikasi baik secara sistem ataupun oleh pengamat. Salah satu solusi dalam mengatasi masalah ini dengan menambahkan proses untuk perbaikan kualitas citra (image enhancement). Perbaikan kualitas citra berbasis gradient mempunyai hasil yang cukup baik karena unsur gradient dipercaya lebih sensitif terhadap sistem visual manusia dengan metode Gradient Based Low-Light Image Enhancement mampu memperbaiki kualitas citra gelap dan metode Rational Ball Cubic B-Spline with Genetic Algorithm untuk memperbesar objek tidak jelas pada citra terbukti memiliki hasil yang bagus dalam implementasinya. Pengujian untuk metode Gradient Based menggunakan metode SSIM dalam membandingkan citra hasil dan citra raw yang menghasilkan rata-rata nilai SSIM baik yaitu 7.0077 sedangkan pengujian untuk metode Rational Ball menggunakan persepsi dari user dengan hasil yang relatif lebih baik.

Restorasi Citra Digital Menggunakan Iterative Denoising dan Backward Projections with CNN Irpan Pardosi; Pahala Sirait; Williams Chandra; William Makmur
Jurnal SIFO Mikroskil Vol 21, No 1 (2020): JSM VOLUME 21 NOMOR 1 TAHUN 2020
Publisher : Lembaga Penelitian & Pengabdian pada Masyarakat (LPPM) Mikroskil

Citra yang memiliki kualitas buruk ataupun mengalami penurunan mutu umumnya diakibatkan gambaryang kurang tajam, kabur dan munculnya derau atau noise yang disebabkan karena ketidaksempurnaandalam proses pengambilan gambar dan juga dikarenakan kotoran-kotoran yang terjadi pada sebuahcitra. Noise Salt and Pepper merupakan satu dari antara beberapa noise berupa titik-titik hitam atauputih yang tersebar pada sebuah citra yang mempengaruhi kejelasan dari gambar. Banyak metode yangdapat digunakan untuk mengurangi noise pada citra, dan pada penelitian ini metode yang digunakandalam mengurangi salt and pepper dengan Iterative Denoising dan Backward Projection. Iterative yangmerupakan sebuah metode yang mengambil nilai pixel dari pixel sebelumnya dan diiterasi terus sampaikriteria berhenti dicapai yang menandakan bahwa citra sudah bersih dari noise. Hasil pengujianterhadap 7 buah gambar JPG dengan persentase noise mulai 5% hingga kelipatan 5 sampai batasukuran nilai PSNR diatas 30 dB dan didapatkan hasil pengujian denoising yang memenuhi hinggapersentase noise 51% dengan PSNR 30.32 dB menggunakan threshold 192 yang digunakan untukmengecek citra sudah bersih dari noise atau belum. Threshold yang ideal dibutuhkan untukmendapatkan iterasi yang tidak berlebihan atau kekurangan yang menyebabkan noise masih bersisapada citra.

KNN METHOD ON CREDIT RISK CLASSIFICATION WITH BINARY PARTICLE SWARM OPTIMIZATION BASED FEATURE SELECTION Harmoko Lubis; Pahala Sirait; Arwin Halim
INFOKUM Vol. 9 No. 2, June (2021): Data Mining, Image Processing and artificial intelligence
Publisher : Sean Institute

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1044.667 KB)

Today, classification performance has become increasingly important for credit risk assessment for loss control and revenue maximization. Therefore, a classification method is required that can accurately and efficiently measure the credit risk level of prospective borrowers as the key to the credit approval process. This study contributes to the development of feature selection methods with SI algorithms that use binary representation, namely feature selection using PSO algorithms with binary representation or Binary Particle Swarm Optimization (BPSO) applied to credit risk classification, with classification evaluation using kNN classification method. The application of feature selection is done to eliminate excessive features, thus reducing the number of features, improving the accuracy of the model, and reducing running time. The test results showed that KNN's best accuracy of 76.40%, can be improved by bpso-based selection feature with better accuracy of 88.70%, with an accuracy improvement of 13.35%. This test showed that bpso-based selection feature technique successfully improved the accuracy of KNN classification on credit risk classification.

OPTIMALISASI BENTUK OBJEK TERDEGRADASI DAN PERHITUNGAN LUAS BANGUNAN MENGGUNAKAN CITRA SATELIT RESOLUSI TINGGI DENGAN PENDEKATAN GEOMETRI Pahala Sirait
METHODIKA: Jurnal Teknik Informatika dan Sistem Informasi Vol. 2 No. 2 (2016): Nopember 2016
Publisher : Universitas Methodist Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46880/mtk.v2i2.30

Paper ini menyajikan studi yang dapat digunakan untuk mengoptimalkan bentuk bangunan karena terdegradasi oleh objek lain yang menutupi objek tersebut seperti pohon dan bangunan tinggi. Studi ini merupakan tahap pengolahan awal untuk berbagai kajian lanjutan yang berhubungan dengan bentuk bangunan seperti pengenalan bentuk bangunan, monitoring pertumbuhan dan perubahan bangunan pada suatu wilayah, kalkulasi luas bangunan dan lain-lain. Kajian ini penting untuk pengujian menggunakan citra satelit resolusi tinggi (IKONOS dan QuickBird), dimana citra resolusi tinggi ini sangat sensitifterhada noise. Pada proses optimalisasi bentuk objek, proses diawali dengan pemisahan antara objek bangunan ke objek lain. Kehadiran objek lain di sekitar bangunan berdampak pada segmen garis tepi bangunan tidak beraturan. Secara metodologi, penelitian ini dibagi menjadi dua tahap yaitu : pertama, meliputi pemisahan objek bangunan terhadap objek lainnya dengan menggunakan algoritma k-means clustering (k=2), morfologi erosi, dan menambal lubang (filing hole) pada tampilan atap akibat ketidakseragaman intensitas warna; kedua, meliputi morfologi kerangka (skeletonization), penambahan endpoint, penyaringan endpoint, dan menghubungkan antara dua endpoint dengan segmen garis secara berurutan. Perhitungan luas bangunan ditentukan berdasarkan kalkulasi berdasarkan titik-titik koordinat dari titik-titik sudut objek bangunan. Pengujian dilakukan pada 20 sampel dari citra satelit. Hasil penelitian menunjukkan bahwa optimalisasi bentuk bangunan dapat dicapai relatif baik. Pengamatan visual menunjukkan bahwa metodologi yang digunakan dapat mempertahankan bentuk bangunan sesuai dengan fakta lapangan dan menghitung luas dari setiap objek bangunan dengan baik.

Aplication of Validity Index in K Means and Fuzzy C Means Jontinus Manullang; Pahala Sirait; Andri Andri
Jurnal Mantik Vol. 4 No. 2 (2020): Augustus: Manajemen, Teknologi Informatika dan Komunikasi (Mantik)
Publisher : Institute of Computer Science (IOCS)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35335/mantik.Vol4.2020.958.pp1430-1438

K-Means and Fuzzy C-Means Clustering is a method of analyzing data that performs the modeling process without supervision (without supervision) and is a method that groups data by partitioning the system. Clusters Clusters and Fuzzy C-Means will produce different clusters in the same dataset, cluster validity index is a method that can be used to improve the results of clustering generated by the clustering method. This study will use the cluster validity index on the kmeans clustering algorithm and Fuzzy C-Means by calculating the index of validity of each kmeans clustering result with k = 2, ..., kmax (k max determined at the beginning) and the results from Fuzzy C-Means with c = 2, ...., cmax (c max is specified at the beginning). By using the cluster validity index, the most optimal cluster is obtained in the second cluster with the Dbi value = 0.45 in the mean K and the second cluster with the Dbi value = 0.5 in the Fuzzy C Mean, and the results of the clustering are consistent.

Co-Authors Albert - Ali Akbar Lubis Andri, Andri Andrya Tanrisiono Andy - Arwin Arwin Arwin Halim Asima Rohana Bezaro Gea Felix Harmoko Lubis Irpan Pardosi Jeffry Wijaya Jontinus Manullang Kevin - Kristian Telaumbanua Luis Tono Pyter Wahyu Kosasih Ricky - Ricky Chandra Rudi Chandra Said Faisal Sartika Dewi Purba Stephen Putra Sutra Steven Goh Syanti Irviantina Theresia F M Butarbutar William Makmur Williams Chandra

Title

Found 11 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 11 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 11 Documents
Search