Article Per Year (5 Year)
p-Index From 2021 - 2026
3.725
P-Index
This Author published in this journals
All Journal Seminar Nasional Aplikasi Teknologi Informasi (SNATI) Jurnal INKOM Proceedings of KNASTIK Jurnal Teknologi Informasi dan Ilmu Komputer Journal of ICT Research and Applications Seminar Nasional Informatika (SEMNASIF) ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika JOURNAL OF ELECTRICAL AND SYSTEM CONTROL ENGINEERING KOMPUTIKA - Jurnal Sistem Komputer Jurnal Abdimasa TELKA - Telekomunikasi, Elektronika, Komputasi dan Kontrol JMECS (Journal of Measurements, Electronics, Communications, and Systems) Jurnal Teknik Informatika (JUTIF) Arus Jurnal Sosial dan Humaniora Almufi Jurnal Pengabdian kepada Masyarakat Prosiding Konferensi Nasional PKM-CSR Jurnal Ilmiah Teknik Mesin, Elektro dan Komputer (JURITEK) eProceedings of Engineering
Koredianto Usman
Universitas Telkom
Religion Humanities Computer Science & IT Control & Systems Engineering Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Environmental Science Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Materials Science & Nanotechnology Mathematics Nursing Public Health Social Sciences Other

Published : 40 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 15 Documents
Search
Journal : eProceedings of Engineering

 1   2 
Surveillance System Scheme using Multi-detection Attribute with Optimized Neural Network Algorithm on Intelligent Transportation System Nasirudin, Akhmad Yusuf; Usman, Koredianto; Wibowo, Suryo Adhi
eProceedings of Engineering Vol. 10 No. 3 (2023): Juni 2023
Publisher : eProceedings of Engineering

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

Abstract

Abstract- Intelligent Transportation System (ITS) combines a transportation system with Information and Communication Technology (ICT) system, where ICT system plays a role in adding functionality in the form of intelligence resembling human intelligence to the transportation system. The combination allows humans to know the real state of the transportation system including transportation components, such as the status of the road, objects around the vehicle, and the state of the vehicle, thus enabling humans to optimize the transportation system. For example, if there is a group of thief that using a van on the road, we can fasten the process to detect where is the route that used by the thief by adding a vehicle detector on the traffic light camera. This detector will be work better if the detector can detect the van in real-time and in a high resolution image. This work will discuss on how to increase the detector system performance on inference time (fps) and accuracy using HRNet and FCOS. HRNet is a high resolution image network architecture that can process image in a multiple resolution (low, medium, high) to maintain the high resolution but still have an enough image feature to process, while FCOS is a one stage anchor-free detector, so it can detect the object faster than the anchor-based detector. The performances was even more better when we add a warm up training before the training process. Our experimental results shows that our system has a better result compared with the reference result using same dataset and hyperparameter. It also has a better result compared with the reference result that using the reference dataset and hyperparameter.Keywords- intelligent transportation system; objet detection; vehicle detection; attribute detection; computer vision; image processing; surveillance system.
Klasifikasi Jenis Beras Berbasis Citra Dengan Menggunakan Deep Learning Marnelius, Chelsya Dwi; Usman, Koredianto; Pratiwi, Nor Kumalasari Caecar
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

Beras merupakan salah satu bahan pangan serealiayang paling banyak dikonsumsi oleh masyarakat Asia,termasuk di Indonesia. Setiap beras memiliki kemiripanbentuk bulir dan warna yang relatif hampir sama, sehinggaproses mengidentifikasi jenis beras secara visual dinilai masihcukup sulit, dan untuk mengurangi kemungkinan terjadinyahuman error. Oleh karena itu, pengolahan citra digital dapatdigunakan dalam melakukan klasifikasi jenis berasmenggunakan metode Convolutional Neural Network (CNN)dengan arsitektur Residual Network (ResNet-50).Dataset yang digunakan dalam penelitian ini berjumlah 2500citra yang diperoleh dari website Kaggle, berupa citra bulirberas putih yang terdiri dari 5 kelas yaitu Arborio, Basmati,Ipsala, Jasmine, dan Karacadag. Tahapan diawali denganmelakukan preprocessing yaitu resize ukuran citra dannormalisasi citra, lalu dilakukan pembagian dataset sebagaidata latih dan data uji. kemudian selanjutnya dilakukanekstraksi ciri dan klasifikasi menggunakan kombinasihyperparameter input size, optimizer, learning rate, danbatch size untuk mendapatkan hasil model terbaik.Kemudian di tahap akhir hasil akan dianalisis denganparameter akurasi dan loss.Melalui penelitian ini diperoleh hasil akhir pengujian terbaikpada penggunaan parameter input size 64×64 piksel,optimizer Adam, learning rate 0,001, dan batch size 64,dengan hasil validation accuracy sebesar 98,20% dan loss0,1109.Kata Kunci: jenis beras, CNN, ResNet-50.
Pemanfaatan Convolutional Neural Network (Cnn) Untuk Klasifikasi Jenis Beras Berbasis Citra Pellokila, Victor Aji Admaja; Usman, Koredianto; Pratiwi, Nor Kumalasari Caecar
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

Beras merupakan makanan pokok untuk orangAsia, terutama di Indonesia. Untuk melakukan pengolahan padimenjadi beras, ada dua hal yang harus dilakukan yaitu dengancara tradisional seperti ditumbuk dan ada juga seperti caramodern seperti penggilingan menggunakan mesin. Seperti yangdiketahui, banyak jenis beras yang telah beredar di pasaran.Dengan adanya beragam jenis beras yang beredar, tentu jugaada hal yang tidak bisa dilakukan oleh manusia dalammengklasifikasi jenis beras dengan mengandalkan inderapenghilatan saja. Maka dari itu, pengolahan citra digital dapatberperan penting agar dapat memudahkan manusia untukmengklasifikasi jenis beras. Tujuan penelitian ini, untukmengklasifikasikan jenis beras dengan menggunakan metodeConvolutional Neural Network (CNN) arsitektur AlexNetberbasis pengolahan citra. Adapun dataset yang digunakanpada penelitian berjumlah 2500 citra yang bersumber dariKaggle, dimana ada lima jenis beras yang akan diklasifikasikanyaitu beras arborio, beras basmati, beras ipsala, beras jasminedan beras karacadag. Pada penelitian ini parameter yang akandianalisis adalah akurasi, loss, presisi, recall, dan F1-Score. Ditiap pengujian, akan dilakukan empat skenario pengujianterhadap hyperparameter berupa input size, optimizer,learning rate, batch size. Dari pengujian yang telah dilakukandidapatkan hasil terbaik dengan citra asli menggunakan inputsize 128×128, optimizer SGD, learning rate 0.0001, dan batchsize 32. Berdasarkan dari hasil pengujian tersebut, test accuracyyang didapatkan sebesar 98.40% dengan testing loss 0.0659Kata kunci— Jenis Beras, CNN, Deep Learning, AlexNet.
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.
OPTIMALISASI ARSITEKTUR MOBILENET UNTUK PENGKLASIFIKASIAN CUACA Aditya S.B, I Dewa Agung; Saidah, Sofia; Usman, Koredianto
eProceedings of Engineering Vol. 10 No. 6 (2023): Desember 2023
Publisher : eProceedings of Engineering

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

Abstract

Cuaca adalah kondisi atmosfer dengan periode waktu yang singkat. Diketahui ada beberapa jenis cuaca yaitu cuaca cerah, berawan, hujan, dan panas. Kondisi cuaca juga berpengaruh terhadap aktifitas manusia sehari-hari. Adapun beberapa sektor yang dipengaruhi oleh kondisi cuaca yaitu sektor pertanian, peternakan, akuakultur, penerbangan, dan lain-lain. Perubahan cuaca yang ekstrim dengan waktu cepat, membutuhkan analisis klasifikasi cuaca yang cepat juga. Pada penelitian ini diusulkan desain sistem klasifikasi cuaca menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur MobileNet. Selain itu, penelitian ini memanfaatkan citra digital yang berasal dari data sekunder yaitu platform Kaggle. Dengan penelitian ini dilakukan proses akuisisi citra dengan dataset yang terdiri dari 4 kelas. Kelas tersebut terdiri dari 300 citra berawan, 215 citra hujan, 253 citra cerah, dan 357 citra cerah berawan. Dari dataset keseluruhan dibagi menjadi 80% data latih, 20% data uji. Dalam Penelitian ini dilakukan pengujian beberapa parameter yang mempengaruhi peformansi sistem antara lain image size, optimizer, learning rate, nilai epoch, dan batch size. Dari kelima parameter tersebut diuji menjadi 5 skenario. Masing-masing skenario dipilih hasil yang paling baik. Sehingga diperoleh parameter yang optimal yaitu resize citra 224´224 pixel, optimizer Adamax, epoch 50, batch size 16 dan learning rate 0,0001. Dengan nilai akurasi sebesar 95,56% dan nilai loss 0,194.Kata kunci : citra, convolutional neural network (CNN), MobileNet
Co-Authors Achmad Rizal Achmad Rizal Achmad, Fariz Adam Agus Kurniawan Aditya S.B, I Dewa Agung Akbar Trisnamulya Putra Alfarizi, Muhammad Alfian Andriyan B. Suksmono Andriyan Bayu Suksmono, Andriyan Bayu ARIS HARTAMAN Bambang Hidayat Bedy Purnama Budiyanto, Anggara Denny Darlis Denta Rahmadani Eriel Mar Fiky Y. Suratman Fityanul Akhyar Gryaningrum Widi Pangestuti Gusti Ngurah Rama Putra Atmaja Hanung Tyas Saksono Hendra Gunawan Hendra Gunawan Heri Syahrian, Heri Heroe Wijanto Huljannah, Miftah Humayra, Tia Hasna Imanadi, Muhammad Tsabit Imanadi Ivy Anindhita Hadyningtyas Jangkung Raharjo Julyano , Muhammad Billy Kalfika Yani Ledya Novamizanti Maharani , Kartika Dwi Maharani, Kartika Dwi Marnelius, Chelsya Dwi Muhammad Ary Murti Nasirudin, Akhmad Yusuf Noor Akhmad Gilar Romadhon Nor Kumalasari Caecar Pratiwi Nur Ibrahim Nurinda Fadhilah Amani Nurinda Fadhilah Amani Pellokila, Victor Aji Admaja Priyambodo, Afif Putranto, Devdan Wisesa Putri Marito R. Irawan Satria Putra R. Yunendah Nur Fu’adah Radhibilla, Maulaya Radian Sigit Raditiana Patmasari Rahmayati Alindra Razief Moch Diar Rita Magdalena Runik Machfiroh Rustam Rustam Rustam Sigit, Radian Singgih Yuliyanto SOFIA SAIDAH Sugondo Hadiyoso Suryo Adhi Wibowo Susmini Indriani Lestariningati Syahanifa , Nancy Olivia Syahanifa, Nancy Olivia Tita Haryanti Tsabita Al Asshifa Hadi Kusuma Vitria Puspitasari Rahadi Wardani , Shania Yuliyanto, Singgih Zhafar, Mochamad Noverian