Articles
<![CDATA[TEMU KEMBALI CITRA DENGAN MENGGUNAKAN MOMEN ZERNIKE DAN CITY BLOCK ]]>
<![CDATA[Rifki Kosasih]]>;
<![CDATA[Achmad Fahrurozi]]>;
<![CDATA[Desti Riminarsih]]>
<![CDATA[ Jurnal Ilmiah KOMPUTASI Vol 17, No 3 (2018): September ]]>
Publisher : <![CDATA[STMIK JAKARTA STI&K ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Temu kembali citra (Image Retrieval) merupakan suatu metode untuk mendapatkan sejumlah citra yang diinginkan melalui citra masukan. Temu kembali citra yang dilakukan berbasis teks memiliki kelemahan karena ukuran basis data citra yang besar dan subjektifitas dalam mengaitkan citra dengan teks. Terdapat 2 jenis temu kembali citra yaitu Teks Based Image Retrieval dan Content Based Image Retrieval (CBIR). Pada penelitian ini digunakan metode CBIR yang merupakan metode pencarian citra berdasarkan isi visual dari citra masukan seperti bentuk, tekstur dan lain-lain. Fitur bentuk tersebut dicari dengan menggunakan metode momen zernike. Setelah itu dihitung jarak antara citra masukan dengan citra basis data dengan menggunakan metode jarak city block. Dari hasil penelitian diperoleh bahwa metode CBIR dengan menggunakan metode momen zernike dan city block sangat cocok dipakai untuk mencari citra yang diinginkan sesuai dengan citra masukan.]]>
<![CDATA[PELABELAN HARMONIS PADA GRAF TIMBANGAN ]]>
<![CDATA[Sari, Ilmiyati]]>;
<![CDATA[Nugraha, Nurma]]>;
<![CDATA[Kosasih, Rifki]]>
<![CDATA[ UG Journal Vol 7, No 5 (2013) ]]>
Publisher : <![CDATA[Universitas Gunadarma ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Misalkan G adalah graf dengan himpunan simpul V(G) dan himpunan busur E(G). Suatu pemetaan λ dari V(G) ke di mana |E(G)|≥|V(G)| disebut pelabelan harmonis jika λ merupakan pemetaan injektif sedemikian sehingga ketika setiap busur xy diberi label dengan w(xy) = λ(x) + λ(y) menghasilkan label yang berbeda. Dalam tulisan ini akan diperkenalkan bentuk graf timbangan dan konstruksi pelabelan harmonis pada graf timbangan.]]>
<![CDATA[PENGKLASIFIKASIAN BUNGA DENGAN MENGGUNAKAN METODE ISOMAP DAN NAIVE BAYES CLASSIFIER ]]>
<![CDATA[Kosasih, Rifki]]>;
<![CDATA[Fahrurozi, Achmad]]>
<![CDATA[ Jurnal Ilmiah Informatika Komputer Vol 22, No 3 (2017) ]]>
Publisher : <![CDATA[Universitas Gunadarma ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Pada setiap tumbuhan berbunga terdapat bunga yang berfungsi sebagai alat reproduksi seksual. Bunga-bunga tersebut beraneka ragam jenisnya sehingga untuk membedakan bunga-bunga tersebut dibutuhkan pengklasifikasian. Pengklasifikasian biasanya dilakukan dengan menggunakan anatomi pada susunan bunga seperti mahkota. Pada penelitian ini dilakukan pengklasifikasian bunga dengan metode baru menggunakan metode Isomap dan Naive Bayes Classifier yang diaplikasikan pada citra bunga. Dalam penelitian ini digunakan citra-citra yang terdiri dari 4 jenis bunga yaitu mawar, melati, sakura dan edelwais. Tahapan pertama dalam penelitian ini adalah melakukan pengenalan pola citra menggunakan isomap. Isomap dapat memisahkan jenis-jenis bunga tersebut yang dapat dilihat dari berkumpulnya citra-citra yang sejenis di satu tempat.Tahapan selanjutnya adalah melakukan pengklasifikasian dengan Naive bayes Classifier. Hasil klasifikasi dengan menggunakan 2 fitur maupun 3 fitur dari citra pada himpunan training adalah sama dan cukup baik, yaitu memiliki tingkat akurasi sebesar 80%. Kata Kunci: Fitur, Klasifikasi Bunga, Metode Isomap, Naïve-Bayes Classifier.]]>
<![CDATA[APLIKASI SISTEM PAKAR DIAGNOSIS TINGKAT DEPRESI PADA REMAJA BERBASIS ANDROID ]]>
<![CDATA[Nurabsharina, Amanda Putri]]>;
<![CDATA[Kosasih, Rifki]]>
<![CDATA[ Jurnal Ilmiah Informatika Komputer Vol 25, No 1 (2020) ]]>
Publisher : <![CDATA[Universitas Gunadarma ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.35760/ik.2020.v25i1.2418
<![CDATA[Depresi merupakan gangguan mental yang serius yang ditandai dengan perasaan sedih dan cemas. Gangguan ini biasanya akan menghilang dalam beberapa hari tetapi dapat juga berkelanjutan yang dapat mempengaruhi aktivitas sehari-hari. Penanganan yang lambat pada penderita depresi dapat berakibat terganggunya kondisi tubuh baik fisik maupun mental, bahkan buruknya kematian. Untuk mengidentifikasi depresi biasanya dilakukan dengan cara konsultasi dengan psikolog atau pakar. Dalam penelitian ini dibuat sistem pakar yang dapat mengidentifikasi tingkat depresi seperti gangguan mood, depresi ringan, depresi sedang dan depresi berat. Aplikasi ini dibuat dengan menggunakan bahasa pemrograman Java, SQLite dan XML. Dari hasil penelitian dengan 15 responden diperoleh bahwa tingkat akurasi aplikasi sistem pakar ini sebesar 93%.]]>
<![CDATA[KLASIFIKASI JENIS KENDARAAN MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN) ]]>
<![CDATA[Fadlia, Nur]]>;
<![CDATA[Kosasih, Rifki]]>
<![CDATA[ Jurnal Ilmiah Teknologi dan Rekayasa Vol 24, No 3 (2019) ]]>
Publisher : <![CDATA[Universitas Gunadarma ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.35760/tr.2019.v24i3.2397
<![CDATA[Kemacetan merupakan suatu keadaan padatnya lalu lintas yang dapat disebabkan oleh banyak faktor. Salah satu faktor yang menyebabkan kemacetan adalah banyaknya kendaraan yang melintas di jalan. Salah satu usaha yang dapat dilakukan untuk mengurangi masalah kemacetan yaitu dengan membuat jalur khusus yang hanya boleh dilalui kendaraan roda dua, empat atau lebih. Akan tetapi, terdapat pengendara yang masih menggunakan jalur yang tidak sesuai seperti di jalan Margonda Raya, Depok. Kendaraan roda dua (motor) yang telah disiapkan jalur khusus, sering kali mengambil jalur untuk kendaraan roda empat sehingga diperlukan suatu kegiatan pengawasan penggunaan jalur lalu lintas. Oleh karena itu, pada penelitian ini dibuat pengenalan jenis-jenis kendaraan menggunakan metode Convolutional Neural Network (CNN). Data yang digunakan dalam penelitian ini sebanyak 120 citra yang terdiri dari citra mobil, motor dan sepeda. Hasil uji coba dan evaluasi model terhadap tiga jenis kendaraan menggunakan package Keras menunjukkan akurasi sebesar 94,4% pada tahap pelatihan dan 73,3% pada tahap pengujian.]]>
<![CDATA[APLIKASI SISTEM LACAK KENDARAAN BERBASIS ANDROID MENGGUNAKAN ARDUINO UNO DAN MODUL SIM808 ]]>
<![CDATA[Rahayu, Dicka Ariptian]]>;
<![CDATA[Kosasih, Rifki]]>
<![CDATA[ Jurnal Ilmiah Teknologi dan Rekayasa Vol 23, No 1 (2018) ]]>
Publisher : <![CDATA[Universitas Gunadarma ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.35760/tr.2018.v23i1.2451
<![CDATA[Sering terjadinya pencurian kendaraan bermotor membuat pemilik harus lebih berhati-hati dalam memarkirkan kendaraannya. Selain itu dibutuhkan alat tambahan pengamanan kendaraan yang diparkir seperti kunci ganda dan alarm. Akan tetapi, alarm tidak selalu aktif setiap waktu sehingga pencurian bisa tetap terjadi. Jika pencurian terjadi, dibutuhkan Sistem Lacak Kendaraan untuk melacak posisi kendaraan yang telah dicuri. Pada penelitian ini dibuat prototipe sistem lacak kendaraan yang terdiri dari alat pelacak, aplikasi mobile dan web server. Alat pelacak untuk melacak posisi pada kendaraan bermotor yang terhubung dengan web server dan aplikasi mobile menampilkan informasi data dari web server di smartphone pemilik. Alat pelacak terdiri dari 2 komponen utama yaitu Arduino Uno dan Modul SIM808. Alat pelacak ini menerima data dari satelit dan mengirimkan data tersebut berupa koordinat latitude dan longitude ke web server melalui protokol HTTP dengan jaringan internet. Web server menyimpan dan mengolah data ke dalam bentuk JSON dan menyediakan layanan API web services yang dibuat menggunakan PHP Native serta digunakan oleh aplikasi mobile. Aplikasi mobile dibuat berbasiskan Android dan menggunakan kerangka kerja Ionic. Pada aplikasi ini, data posisi kendaraan terbaru dapat secara otomatis terbaharui apabila data API dari web server merupakan data baru.]]>
<![CDATA[VEHICLE DETECTION USING PRINCIPAL COMPONENT ANALYSIS ]]>
<![CDATA[Rifki Kosasih]]>;
<![CDATA[Achmad Fahrurozi]]>;
<![CDATA[Iffatul Mardhiyah]]>
<![CDATA[ Jurnal Ilmiah KOMPUTASI Vol 19, No 2 (2020): Juni ]]>
Publisher : <![CDATA[STMIK JAKARTA STI&K ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[The detection of a vehicle in video is a activity that is important to help the security forces keep an eye on the traffic flow. However, it is hard to security forces to keep watching the video (CCTV) of traffic flow in all day long. Artificial intelligence can be use to help the security to monitoring and analyze the traffic of vehicles, such as to know the level of vehicle traffic density at a certain time period or find out detailed information about the vehicle that want to observe. In this study, Principle Component Analysis (PCA) method used to doing background substraction process to detect vehicles in a real time. To improve the results of PCA method, morphological operation is implemented. The experiment result shown that PCA method is well used to detect the vehicle in a real time with accuracy at 95%.]]>
<![CDATA[Automatic Segmentation of Abdominal Aortic Aneurism (AAA) By Using Active Contour Models ]]>
<![CDATA[Kosasih, Rifki]]>
<![CDATA[ Scientific Journal of Informatics Vol 7, No 1 (2020): May 2020 ]]>
Publisher : <![CDATA[Universitas Negeri Semarang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.15294/sji.v7i1.23625
<![CDATA[Abdominal aortic aneurysm (AAA) is a disease that is caused by dilation of the aortic wall. Dilation of the aortic wall will affect the size of the diameter of lumen and the aorta. In this study we use T1 and T2 images on 4 patients with AAA which generated from MR Imaging to calculate the diameter of the abdominal aortic aneurysm (AAA). To calculate the diameter of lumen and the aorta, the first step is image registration using Laplacian eigenmap method. After that we propose an automatic segmentation method on region of the aorta by using active contour models to get the contour of lumen and the aorta. The last step,  we calculate the diameter of lumen and the aorta by using contour of lumen and the aorta. In our experiment, active contour model is very good method for segmentation AAA. In the result, our proposed model give the accuracy rate of lumen is 96.41% and accuracy rate of aorta is 95.22%. ]]>
<![CDATA[PENGGUNAAN METODE LINEAR DISCRIMINANT ANALYSIS UNTUK PENGENALAN WAJAH DENGAN MEMBANDINGKAN BANYAKNYA DATA LATIH ]]>
<![CDATA[Kosasih, Rifki]]>
<![CDATA[ Jurnal Ilmiah Teknologi dan Rekayasa Vol 26, No 1 (2021) ]]>
Publisher : <![CDATA[Universitas Gunadarma ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.35760/tr.2021.v26i1.3520
<![CDATA[Pengenalan wajah sangat dibutuhkan dalam sistem keamanan rumah karena dapat membantu mengetahui siapa saja yang sudah memasuki area rumah. Salah satu metode yang dapat digunakan dalam pengenalan wajah adalah metode Principle Component Analysis (PCA). Akan tetapi, metode PCA kurang optimal dalam melakukan pemisahan antar kelas. Oleh karena itu pada penelitian ini digunakan metode lain yang dapat melakukan pemisahan antar kelas secara optimal seperti metode Linear Discriminant Analysis (LDA). Data yang digunakan sebanyak 400 data citra wajah dengan komposisi 40 orang dengan tiap orang memiliki 10 citra wajah dengan berbagai ekspresi. Pada penelitian ini diusulkan untuk memperhatikan banyaknya data latih yang digunakan. Banyaknya citra wajah tiap orang yang digunakan untuk data latih adalah 5, 6, 7, 8 dan 9 citra wajah per orang. Selanjutnya dilakukan ekstraksi fitur dengan menggunakan metode LDA. Selanjutnya dilakukan klasifikasi terhadap fitur-fitur yang telah diperoleh dengan menggunakan metode K Nearest Neighbor (KNN). Berdasarkan hasil penelitian diperoleh bahwa tingkat akurasi terbesar yaitu sebesar 97,5% yang terjadi saat banyaknya citra data latih tiap orang adalah 9 dan banyaknya tetangga (K) adalah 1.]]>
<![CDATA[Automatic Segmentation of Abdominal Aortic Aneurism (AAA) By Using Active Contour Models ]]>
<![CDATA[Kosasih, Rifki]]>
<![CDATA[ Scientific Journal of Informatics Vol 7, No 1 (2020): May 2020 ]]>
Publisher : <![CDATA[Universitas Negeri Semarang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.15294/sji.v7i1.23625
<![CDATA[Abdominal aortic aneurysm (AAA) is a disease that is caused by dilation of the aortic wall. Dilation of the aortic wall will affect the size of the diameter of lumen and the aorta. In this study we use T1 and T2 images on 4 patients with AAA which generated from MR Imaging to calculate the diameter of the abdominal aortic aneurysm (AAA). To calculate the diameter of lumen and the aorta, the first step is image registration using Laplacian eigenmap method. After that we propose an automatic segmentation method on region of the aorta by using active contour models to get the contour of lumen and the aorta. The last step,  we calculate the diameter of lumen and the aorta by using contour of lumen and the aorta. In our experiment, active contour model is very good method for segmentation AAA. In the result, our proposed model give the accuracy rate of lumen is 96.41% and accuracy rate of aorta is 95.22%. ]]>
