Claim Missing Document
Check
Articles

Found 3 Documents
Search
Journal : Jurnal Ilmiah KOMPUTASI

TEMU KEMBALI CITRA DENGAN MENGGUNAKAN MOMEN ZERNIKE DAN CITY BLOCK Rifki Kosasih; Achmad Fahrurozi; Desti Riminarsih
Jurnal Ilmiah KOMPUTASI Vol 17, No 3 (2018): September
Publisher : STMIK JAKARTA STI&K

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

Abstract

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.
VEHICLE DETECTION USING PRINCIPAL COMPONENT ANALYSIS Rifki Kosasih; Achmad Fahrurozi; Iffatul Mardhiyah
Jurnal Ilmiah KOMPUTASI Vol 19, No 2 (2020): Juni
Publisher : STMIK JAKARTA STI&K

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

Abstract

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%.
Pendeteksian Kendaraan Menggunakan Metode Median Filter: Array Rifki Kosasih
Jurnal Ilmiah Komputasi Vol. 20 No. 1 (2021): Jurnal Ilmiah Komputasi Volume: 20 No. 1, Maret 2021
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32409/jikstik.20.1.402

Abstract

Untuk mengetahui keadaan lalu lintas sekitar biasanya pihak keamanan menggunakan video CCTV. Akan tetapi, pengawasan dengan menggunakan kamera CCTV tidak mungkin dilakukan sepanjang waktu. Oleh karena itu dibutuhkan suatu metode yang dapat membantu pengawasan lalu lintas seperti mendeteksi kendaraan-kendaraan yang lewat. Pada penelitian ini digunakan metode Median Filter dan tresholding untuk mendeteksi kendaraan yang lewat. Data yang digunakan adalah video lalu lintas kendaraan di jalan tol Bintara Bekasi. Setelah itu, video tersebut diubah menjadi kumpulan frame-frame citra dan hitung selisih antara frame terbaru dengan sebelumnya. Tahapan selanjutnya adalah menggunakan metode Median Filter adalah untuk menghilangkan noise pada citra hasil selisih frame tersebut. Setelah itu dilakukan tresholding untuk mendapatkan objek kendaraan yang diinginkan yang disebut dengan citra foreground. Tahapan terakhir adalah memuat bounding box pada objek kendaraan yang telah terdeteksi. Berdasarkan hasil penelitian diperoleh kendaraan terdeteksi di kondisi nyata dan dinyatakan sebagai kendaraan di aplikasi sebanyak 34 kendaraan, kendaraan terdeteksi di kondisi nyata tetapi tidak dinyatakan aplikasi diperoleh sebanyak 5 dan tidak ada kendaraan terdeteksi dalam kondisi nyata namun dinyatakan kendaraan di aplikasi diperoleh sebanyak 4. Berdasarkan hasil tersebut diperoleh nilai presisi sebesar 87,1794%, nilai recall sebesar 89,4736% dan tingkat akurasi sebesar 79,0697%.