Garuda - Garba Rujukan Digital

Pengenalan Wajah Menggunakan Metode SVD Dan PCA Berbasis Video Real-time Indrafaqih Eskamara; Rita Magdalena; Nor Kumalasari Caesar Pratiwi
eProceedings of Engineering Vol 7, No 3 (2020): Desember 2020
Publisher : eProceedings of Engineering

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

Wajah merupakan bagian dari tubuh manusia yang menjadi fokus perhatian di dalam interaksi sosial, karena wajah memainkan peranan vital dengan menunjukan identitas dan emosi. Kita dapat mengenali ribuan wajah karena frekuensi interaksi yang sangat sering ataupun hanya sekilas bahkan dalam rentang waktu yang sangat lama. Bahkan kita mampu mengenali seseorang walaupun terjadi perubahan pada orang tersebut karena bertambahnya usia. Oleh karena itu wajah digunakan sebagai organ dari tubuh manusia yang dijadikan indikasi pengenalan seseorang atau face recognition. Teknologi pengenalan wajah merupakan metode yang digunakan untuk deteksi, pencocokan gambar, dan pelacakan video.Pada Tugas Akhir ini dirancang pendeteksian wajah berbasis video real-time. Pada sistem ini digunakan aplikasi pemrograman yaitu Matlab untuk mengenali wajah pada video. Pada sistem ini juga dipilih metode SVD dan PCA. Metode SVD dan PCA untuk ekstrasi ciri dari citra latih dan citra uji. Selanjutnya dilakukan klasifikasi menggunakan Euclidean Distance yaitu mencocokkan antara citra uji yang diambil dari kamera CCTV dengan citra latih dari database. Pada saat pengujian, kamera CCTV menangkap video dalam bentuk 10 frame yang akan diproses dan setiap frame menjadi citra uji untuk dicocokkan dengan citra latih. Dalam klasifikasi citra, bertujuan untuk mengenali nama wajah dari kamera CCTV.Hasil dari metode yang digunakan yaitu dapat mengenali wajah dari kamera CCTV dengan baik. Pada kondisi intensitas cahaya paling tinggi menghasilkan akurasi terbaik sebesar 92%. Kata Kunci: Pengenalan Wajah, Video Real-time, Singular Value Decomposition (SVD), Principal Component Analysis (PCA)

Klasifikasi Penyakit Daun Pada Tanaman Kopi Menggunakan Convolutional Neural Network Dengan Arsitektur Mobilenet Ikhwanda, Alfan; Magdalena, Rita; Saidah, Sofia
eProceedings of Engineering Vol. 12 No. 3 (2025): Juni 2025
Publisher : eProceedings of Engineering

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

Tanaman kopi merupakan salah satukomoditas unggulan di Indonesia yang berkontribusibesar terhadap perekonomian nasional, baik melaluiekspor maupun konsumsi domestik. Namun,produktivitas kopi sering terancam oleh penyakit daun,seperti karat daun (Hemileia vastatrix), bercak daun(Phoma Costaricensis), dan penggerek daun (LeucopteraCoffeella), yang dapat menyebabkan penurunan kualitasdan hasil panen secara signifikan. Identifikasi penyakitdaun secara manual oleh petani atau ahli pertanianseringkali memerlukan waktu dan keahlian yang khusus,sehingga rentan terhadap kesalahan. Penelitian inibertujuan untuk mengembangkan sistem klasifikasiotomatis penyakit daun pada tanaman kopimenggunakan Convolutional Neural Network (CNN)dengan arsitektur MobileNet. Arsitektur MobileNetdipilih karena efisiensinya dalam menangani data dengansumber daya komputasi terbatas, seperti perangkatseluler. Proses klasifikasi dimulai dengan pengumpulandata dari dataset Kaggle, yang mencakup gambar daunsehat dan yang terinfeksi penyakit. Data ini melalui tahappreprocessing, meliputi penyesuaian ukuran citramenjadi 224x224 piksel. Model dilatih menggunakanparameter utama seperti optimizer, learning rate, batchsize, dan epoch, untuk menghasilkan klasifikasi yangoptimal. Penelitian dilakukan dengan menggunakan 1664dataset, dengan pembagian 400 data daun sehat, 460 datakarat daun, 484 data bercak daun dan 320 datapenggerek daun. Dataset yang digunakan untukpengujian yaitu sebesar 333 data. Melalui serangkaianpengujian dengan empat skenario yang berbeda,diperoleh konfigurasi optimal model dengan hasil terbaikyaitu Akurasi 99.549%, Loss 0.058, Presisi 95%, Recall95%, F1-score 95%. Dengan parameter terbaik adalahoptimizer RMSprop, learning rate 0.0001, epoch 125 danbatch size 16.Kata kunci: Daun Kopi, Convolutional Neural Network(CNN), MobileNet, Penyakit Daun, Citra Daun Tanaman Kopi.

Deteksi Kualitas Tembakau Melalui Pengolahan Citra Digital Dengan Metode Adaptive Region Growing Dan Klasifikasi Decision Tree Mahendra, Dio; Raharjo, Jangkung; Magdalena, Rita
eProceedings of Engineering Vol. 11 No. 4 (2024): Agustus 2024
Publisher : eProceedings of Engineering

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

Budidaya tembakau merupakan kegiatan padat karya. Meskipun daerah Perkebunan tembakau di Indonesia diperkirakan hanya sekitar 207.020 hektar, namun dibandingkan dengan menanam padi, menanam tembakau membutuhkan banyak tenaga hampir tiga kali. Tembakau merupakan tanaman yang ditanam sebagai bahan baku industri untuk rokok. Tembakau memiliki nilai ekonomi yang sangat menjanjikan. Hal ini sejalan dengan tarif cukai yang meningkat rata-rata 12% sejak awal tahun. Kementerian Keuangan (Kemenkeu) melaporkan penerimaan CHT mencapai Rp. 118 triliun pada tahun ini. Namun cara tradisional dalam menentukan nilai mutu daun tembakau mempunyai kelemahan, antara lain standar mutlak daun tembakau hanya bersifat prediksi dan tidak mempunyai nilai dalam menentukan tingkat mutu. Metode langkah-langkah prosesnya adalah mengambil sampel daun tembakau berukuran 400-600 mm, kemudian memotret dengan kamera Handphone 1 beresolusi 12 MP dan kamera Handphone 2 beresolusi 8 MP dengan kamera Handphone 1 beresolusi 12 MP. merek yang berbeda. Citra diolah dengan software simulasi menggunakan Adaptive Area Development (ARG) dan klasifikasi Decision Tree. Program dirancang menggunakan software MATLAB dan ditampilkan dengan bentuk GraphicUserInterface (GUI). Dari hasil pengujian, tingkat akurasi yang diperoleh dengan menggunakan metode Adaptive Region Growing 93% berdasarkan 6 ciri statistik. Penelitian ini menggunakan seleksi fitur GINI Index dengan metode klasifikasi Decision Tree. Menggunakan dataset perbandingan data latih dan data uji sebesar 70:30. Hasil penggunaan seleksi fitur GINI index 3rd Rita Magdalena Fakultas Teknik Elektro Universitas Telkom Bandung, Indonesia ritamagdalena@telkomuniversity.ac.id pertama tahun lalu [1]. Namun semenjak tahun 2023 petani mengalami masalah yaitu persaingan harga dengan tembakau impor, padahal kualitas tembakau Indonesia tidak kalah saing dengan tembakau impor [2]. Maka kualitas tembakau perlu diperhatikan agar nilai ekonomi evaluasi kebutuhan tembakau menaik. Dalam penentuan kualitas tembakau, para grader melakukan pengecekan seperti bercak pada daun tembakau sebagai penentu dengan memperoleh hasil sebesar 85%. Kata Kunci : Daun Tembakau, image processing, Adaptive area Development, Decision Tree.

Analisis dan Klasifikasi Penyakit Pada Daun Padi Dengan Menggunakan Metode Yolov8 Prayudi, Yoshi; Saidah, Sofia; Magdalena, Rita
eProceedings of Engineering Vol. 11 No. 6 (2024): Desember 2024
Publisher : eProceedings of Engineering

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

Penyakit pada daun padi merupakan tantangan utama dalam pertanian padi yang dapat secara signifikan mengurangi hasil panen. Penyakit ini disebabkan oleh berbagai patogen, termasuk jamur, bakteri, dan virus, yang menyerang daun padi dan mempengaruhi pertumbuhan serta kualitas tanaman. Gejala umum yang muncul meliputi bercak-bercak pada daun, perubahan warna, deformasi, dan penurunan luas daun yang sehat. Pengendalian penyakit ini melibatkan pemilihan varietas yang tahan, pengaturan tanaman yang baik, penerapan teknik sanitasi, serta penggunaan agen pengendali penyakit yang tepat. Memahami penyakit pada daun padi dengan baik sangat penting untuk menjaga produktivitas pertanian dan keberlanjutan sistem pertanian padi di masa depan. Pada penelitian ini dilakukan klasifikasi penyakit pada daun padi menggunakan metode YOLOv8. Metode ini digunakan karena akurasi yang dihasilkan dalam melakukan klasifikasi objek cukup tinggi. Selain itu dengan YOLOv8 proses klasifikasi objek dapat dilakukan secara real time. Dari total dataset yang digunakan 3.773 gambar dengan pembagian data testing sebanyak 418 gambar, data training 2.684 gambar, dan data validasi 671 gambar. Dengan total data training sebesar 70%, validasi sebesar 20%, dan testing sebesar 10%. Hasil dari pengujian yang dilakukan didapatkan nilai terbaik yaitu pada saat pengujian menggunakan size 224, learning rate 0.01, batch size 16, dan optimizer SGD yaitu presisi sebesar 0.982, recall 0.989, mAP50 0.986, dan mAP50-95 0.929 dan dari hasil perhitungan F1-Score sebesar 96,2%. Kata Kunci : Google Collab, Penyakit Daun Padi, Phyton, YOLOv8.

Sistem Deteksi Dini Glaukoma Berbasis Pencintraan Fundus Suwandhi, Adhisty Putrina; Susilo, Mochammad Hilmi; Masykur, Muhammad Fadhel Affandi; Magdalena, Rita; Fathurrahman, Muhammad Hanif; Saidah, Sofia
eProceedings of Engineering Vol. 12 No. 4 (2025): Agustus 2025
Publisher : eProceedings of Engineering

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

Glaukoma merupakan penyebab kebutaan permanen kedua terbanyak di dunia setelah katarak, dan menjadi ancaman serius bagi kesehatan mata, khususnya pada lansia. Penyakit ini sering berkembang tanpa gejala pada tahap awal, sehingga banyak kasus baru terdeteksi saat kondisi sudah parah dan kerusakan saraf optik bersifat permanen. Oleh karena itu, deteksi dini glaukoma menjadi sangat penting guna mencegah kebutaan yang tidak dapat dipulihkan. Penelitian ini bertujuan untuk mengembangkan sistem deteksi dini glaukoma berbasis teknologi deep learning dengan memanfaatkan Convolutional Neural Network (CNN) untuk mengklasifikasikan citra fundus retina ke dalam dua kategori, normal dan glaukoma. Empat arsitektur CNN digunakan dan dibandingkan performanya, yaitu ResNet50, EfficientNetB0, MobileNetV2, dan VGG16, dengan pendekatan fine-tuning hyperparameter untuk memperoleh hasil optimal. Dataset yang digunakan merupakan kombinasi dari SMDG19 serta citra tambahan yang diperoleh melalui pantoscopic ophthalmoscope yang terintegrasi dengan smartphone. Dari hasil pengujian, arsitektur VGG16 memberikan performa terbaik dengan akurasi mencapai 86,7% dan waktu pemrosesan gambar kurang dari 5 detik. Hasil ini menunjukkan bahwa sistem yang dikembangkan berpotensi menjadi alat bantu diagnosis yang cepat, efisien, dan mudah diimplementasikan, khususnya di daerah dengan keterbatasan tenaga medis dan teknologi kesehatan.Kata Kunci: glaukoma, deep learning, citra fundus, CNN, deteksi dini, VGG16, ophthalmoscope

Sistem Deteksi Dini Glaukoma Berbasis Pencintraan Fundus Suwandhi, Adhisty Putrina; Susilo, Mochammad Hilmi; Masykur, Muhammad Fadhel Affandi; Magdalena, Rita; Fathurrahman, Muhammad Hanif; Saidah, Sofia
eProceedings of Engineering Vol. 12 No. 4 (2025): Agustus 2025
Publisher : eProceedings of Engineering

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

Glaukoma merupakan penyebab kebutaan permanen kedua terbanyak di dunia setelah katarak, dan menjadi ancaman serius bagi kesehatan mata, khususnya pada lansia. Penyakit ini sering berkembang tanpa gejala pada tahap awal, sehingga banyak kasus baru terdeteksi saat kondisi sudah parah dan kerusakan saraf optik bersifat permanen. Oleh karena itu, deteksi dini glaukoma menjadi sangat penting guna mencegah kebutaan yang tidak dapat dipulihkan. Penelitian ini bertujuan untuk mengembangkan sistem deteksi dini glaukoma berbasis teknologi deep learning dengan memanfaatkan Convolutional Neural Network (CNN) untuk mengklasifikasikan citra fundus retina ke dalam dua kategori, normal dan glaukoma. Empat arsitektur CNN digunakan dan dibandingkan performanya, yaitu ResNet50, EfficientNetB0, MobileNetV2, dan VGG16, dengan pendekatan fine-tuning hyperparameter untuk memperoleh hasil optimal. Dataset yang digunakan merupakan kombinasi dari SMDG19 serta citra tambahan yang diperoleh melalui pantoscopic ophthalmoscope yang terintegrasi dengan smartphone. Dari hasil pengujian, arsitektur VGG16 memberikan performa terbaik dengan akurasi mencapai 86,7% dan waktu pemrosesan gambar kurang dari 5 detik. Hasil ini menunjukkan bahwa sistem yang dikembangkan berpotensi menjadi alat bantu diagnosis yang cepat, efisien, dan mudah diimplementasikan, khususnya di daerah dengan keterbatasan tenaga medis dan teknologi kesehatan.Kata Kunci: glaukoma, deep learning, citra fundus, CNN, deteksi dini, VGG16, ophthalmoscope

Sistem Deteksi Dini Glaukoma Berbasis Pencintraan Fundus Suwandhi, Adhisty Putrina; Susilo, Mochammad Hilmi; Masykur, Muhammad Fadhel Affandi; Magdalena, Rita; Fathurrahman, Muhammad Hanif; Saidah, Sofia
eProceedings of Engineering Vol. 12 No. 4 (2025): Agustus 2025
Publisher : eProceedings of Engineering

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

Glaukoma merupakan penyebab kebutaan permanen kedua terbanyak di dunia setelah katarak, dan menjadi ancaman serius bagi kesehatan mata, khususnya pada lansia. Penyakit ini sering berkembang tanpa gejala pada tahap awal, sehingga banyak kasus baru terdeteksi saat kondisi sudah parah dan kerusakan saraf optik bersifat permanen. Oleh karena itu, deteksi dini glaukoma menjadi sangat penting guna mencegah kebutaan yang tidak dapat dipulihkan. Penelitian ini bertujuan untuk mengembangkan sistem deteksi dini glaukoma berbasis teknologi deep learning dengan memanfaatkan Convolutional Neural Network (CNN) untuk mengklasifikasikan citra fundus retina ke dalam dua kategori, normal dan glaukoma. Empat arsitektur CNN digunakan dan dibandingkan performanya, yaitu ResNet50, EfficientNetB0, MobileNetV2, dan VGG16, dengan pendekatan fine-tuning hyperparameter untuk memperoleh hasil optimal. Dataset yang digunakan merupakan kombinasi dari SMDG19 serta citra tambahan yang diperoleh melalui pantoscopic ophthalmoscope yang terintegrasi dengan smartphone. Dari hasil pengujian, arsitektur VGG16 memberikan performa terbaik dengan akurasi mencapai 86,7% dan waktu pemrosesan gambar kurang dari 5 detik. Hasil ini menunjukkan bahwa sistem yang dikembangkan berpotensi menjadi alat bantu diagnosis yang cepat, efisien, dan mudah diimplementasikan, khususnya di daerah dengan keterbatasan tenaga medis dan teknologi kesehatan.Kata Kunci: glaukoma, deep learning, citra fundus, CNN, deteksi dini, VGG16, ophthalmoscope

Sistem Deteksi Dini Glaukoma Berbasis Pencintraan Fundus Suwandhi, Adhisty Putrina; Susilo, Mochammad Hilmi; Masykur, Muhammad Fadhel Affandi; Magdalena, Rita; Fathurrahman, Muhammad Hanif; Saidah, Sofia
eProceedings of Engineering Vol. 12 No. 4 (2025): Agustus 2025
Publisher : eProceedings of Engineering

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

Glaukoma merupakan penyebab kebutaan permanen kedua terbanyak di dunia setelah katarak, dan menjadi ancaman serius bagi kesehatan mata, khususnya pada lansia. Penyakit ini sering berkembang tanpa gejala pada tahap awal, sehingga banyak kasus baru terdeteksi saat kondisi sudah parah dan kerusakan saraf optik bersifat permanen. Oleh karena itu, deteksi dini glaukoma menjadi sangat penting guna mencegah kebutaan yang tidak dapat dipulihkan. Penelitian ini bertujuan untuk mengembangkan sistem deteksi dini glaukoma berbasis teknologi deep learning dengan memanfaatkan Convolutional Neural Network (CNN) untuk mengklasifikasikan citra fundus retina ke dalam dua kategori, normal dan glaukoma. Empat arsitektur CNN digunakan dan dibandingkan performanya, yaitu ResNet50, EfficientNetB0, MobileNetV2, dan VGG16, dengan pendekatan fine-tuning hyperparameter untuk memperoleh hasil optimal. Dataset yang digunakan merupakan kombinasi dari SMDG19 serta citra tambahan yang diperoleh melalui pantoscopic ophthalmoscope yang terintegrasi dengan smartphone. Dari hasil pengujian, arsitektur VGG16 memberikan performa terbaik dengan akurasi mencapai 86,7% dan waktu pemrosesan gambar kurang dari 5 detik. Hasil ini menunjukkan bahwa sistem yang dikembangkan berpotensi menjadi alat bantu diagnosis yang cepat, efisien, dan mudah diimplementasikan, khususnya di daerah dengan keterbatasan tenaga medis dan teknologi kesehatan.Kata Kunci: glaukoma, deep learning, citra fundus, CNN, deteksi dini, VGG16, ophthalmoscope

Klasifikasi Cuaca Menggunakan Convolutional Neural Network Malardy , Muhammad Andriyansyah; Magdalena, Rita; Saidah, Sofiah
eProceedings of Engineering Vol. 12 No. 4 (2025): Agustus 2025
Publisher : eProceedings of Engineering

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

Cuaca merupakan salah satu faktor penting yang memengaruhi berbagai aktivitas manusia sehari-hari. Perubahan cuaca yang tidak menentu dapat berdampak pada sektor transportasi, pertanian, hingga penanggulangan bencana. Oleh karena itu, dibutuhkan sistem yang mampu mengklasifikasikan kondisi cuaca secara otomatis dan akurat. Salah satu solusinya adalah dengan memanfaatkan teknologi pengolahan citra dan kecerdasan buatan, khususnya menggunakan metode Convolutional Neural Network (CNN), yang mampu mengenali pola dalam gambar untuk menentukan jenis cuaca seperti cerah, berawan, atau hujan. Dalam penelitian ini, digunakan arsitektur CNN bernama MobileNetV2 yang dirancang untuk menghasilkan model yang ringan dan efisien, namun tetap memiliki tingkat akurasi yang tinggi. MobileNetV2 dipilih karena cocok digunakan dalam perangkat dengan kemampuan komputasi terbatas dan telah terbukti efektif dalam klasifikasi gambar. Proses yang dilakukan meliputi pengumpulan data dari situs Kaggle, pengolahan gambar agar memiliki ukuran seragam, pelatihan model menggunakan data latih, dan pengujian kinerja model untuk mengukur tingkat keberhasilannya dalam mengenali gambar cuaca. Dataset yang digunakan terdiri dari 768 gambar yang dibagi ke dalam tiga kategori: cerah (253 gambar), berawan (300 gambar), dan hujan (215 gambar). Sebanyak 80% data digunakan untuk pelatihan model, dan 20% sisanya untuk pengujian. Hasil terbaik diperoleh ketika menggunakan pengaturan: optimizer Stochastic Gradient Descent (SGD), learning rate 0,01, batch size 32, dan epoch 50. Dengan kombinasi tersebut, sistem berhasil mencapai akurasi sebesar 96,10%, dengan nilai presisi, recall, dan F1-score yang juga tinggi. Hal ini menunjukkan bahwa MobileNetV2 mampu memberikan hasil klasifikasi cuaca yang akurat dan efisien. Kata kunci— Klasifikasi Cuaca,Convolutional Neural Network (CNN), MobileNetV2, Stochastic Gradient Descent (SGD), Learning Rate, Batch Size.

Sistem Deteksi Kecacatan Ban Dengan Convolutional Neural Network Prayoga, Krisna; Magdalena, Rita; Sa'idah, Sofia
eProceedings of Engineering Vol. 10 No. 3 (2023): Juni 2023
Publisher : eProceedings of Engineering

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

Abstrak-Produksi kendaraan setiap tahun semakin meningkat, Setiap tahunnya pabrik kendaraan memproduksi ribuan kendaraan untuk memenuhi kebutuhan pasar disetiap negara. Ban adalah komponen sangat penting dalam suatu kendaraan, ban yang tidak maksimal atau cacat sering kali menimbulkan kecelakaan mulai dari kecelakaan ringan hingga fatal, memilih ban yang baik sangat dibutuhkan agar ketika kendaraan sedang melaju tidak menimbulkan kecelakaan seperti pecah ban atau ban tergelincir. Tujuan dari penelitian ini adalah melakukan analisis kerja sistem dalam mengidentifikasi ban yang dalam kondisi bagus dengan ban dalam kondisi rusak atau cacat. Penelitian Tugas Akhir ini meneliti bagaimana cara memilih ban yang baik dengan mengklasifikasikan ban kedalam 2 kategori yaitu ban yang bagus dengan ban yang cacat menggunakan metode Convolutional Neural Network (CNN) menggunakan CNN lima layer dan menguji paramter yang akan digunakan kedalam sistem untuk mengetahui parameter yang terbaik agar menghasilkan akurasi yang tinggi. Di dalam penelitian ini bisa diketahui hal-hal yang mempengaruhi performansi sistem, akurasi terbaik yang diperoleh dari penelitian ini yaitu 88% dengan menggunakan 1.039 sampel citra serta menggunakan parameter size 224x224, Optimizer Adam, Learning Rate 0.0001, Epoch 80, dan Batch size 16.

Title

Found 91 Documents
Search
Journal : eProceedings of Engineering

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 91 Documents Search Journal : eProceedings of Engineering

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 91 Documents
Search
Journal : eProceedings of Engineering