Articles
Tinjauan Litelatur : Tentang Efektifitas Metode Haar Dalam Deteksi Objek Pada Pemrosesan Citra
Yunus Firmansyah;
Perani Rosyani
AI dan SPK : Jurnal Artificial Intelligent dan Sistem Penunjang Keputusan Vol. 1 No. 4 (2024): Jurnal AI dan SPK : Jurnal Artificial Inteligent dan Sistem Penunjang Keputusan
Publisher : CV. Shofanah Media Berkah
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
Abstrak Penelitian ini melakukan evaluasi terhadap efektivitas metode dalam deteksi objek yang menggunakan metode Haar Cascade, khususnya wajah. Haar Cascade yang dikembangkan oleh Paul Viola dan Michael Jones pada tahun 2001 menggunakan fitur Haar-like dan algoritma Adaboost untuk deteksi objek yang cepat dan akurat. Dalam penelitian ini melibatkan tinjauan literatur pada pengawasan keamanan, pengenalan wajah, dan interaksi manusia-mesin serta penelitian implementasi praktis dengan menggunakan bahasa pemrograman Python dan OpenCV untuk mendeteksi wajah secara real-time. Hasil tinjauan menunjukkan bahwa metode Haar Cascade efektif untuk berbagai kondisi pencahayaan dan latar belakang dengan kecepatan dan akurasi yang baik. Hasil penelitian dapat menjadi dasar pengembangan teknologi deteksi objek yang lebih canggih di masa yang akan datang.
Implementasi Computer Vision untuk Klasifikasi Gambar Kucing dan Anjing Menggunakan OpenCV-Python
Chaerul Mustofa;
Akbar Berwyn Kurniawan;
Wahyu Afrinaldi;
Perani Rosyani
AI dan SPK : Jurnal Artificial Intelligent dan Sistem Penunjang Keputusan Vol. 1 No. 4 (2024): Jurnal AI dan SPK : Jurnal Artificial Inteligent dan Sistem Penunjang Keputusan
Publisher : CV. Shofanah Media Berkah
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
Studi kasus ini peneliti membahas implementasi computer vision untuk klasifikasi gambar kucing dan anjing menggunakan OpenCV dan Python. Tujuan dari di buatnya studi kasus ini adalah untuk dapat mengembangkan model klasifikasi yang dapat membedakan antara gambar kucing dan anjing dengan tingkat akurasi yang tinggi. Proses dimulai dengan pengumpulan dataset dari gambar kucing dan anjing yang kemudian di proses untuk meningkatkan kualitas dari gambar . Teknik augmentasi data akan diterapkan untuk memperluas variasi dataset dan meningkatkan performa model. Algoritma Convolutional Neural Network (CNN) digunakan sebagai dasar model klasifikasi. Model CNN dilatih menggunakan dataset yang telah dipreproses dan divalidasi dengan menggunakan cross-validation untuk menghindari overfitting. OpenCV digunakan untuk menangani operasi gambar dasar seperti resizing, konversi warna, dan augmentasi data, sementara framework deep learning seperti TensorFlow untuk digunakan untuk membangun dan melatih model CNN. Hasil eksperimen akan menunjukkan bahwa model CNN dapat diimplementasikan mampu mencapai tingkat akurasi yang memuaskan dalam mengklasifikasikan gambar kucing dan anjing.
PENDEKATAN HAAR CASCADE YANG EFISIEN UNTUK DETEKSI WAJAH REAL-TIME PADA CITRA DIGITAL DENGAN OPENCV
Ahmad Zaelani;
Muhamad Irpan Maulana;
Muhammad Rafli;
Salsabila Azhari Putri4;
Perani Rosyani
AI dan SPK : Jurnal Artificial Intelligent dan Sistem Penunjang Keputusan Vol. 2 No. 2 (2024): Jurnal AI dan SPK : Jurnal Artificial Inteligent dan Sistem Penunjang Keputusan
Publisher : CV. Shofanah Media Berkah
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
Deteksi wajah merupakan teknologi penting dalam berbagai aplikasi seperti sistem keamanan, antarmuka pengguna, dan analisis emosi. Penelitian ini mengimplementasikan sistem deteksi wajah real-time menggunakan metode Haar Cascade dengan bantuan library OpenCV dan bahasa pemrograman Python. Metode Haar Cascade dipilih karena efisiensinya dalam komputasi dan akurasi yang memadai untuk deteksi wajah. Sistem yang dikembangkan mampu mendeteksi wajah dari input video secara real-time dengan tingkat akurasi 95% dan kecepatan pemrosesan 30 frame per detik pada perangkat keras standar. Hasil penelitian menunjukkan bahwa implementasi ini efektif untuk aplikasi deteksi wajah real-time dan dapat menjadi dasar untuk pengembangan sistem yang lebih kompleks seperti pengenalan wajah atau analisis ekspresi.
Face Deteksi Objek pada Gambar dan Video dengan YOLOv8 (Counting Objects)
Ajeng Tessa Ningrum;
Refli Wijaya;
Muhammad Rizal Abdul Aziz;
Mohamad Yudha Mauluda;
Perani Rosyani
AI dan SPK : Jurnal Artificial Intelligent dan Sistem Penunjang Keputusan Vol. 2 No. 2 (2024): Jurnal AI dan SPK : Jurnal Artificial Inteligent dan Sistem Penunjang Keputusan
Publisher : CV. Shofanah Media Berkah
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
Perhitungan deteksi objek pada gambar dan video adalah bidang penting dalam computer vision dengan berbagai aplikasi, termasuk pengawasan keamanan, analisis lalu lintas, dan manajemen inventaris. Penelitian ini menggunakan algoritma YOLOv8 (You Only Look Once version 8) untuk mendeteksi dan menghitung objek dalam gambar dan video. YOLOv8 dikenal karena kecepatan dan akurasinya. Penelitian ini mengevaluasi kinerja YOLOv8 dalam berbagai kondisi pencahayaan, ukuran objek, dan latar belakang. Hasilnya menunjukkan bahwa YOLOv8 mampu mendeteksi dan menghitung objek dengan akurasi tinggi dan pemrosesan real-time yang efektif. Penelitian ini berkontribusi pada pengembangan teknologi deteksi objek yang lebih efisien dan akurat.
Perancangan Deteksi Objek Kendaraan Bermotor Berbasis OpenCV Python menggunakan Metode HOG-SVM untuk Analisis Lalu Lintas Cerdas
Eligius Transparan Putra Zebua;
Perani Rosyani
AI dan SPK : Jurnal Artificial Intelligent dan Sistem Penunjang Keputusan Vol. 2 No. 1 (2024): Jurnal AI dan SPK : Jurnal Artificial Inteligent dan Sistem Penunjang Keputusan
Publisher : CV. Shofanah Media Berkah
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
Pada saat ini jumlah pengguna kendaraan bermotor semakin banyak sehingga sangat membutuhkan sistem Lalu Lintas Cerdas untuk dapat mengontrol pengguna jalan. Penelitian ini bertujuan untuk mengembangkan dan mengimplementasikan sistem deteksi objek kendaraan bermotor menggunakan OpenCV Python dengan metode HOG-SVM untuk analisis lalu lintas cerdas. Deteksi objek kendaraan bermotor adalah komponen penting dalam sistem manajemen lalu lintas modern yang memungkinkan pemantauan dan analisis real-time dari arus lalu lintas. Metodologi yang digunakan dalam penelitian ini melibatkan penggunaan Histogram of Oriented Gradients (HOG) dan Support Vector Machine (SVM) untuk mendeteksi kendaraan dalam citra dan video. Studi kasus ini menyoroti kelebihan dan kekurangan metode tersebut serta memberikan wawasan tentang aplikasi praktis dari teknologi ini dalam manajemen lalu lintas. Dengan penelitian menunjukkan bahwa implementasi deteksi kendaraan dengan metode HOG-SVM dapat memberikan akurasi yang baik dalam berbagai kondisi pencahayaan dan lalu lintas.
Image Processing Dengan Bahasa Pemrograman Python Menggunakan Metode Median Filtering Untuk Reduksi Noise Citra Digital
Firgie Wahyu Pratama;
Muhammad Ziidan;
Raka Devananda Saleh;
Satria Bagaskara Rhestu Listyantono;
Perani Rosyani
AI dan SPK : Jurnal Artificial Intelligent dan Sistem Penunjang Keputusan Vol. 2 No. 1 (2024): Jurnal AI dan SPK : Jurnal Artificial Inteligent dan Sistem Penunjang Keputusan
Publisher : CV. Shofanah Media Berkah
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
Kemajuan teknologi telah memungkinkan alat pemindai atau scanner untuk membuat dokumen menjadi citra digital. Selain scanner, proses digital ini dapat dilakukan dengan kamera berkualitas tinggi. Meskipun data digital memiliki keunggulan dalam hal kemudahan penyimpanan dan pengaksesan, namun proses pemindaian ini juga menimbulkan masalah. Kualitas kertas yang buruk dapat menghasilkan perubahan pada citra yang terlihat buruk dan terdapat banyak noise yang menyebabkan citra menjadi tidak jelas. Noise tersebut biasanya berbentuk bintik-bintik yang disebabkan oleh proses pemindaian yang tidak sempurna atau adanya kotoran pada dokumen asli. Untuk mengatasi masalah ini, dibutuhkan metode pengolahan citra yaitu Median Filtering.
MEMBACA EKSPRESI MANUSIA MELALUI DETEKSI MIMIK WAJAH DENGAN MENGGUNAKAN METODE HAAR CASCADE DENGAN OPENCV
Leonard Viffo;
Muhammad Cahya Rifqi;
Arivansa Yuke Pradikta;
Ahmad Rudiansyah;
Perani Rosyani
AI dan SPK : Jurnal Artificial Intelligent dan Sistem Penunjang Keputusan Vol. 2 No. 1 (2024): Jurnal AI dan SPK : Jurnal Artificial Inteligent dan Sistem Penunjang Keputusan
Publisher : CV. Shofanah Media Berkah
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
Penelitian ini membahas bagaimana cara membaca ekspresi manusia melalui mimik wajah dengan menggunakan OpenCV. Pada penelitian ini kami menggunakan metode Haar Cascade , metode yang populer dan memiliki akurasi tinggi untuk mendeteksi sebuah objek. Terutama wajah dalam citra digital. Studi kasus ini akan menunjukkan bagaimana metode ini digunakan pada objek manusia. Sehingga ini akan membuktikan hasil dari metode Haar Cascade apakah dapat membaca ekspresi manusia dengan deteksi mimik wajah yang akurat atau tidak. Pada penelitian ini akan ada uji coba dengan menggunakan pencahayaan yang baik atau kondusif dan dengan pencahayaan yang kurang baik. jika, Masalah akurasi deteksi berkurang dalam kondisi pencahayaan yang buruk. Sehingga penelitian ini menyarankan untuk menggunakan pencahayaan yang baik agar mendapatkan deteksi dengan akurat.
Perancangan Pendeteksi Objek Menggunakan Metode YOLO Dan OpenCV
Farhan Dian Irfansyah;
Nanda Putra Kusuma;
Rafly Pramudia Renaldi;
Perani Rosyani
AI dan SPK : Jurnal Artificial Intelligent dan Sistem Penunjang Keputusan Vol. 2 No. 1 (2024): Jurnal AI dan SPK : Jurnal Artificial Inteligent dan Sistem Penunjang Keputusan
Publisher : CV. Shofanah Media Berkah
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
Deteksi objek adalah cabang ilmu dari computer vision, yang memiliki pengartian objek yang dapat dilihat secara visual dalam sebuah gambar atau video kemudian dapat diteliti, dideteksi, dan dikenali secara langsung oleh komputer. Pada jurnal kami ini menampilkan secara komprehensif tentang pendeteksi objek yang memakai dua kombinasi dari OpenCV dan YOLO, dua kombinasi ini termasuk ke sebuah algoritma pembelajaran mendalam yang canggih atau Deep Learning. Pengertian OpenCV yaitu sebuah kumpulan pustaka computer vision yang memiliki sumber terbuka yang dapat diartikan dengan beragamnya fungsi algoritma disana. Di lain sisi , YOLO yaitu sebuah metode yang memiliki algoritma pendeteksi objek, berfungsi untuk mencapai kinerja maksimal secara langsung tanpa mengurangi sedikit pun akurasinya. Pembelajaran pada kali ini, kami mengkombinasikan kemampuan dari kedua program ini untuk membuat sebuah sistem pendeteksi objek yang memiliki kinerja yang baik. Sekarang kami akan memberikan pendekatan singkat tentang kedua program ini, yang memiliki pusat di bagian komponen utama. Kesimpulan dari jurnal kami ini memberikan pengalaman secara komprehensif tentang pendeteksi objek memakai dua kombinasi yaitu OpenCV dan YOLO. Pada studi ini akan memperhatikan tentang keuntungan dari kombinasi dari kedua kombinasi tersebut dalam hal waktu dan ketepatan serta memberikan implementasi yang mudah dari sistem tersebut. Pada bagian akhir akan menampilkan kinerja sistem untuk aplikasi pendeteksi objek secara langsung.
Deteksi Orang dengan Menggunakan Algoritma YOLOv3
Iqbal Septiana;
Fadlan Rizki;
Amaranggana Niken Anindita Cahya;
Aubri Fadhila Syifa;
Perani Rosyani
AI dan SPK : Jurnal Artificial Intelligent dan Sistem Penunjang Keputusan Vol. 2 No. 1 (2024): Jurnal AI dan SPK : Jurnal Artificial Inteligent dan Sistem Penunjang Keputusan
Publisher : CV. Shofanah Media Berkah
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
Deteksi objek merupakan teknik penting dalam pemrosesan citra yang digunakan untuk mengidentifikasi dan melokalisasi objek tertentu dalam gambar atau video. Algoritma YOLOv3 (You Only Look Once version 3) adalah salah satu metode paling efektif dan efisien dalam deteksi objek secara real-time. Kegiatan ini menggunakan Algoritma YOLOv3 untuk mendeteksi orang dalam gambar digital. Melalui beberapa tahap pemrosesan, seperti pembelajaran mendalam, pembagian grid, dan pengklasifikasian bounding box, YOLOv3 telah berhasil memberikan hasil yang sangat memuaskan dalam hal kecepatan dan akurasi deteksi objek. Algoritma ini sangat berguna dalam berbagai aplikasi, termasuk pengawasan keamanan, sistem asisten pengemudi, dan analisis video. Deteksi orang dengan menggunakan YOLOv3 menunjukkan kemampuan algoritma ini untuk mengenali dan melokalisasi individu dengan cepat dan tepat, yang sangat bermanfaat dalam implementasi dunia nyata.
Teknik Segmentasi Gambar Berwarna Menggunakan Algoritma Watershed: Metodologi dan Penerapannya
Aji Satria;
Imam Dwi Putra;
Idris Hafizh Arrasyid;
M.Irfan Arafah;
Perani Rosyani
AI dan SPK : Jurnal Artificial Intelligent dan Sistem Penunjang Keputusan Vol. 2 No. 1 (2024): Jurnal AI dan SPK : Jurnal Artificial Inteligent dan Sistem Penunjang Keputusan
Publisher : CV. Shofanah Media Berkah
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
Segmentasi gambar dan evaluasi kinerjanya merupakan masalah yang sangat sulit namun penting dalam bidang penglihatan komputer. Tantangan utama dalam evaluasi segmentasi muncul dari konflik mendasar antara generalitas dan objektivitas. Tujuan dari segmentasi gambar adalah mengelompokkan piksel menjadi daerah gambar yang menonjol, yaitu daerah yang sesuai dengan permukaan individu, objek, atau bagian alami dari objek. Dengan peningkatan kemampuan pemrosesan komputer dan peningkatan penggunaan gambar berwarna, segmentasi gambar berwarna semakin banyak diperhatikan oleh para peneliti. Metode segmentasi gambar berwarna dapat dilihat sebagai perpanjangan dari metode segmentasi gambar abu-abu pada gambar berwarna, tetapi banyak dari metode segmentasi gambar abu-abu asli tidak dapat diterapkan langsung pada gambar berwarna. Ini memerlukan perbaikan metode segmentasi gambar abu-abu asli sesuai dengan gambar berwarna yang memiliki fitur informasi yang kaya atau meneliti metode segmentasi gambar baru yang khusus digunakan dalam segmentasi gambar berwarna. Artikel ini mengusulkan metode segmentasi gambar berwarna dengan penumbuhan wilayah benih otomatis berdasarkan wilayah dengan kombinasi algoritma watershed dengan algoritma penumbuhan wilayah benih yang didasarkan pada algoritma penumbuhan wilayah benih tradisional.