Articles
<![CDATA[Prediksi Akor Musik Menggunakan Deep Learning Berbasis Notasi Angka ]]>
<![CDATA[Muhammad Zulfikar Alfathan Rachmatullah]]>;
<![CDATA[Eko Mulyanto Yuniarno]]>;
<![CDATA[Reza Fuad Rachmadi]]>
<![CDATA[ Jurnal Teknik ITS Vol 10, No 1 (2021) ]]>
Publisher : <![CDATA[Direktorat Riset dan Pengabdian Masyarakat (DRPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.12962/j23373539.v10i1.61103
<![CDATA[Musik merupakan bidang seni yang tidak pernah lepas dari kehidupan manusia. Keberadaan musik sendiri telah menyatu dengan kehidupan manusia. Bagi yang baru saja belajar ataupun mendalami musik, pasti dimulai dari belajar bagaimana cara membaca tangga nada, lalu menyesuaikan tempo permainan, lalu mempelajari akor mana yang tepat untuk sebuah baris birama. Namun, sering kali bagi orang yang baru belajar musik akan kesulitan, jika diminta untuk melakukan improvisasi dari nada yang diberikan untuk menentukan akor mana yang tepat untuk mengiringi sebuah baris birama. Salah satu cara untuk menentukan akor mana yang akan digunakan yaitu dengan dikembangkan sebuah metode untuk menentukan akor mana yang akan digunakan untuk mengiringi baris birama tersebut. Sistem ini akan mengklasifikasian baris birama yang dibaca menggunakan Deep Learning. Sistem ini mampu mengklasifikasikan empat jenis akor dengan akurasi 68.5%. Namun, empat jenis akor tersebut merupakan akor yang sering muncul pada kebanyakan partitur musik. Oleh karena itu, diperlukan data yang lebih banyak untuk akor lainnya yang jarang muncul pada partitur untuk ditambahkan ke dalam sistem ini]]>
<![CDATA[Verifikasi Wajah Menggunakan Deep Metric Learning pada Data Wajah dengan Disparitas Umur yang Besar ]]>
<![CDATA[Syauqi Sabili]]>;
<![CDATA[Reza Fuad Rachmadi]]>;
<![CDATA[Eko Mulyanto Yuniarno]]>
<![CDATA[ Jurnal Teknik ITS Vol 10, No 2 (2021) ]]>
Publisher : <![CDATA[Direktorat Riset dan Pengabdian Masyarakat (DRPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.12962/j23373539.v10i2.73552
<![CDATA[Penuaan wajah merupakan proses biologi yang kompleks yang ditandai dengan adanya perubahan fisik yang terjadi pada wajah, seperti perubahan warna kulit, adanya bercak hitam, timbulnya kerutan dan sebagainya seiring bertambahnya usia. Penuaan wajah menjadi salah satu faktor penting dalam proses pengenalan wajah atau biasa disebut dengan istilah face recognition. Untuk mengatasi hal ini, dibutuhkan suatu metode pengenalan atau verifikasi wajah yang dapat mengenali individu yang sama dengan perbedaan usia. Di tugas akhir ini digunakan sebuah metode bernama Deep Metric Learning yang menggabungkan Deep Learning dan Metric Learning. Sistem dibangun dengan menggunakan arsitektur Siamese Neural Network yang mengandung dua masukkan citra. Kedua citra ini terdiri dari foto wajah seseorang ketika masih muda (kanak-aknak atau remaja) dan dewasa. Sistem akan melakukan serangkaian proses verifikasi. Pada bagian akhir, kedua citra diprediksi apakah berasal dari individu yang sama atau tidak. Luaran dari sistem ini adalah skor kemiripan (similarity score) yang nantinya ditentukan batasan (threshold) terlebih dahulu agar bisa mendapatkan hasil akhir sebenarnya. Hasil prediksi direpresentasikan sebagai nilai biner, yaitu 0 bernilai salah dan 1 bernilai benar.]]>
<![CDATA[Klasifikasi Gerakan Cuci Tangan Berbasis Convolutional Neural Network (CNN) ]]>
<![CDATA[Habibul Rahman Qalbi]]>;
<![CDATA[Eko Mulyanto Yuniarmo]]>;
<![CDATA[Reza Fuad Rachmadi]]>
<![CDATA[ Jurnal Teknik ITS Vol 10, No 2 (2021) ]]>
Publisher : <![CDATA[Direktorat Riset dan Pengabdian Masyarakat (DRPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.12962/j23373539.v10i2.75377
<![CDATA[Cuci tangan merupakan langkah awal dalam menjaga kesehatan tubuh. Dengan mencuci tangan kita dapat mencegah penyebaran penyakit. Akan tetapi, masih banyak masyarakat yang tidak sadar akan tata cara mencuci tangan yang baik, sehingga tidak bersih sepenuhnya. Pemanfaatan teknologi Deep Learning dapat menjadi solusi untuk mengetahui apakah masyarakat telah mencuci tangan dengan benar. Menggunakan kamera sebagai input yang kemudian di proses menggunakan algoritma Convolutional Neural Network (CNN) kita dapat mengklasifikasikan gerakan - gerakan yang dilakukan pengguna saat mencuci tangan. Metode yang digunakan dalam penelitian ini menghasilkan tingkat akurasi 99% pada fase Training. Pada pengujiannya, sistem ini menghasilkan tingkat akurasi prediksi tertinggi sebesar 12/12 gerakan (100%) dengan tingkat inkonsistensi sebesar 2/12 prediksi (16,67%). Harapannya penelitian ini dapat membantu dalam memantau dan memastikan apakah masyarakat mencuci tangan dengan benar, khususnya di tempat umum dimana tingkat penyebaran penyakit cukup tinggi.]]>
<![CDATA[Perangkat Portable Pemantau Polusi Menggunakan Sensor PM, CO, dan O3 Berbasis IOT ]]>
<![CDATA[Syaidatul Fauziah]]>;
<![CDATA[Reza Fuad Rachmadi]]>;
<![CDATA[Arief Kurniawan]]>
<![CDATA[ Jurnal Teknik ITS Vol 10, No 2 (2021) ]]>
Publisher : <![CDATA[Direktorat Riset dan Pengabdian Masyarakat (DRPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.12962/j23373539.v10i2.79387
<![CDATA[Dewasa ini udara di muka bumi semakin memburuk dan terkadang melewati batas normal, sehingga dapat membahayakan kesehatan manusia. Institut Teknologi Sepuluh Nopember (ITS) merupakan kampus yang berinisiatif menjadi pionir dalam pengembangan Smart ECO Campus dan memanfaatkan setiap elemen kampus untuk menciptakan pembangunan yang ramah lingkungan. Namun saat ini untuk lingkungan kampus masih belum ada sebuah perangkat portable pemantau polusi sehingga para sivitas akademika tidak dapat mengetahui kondisi udara sekitar kampus. Tugas Akhir ini bertujuan untuk membuat perangkat portable pemantau polusi berbasis IoT. Perangkat ini menggunakan sensor PM, CO dan O3 yang mana data kadar kulitas udara yang di baca oleh sensor dikirimkan ke databse server. Seluruh data pada server divisualisasikan menggunakan website. Setelah dilakukan validasi perangkat sesuai dengan hasil pengujian didapatkan error rata-rata untuk PM2.5 adalah 8,78μ/m3, error rata-rata untuk PM10 adalah 10,35μ/m3, dan error rata-rata untuk O3 adalah 18,8396ppm sehingga perangkat tergolong layak untuk digunakan. Dengan adanya perangkat ini sivitas akademika dapat dengan mudah memantau polusi udara di sekitar secara real time melalui website sehingga dapat melakukan tindakan pencegahan yang tepat.]]>
<![CDATA[Paralel Spatial Pyramid Convolutional Neural Network untuk Verifikasi Kekerabatan berbasis Citra Wajah ]]>
<![CDATA[Reza Fuad Rachmadi]]>;
<![CDATA[I Ketut Eddy Purnama]]>
<![CDATA[ Jurnal Teknologi dan Sistem Komputer Volume 6, Issue 4, Year 2018 (October 2018) ]]>
Publisher : <![CDATA[Department of Computer Engineering, Engineering Faculty, Universitas Diponegoro ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (616.288 KB)
|
DOI: 10.14710/jtsiskom.6.4.2018.152-157
<![CDATA[In this paper, we proposed a parallel spatial pyramid CNN classifier for image-based kinship verification problem. Two face images that compared for kinship verification treated as input for each parallel convolutional network of our classifier. Each parallel convolutional network constructed using spatial pyramid CNN classifier. At the end of the convolutional network, we use three fully connected layers to combine each spatial pyramid CNN features and decided the final kinship prediction. We tested the proposed classifier using large-scale kinship verification dataset, called FIW dataset, consists of seven kinship problems from 1,000 families. In our approach, we treated each kinship problem as a binary classification problem with two output. We train our classifier separately for each kinship problem with same training configuration. Overall, our proposed method can achieve an average accuracy of more than 60% and outperform the baseline method.]]>
<![CDATA[Deteksi Senjata Genggam Menggunakan Faster R-CNN Inception V2 ]]>
<![CDATA[Ivandi Christiani Pradana]]>;
<![CDATA[Eko Mulyanto]]>;
<![CDATA[Reza Fuad Rachmadi]]>
<![CDATA[ Jurnal Teknik ITS Vol 11, No 2 (2022) ]]>
Publisher : <![CDATA[Direktorat Riset dan Pengabdian Masyarakat (DRPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.12962/j23373539.v11i2.86587
<![CDATA[Senjata genggam kelas pisau sering digunakan dalam kegiatan kriminal di Indonesia. Sering kali objek pisau yang terekam sulit terlihat dengan mata telanjang. Proses deteksi senjata genggam kelas pisau bisa dibantu dengan pengolahan citra menggunakan Deep Learning. Penelitian ini bertujuan untuk mengaplikasikan konsep Deep Learning dan Tensorflow Object Detection untuk melatih model Faster R-CNN Inception V2 untuk bisa mendeteksi senjata genggamgambar kelas pisau dalam citra digital. Dalam penelitian ini, model yang terlatih bisa menandai benda yang diduga sebagai senjata genggam kelas pisau dalam gambar dengan kotak penanda. Model yang dibuat dari penelitian ini dilatih dengan kumpulan dataset berisi gambar senjata genggam kelas pisau, dataset didapat dan terdiri dari rekaman bela diri pisau dan kumpulan pisau dengan bentuk dan warna yang beragam. Penelitian ini meneliti akurasi model Faster R-CNN Inception V2 yang dilatih dalam mendeteksi senjata genggam kelas pisau. Hasil akhir dari proses pengembangan model Faster R-CNN Inception V2 ini adalah model yang berhasil mendeteksi senjata genggam kelas pisau dengan akurasi sebanyak 87%, hasil akurasi didapatkan dari pengujian terhadap 475 gambar digital yang dilakukan di Google Colab.]]>
<![CDATA[Pembangkitan Citra Wajah dari Sketch Wajah menggunakan CycleGAN ]]>
<![CDATA[Muhammad Azki Rasyid]]>;
<![CDATA[Reza Fuad Rachmadi]]>;
<![CDATA[Diah Puspito Wulandari]]>
<![CDATA[ Jurnal Teknik ITS Vol 11, No 3 (2022) ]]>
Publisher : <![CDATA[Direktorat Riset dan Pengabdian Masyarakat (DRPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.12962/j23373539.v11i3.94440
<![CDATA[Penggunaan sketsa wajah merupakan alat bantu yang digunakan lembaga penegak hukum dalam melakukan proses identifikasi tersangka tindak kriminal. Sketsa wajah digunakan ketika tidak terdapat foto dari tersangka tindak kriminal di tempat kejadian perkara. Sketsa wajah digunakan dalam proses identifikasi mugshot pada database dengan menggunakan sistem face recognition, dikarenakan sketsa wajah memiliki modalitas yang berbeda dengan citra wajah seperti halnya tekstur wajah, maka dibangkitkanlah citra wajah baru dari input sketsa wajah yang dimiliki sehingga dapat memiliki tekstur yang dapat menyerupai citra wajah. CycleGAN merupakan metode yang digunakan dalam melakukan tugas imageto-image translation, metode tersebut dapat digunakan dalam melakukan style transfer. Oleh karena itu, dalam penelitian tugas akhir ini dikembangkan sebuah model yang berfungsi untuk membangkitkan citra wajah dari sketsa wajah sehingga dapat mengolah sketsa wajah menjadi citra wajah yang memilki tekstur wajah.]]>
<![CDATA[Lightweight pyramid residual features with attention for person re-identification ]]>
<![CDATA[Reza Fuad Rachmadi]]>;
<![CDATA[I Ketut Eddy Purnama]]>;
<![CDATA[Supeno Mardi Susiki Nugroho]]>
<![CDATA[ International Journal of Advances in Intelligent Informatics Vol 9, No 1 (2023): March 2023 ]]>
Publisher : <![CDATA[Universitas Ahmad Dahlan ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26555/ijain.v9i1.702
<![CDATA[Person re-identification is one of the problems in the computer vision field that aims to retrieve similar human images in some image collections (or galleries). It is very useful for people searching or tracking in a closed environment (like a mall or building). One of the highlighted things on person re-identification problems is that the model is usually designed only for performance instead of performance and computing power consideration, which is applicable for devices with limited computing power. In this paper, we proposed a lightweight residual network with pyramid attention for person re-identification problems. The lightweight residual network adopted from the residual network (ResNet) model used for CIFAR dataset experiments consists of not more than two million parameters. An additional pyramid features extraction network and attention module are added to the network to improve the classifier's performance. We use CPFE (Context-aware Pyramid Features Extraction) network that utilizes atrous convolution with different dilation rates to extract the pyramid features. In addition, two different attention networks are used for the classifier: channel-wise and spatial-based attention networks. The proposed classifier is tested using widely use Market-1501 and DukeMTMC-reID person re-identification datasets. Experiments on Market-1501 and DukeMTMC-reID datasets show that our proposed classifier can perform well and outperform the classifier without CPFE and attention networks. Further investigation and ablation study shows that our proposed classifier has higher information density compared with other person re-identification methods.]]>
