Article Per Year (5 Year)
p-Index From 2021 - 2026
1.431
P-Index
This Author published in this journals
All Journal Jurnal Ilmu Komputer dan Informasi Jurnal Ilmiah Informatika Komputer Jurnal Ilmiah Teknologi dan Rekayasa ILKOM Jurnal Ilmiah Sang Pencerah: Jurnal Ilmiah Universitas Muhammadiyah Buton Decode: Jurnal Pendidikan Teknologi Informasi
Susetianingtias, Diana Tri
Gunadarma University
Humanities Automotive Engineering Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Library & Information Science Materials Science & Nanotechnology Social Sciences Other

Published : 10 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 10 Documents
Search

 1 
PEMBUATAN APLIKASI KLASIFIKASI CITRA DAUN MENGGUNAKAN RUANG WARNA RGB DAN HSV Sanusi, Haura; H. S., Suryadi; Susetianingtias, Diana Tri
Jurnal Ilmiah Informatika Komputer Vol 24, No 3 (2019)
Publisher : Universitas Gunadarma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35760/ik.2019.v24i3.2323

Abstract

Bagi orang awam, mengetahui tumbuhan berdasarkan warna daun tentu tidak mudah, mengingat semua warna daun relatif sama yaitu warna hijau, sehingga akan sulit juga untuk mengetahui manfaat dari tumbuhan tersebut. Oleh karena itu dibutuhkan sebuah sistem klasifikasi berdasarkan warna daun untuk mengetahui apa nama dan manfaat tumbuhan tersebut. Penelitian ini bertujuan untuk menghasilkan ekstraksi nilai red, green, blue, hue, saturation, dan value pada citra daun, menghasilkan klasifikasi citra daun berdasarkan hasil ekstraksi nilai RGB dan HSV, serta menghasilkan nilai akurasi hasil klasifikasi citra daun. Pada penelitian ini, peneliti akan melakukan klasifikasi terhadap daun berdasarkan warna daun. Peneliti menggunakan 200 buah citra dari 10 jenis daun. Klasifikasi daun berdasarkan warna dilakukan peneliti menggunakan ruang warna RGB dan HSV. Hasil klasifikasi citra daun memiliki rata-rata akurasi yang tinggi yaitu 90,08%.
KOMBINASI LOGISTIC MAP DAN PSEUDO-RANDOM NUMBER GENERATOR PADA PEMBANGKITAN KUNCI UNTUK ENKRIPSI CITRA DIGITAL Arianty, Rini; Susetianingtias, Diana Tri
Jurnal Ilmiah Teknologi dan Rekayasa Vol 25, No 3 (2020)
Publisher : Universitas Gunadarma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35760/tr.2020.v25i3.3120

Abstract

Informasi berbentuk gambar yang bersifat sensitif atau rahasia, seperti data pribadi, dokumen penting yang dikirimkan melalui internet belum tentu aman dari serangan pihak luar. Kerugian yang cukup besar dapat ditimbulkan apabila data tersebut diakses dan dimanipulasi oleh orang yang tidak bertanggung jawab. Salah satu metode dalam mengamankan suatu informasi adalah kriptografi. Logistic map adalah salah satu algoritma chaos yang sering digunakan dalam kriptografi citra karena algoritma ini mampu menghasilkan deretan bilangan acak yang kompleks dengan persamaan polinomial rekursif yang sederhana. Pada penelitian ini, akan diimplementasikan algoritma chaos logistic map dan pseudo-random number generator (PRNG) dalam pengenkripsian citra. Citra input akan diubah bentuknya kedalam array lalu proses difusi dilakukan secara selektif dengan mensubstitusi 4 bit MSB setiap nilai warna citra dengan kunci logistic map. Hasil difusi tersebut akan dikonfusi dengan cara mensubstitusikan indeks arraynya dengan kunci prng sehingga didapat sebuah array baru yang teracak indeksnya. Array tersebut diubah kembali menjadi sebuah citra sehingga didapat citra terenkripsi yang aman.
Implementation of Artificial Neural Network (ANN) in the Image Recognition of Offline Cursive Handwriting Fitrianingsih Fitrianingsih; Diana Tri Susetianingtias; Dody Pernadi; Eka Patriya; Rini Arianty
ILKOM Jurnal Ilmiah Vol 14, No 1 (2022)
Publisher : Teknik Informatika Fakultas Ilmu Komputer Univeristas Muslim Indonesia

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

Abstract

Identifying a writing is an easy thing to do for human, but this does not apply to computers, in particular if it is handwriting. Handwriting recognition, especially cursive handwriting is a research in the area of image processing and pattern matching that is challenging to complete, following the different characteristics of each person's cursive handwriting style. In this study, the use of the ANN model will be implemented in performing offline handwriting image recognition. The cursive handwriting image that has been obtained is then preprocessed and segmented using bounding box rectangle and contour techniques. Evaluation of system performance using global performance metrics in this study resulted in a percentage of 93% where the bounding box and contour succeeded in determining the segmentation point correctly, so that the ANN model worked optimally.
Implementation of the prophet model in COVID-19 cases forecast Rodiah Rodiah; Eka Patriya; Diana Tri Susetianingtias; Ety Sutanty
ILKOM Jurnal Ilmiah Vol 14, No 2 (2022)
Publisher : Prodi Teknik Informatika FIK Universitas Muslim Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33096/ilkom.v14i2.1219.99-111

Abstract

One of the steps to understanding this pandemic is to look at the spread of the data by predicting an increase in cases in various countries so that prevention can be carried out as early as possible. One way to see fluctuations in COVID-19 pandemic data is to predict the rate of cases using forecasting methods so that conclusions can be drawn on the spread of COVID-19 pandemic data around the world to be processed using statistical models. This study will implement the use of the Prophet Model in seeing the rate of development of COVID-19 in the world using four features in the forecasting process such as the number of confirmed cases, the number of cases of recovered patients, the number of cases of death, and the number of active cases. The results of this study produce forecasting data on the number of cases of the COVID-19 pandemic that can be viewed daily, weekly, and even monthly. Forecasting results show the first spike at the end of March until the number of cases reached around 10,275,800 million as of June 29, 2020, where the number of cases grew exponentially until June 29, 2020. The case rate of growth in many instances experienced significant growth until the end of October, touching the number in the range of 34,507,150 million as of October 25, 2020. After June 29, 2020, a very high spike was different from the increase in cases in the previous months. Forecasting results show no point decline because historical data on the number of daily confirmed cases of the COVID-19 pandemic has not decreased. The forecasting results in this study are expected to be able to systematically predict events or events that will occur in the COVID-19 pandemic around the world with the help of valid periodic data so that some information can be obtained for preventive measures related to the COVID-19 pandemic.
Combination of YOLOv3 Algorithm and Blob Detection Technique in Calculating Nile Tilapia Seeds Diana Tri Susetianingtias; Eka Patriya; Rini Arianty
ILKOM Jurnal Ilmiah Vol 15, No 2 (2023)
Publisher : Prodi Teknik Informatika FIK Universitas Muslim Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33096/ilkom.v15i2.1634.317-325

Abstract

Baby Fish counting must be counted accurately so it will not cause any loss, especially for fish seeds or fingerlings that have a small size. Generally, people still use conventional counting methods that produce low accuracy values. This research will make a Nila Baby Fish fingerlings counter program using the YOLOv3 algorithm and Blobb detection technique. The annotation data process will use LabelImg, and the dataset training will use Google COLABoratory with the Darknet framework in an online environment. Images that will predict in this program will be called and detected with an object detector. The object with a confidence score of more than 0.3 will be converted into a blob. The blob value will be forwarded to the output layer for scaling the bounding box objects. The output of this program is the predicted image, blob value, prediction time, and the number of Nila seeds. The model performance is evaluated using a confusion matrix and got a 98.87% for accuracy score.
Model Random Forest Regression Untuk Peramalan Penyebaran Covid-19 Di Indonesia: Random Forest Regression Model for Forecast Of Covid-19 Spread In Indonesia Diana Tri Susetianingtias; Eka Patriya; Rodiah
Decode: Jurnal Pendidikan Teknologi Informasi Vol. 2 No. 2: SEPTEMBER 2022
Publisher : Program Studi Pendidikan Teknologi Infromasi UMK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51454/decode.v2i2.48

Abstract

Penyebaran COVID-19 sangat cepat yang membuat pada tanggal 27 Februrari 2020, sudah menginfeksi 78630 orang di China dan 2747 orang lainnya meninggal dunia. Keberadaan COVID-19 di Indonesia sendiri pertama kali terkonfirmasi pada tanggal 2 Maret 2020. Pada penelitian ini, peneliti akan melakukan peramalan penyebaran COVID-19 di Indonesia menggunakan metode Random Forest Regression. Raw Dataset yang digunakan adalah dataset yang di dapat dari situs www.kaggle.com yang berisikan record sebanyak 10695 record yang dirangkum dari tanggal 1 Maret 2020 hingga 21 Januari 2021. Jumlah fitur yang dimiliki raw dataset sebanyak 37 fitur. Proses preprocessing pada penelitian ini terdiri dari konversi fitur, seleksi fitur dan mendapatkan fitur untuk model. Metode seleksi fitur yang digunakan adalah Recursive Feature Elimination yang berhasil menyeleksi fitur dari dataset yang tadinya berjumlah 37 menjadi 20 fitur. Pelatihan model menggunakan training set yang berjumlah 8555 record. Peramalan menggunakan model Random Forest Regression akan menggunakan validation set yang berjumlah 2139 record. Hasil perhitungan error pada model Random Forest Regression tidak besar, yaitu sebesar 6.477 untuk peramalan New Cases, dan 0.2469 untuk peramalan New Deaths  yang artinya hasil nilai yang diramalkan dengan nilai aktual tidak berbeda jauh.
Pembentukan Model Recurrent Neural Network dan Connectionist Temporal Classification Pada Pengenalan Kata Tulisan Tangan Offline Diana Tri Susetianingtias; Rini Arianty; Rodiah; Eka Patriya
Decode: Jurnal Pendidikan Teknologi Informasi Vol. 3 No. 2: SEPTEMBER 2023
Publisher : Program Studi Pendidikan Teknologi Infromasi UMK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51454/decode.v3i2.151

Abstract

Pengolahan informasi sebagai bentuk dari pengembangan teknologi yang semakin pesat adalah pengenalan tulisan tangan. Pengenalan tulisan tangan saat ini banyak diimplementasikan untuk melakukan identifikasi dokumen-dokumen penting berbentuk digital. Pengenalan tulisan tangan cetak dengan benar dan akurat dapat digunakan untuk menunjang kegiatan manusia baik dalam kegiatan sehari – hari, sekolah, maupun pekerjaan. Pada penelitian ini, peneliti akan melakukan pengenalan tulisan tangan cetak menggunakan Convolutional Neural Network pada perangkat mobile. Penelitian juga akan mengimplementasikan model CNN yang dihasilkan pada android dan mengidentifikasi tulisan tangan yang diambil secara langsung menggunakan kamera. Proses pelatihan menggunakan library tensorflow pada bahasa pemrograman python, dilakukan secara online. Model CNN berhasil dibentuk dengan jumlah 11 hidden layer, terdiri dari 5 lapisan konvolusi, 3 lapisan max pooling, 1 lapisan flatten, dan 2 lapisan fully connected. Model mengambil masukan berupa citra berukuran 28 x 28 piksel dan menghasilkan keluaran berupa pengenalan tulisan tangan cetak. Total parameter bobot yang dimiliki oleh model berjumlah 1.556.495 variabel. Model CNN yang sudah dilatih berhasil diimplementasikan dan dijalankan pada aplikasi android. Berdasarkan perhitungan Global Performance Metric, Aplikasi berhasil mengenali citra tulisan tangan 1 kata dengan akurasi 82,12%. Hasil penelitian diharapkan dapat mengenali tulisan tangan cetak dengan akurasi tinggi pada perangkat android.
Identifikasi Fitur Suara Menggunakan Model Convolutional Neural Network (CNN) pada Speech-to-Text (STT) Rodiah; Susetianingtias, Diana Tri; Eka Patriya
Decode: Jurnal Pendidikan Teknologi Informasi Vol. 4 No. 3: NOVEMBER 2024
Publisher : Program Studi Pendidikan Teknologi Infromasi UMK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51454/decode.v4i3.631

Abstract

Identifikasi pola ucapan dilakukan untuk dapat mengenali kata yang diucapkan. Salah satu metode yang dapat digunakan untuk mengidentifikasi Speech-to-Text (STT) adalah dengan menggunakan Convolutional Neural Network (CNN). Penelitian ini menggunakan metode CNN untuk mengidentifikasi STT pada raw speech dari sejumlah 23000 data dari open dataset suara Kaggle. Tahap awal dilakukan resampling durasi, untuk mengambil data rekaman yang memiliki durasi yang cukup untuk masuk dalam proses selanjutnya yaitu inisialisasi frekuensi. Tahap ini mengubah frekuensi asli dari suara rekaman. Inisialisasi dilakukan dengan mengubah frekuensi dari 16000Hz menjadi rentang 8000Hz. Tahap selanjutnya pelabelan data, yaitu data input dan output diberi label untuk klasifikasi sebagai dasar pembelajaran untuk pemrosesan data. Data yang sudah dilabeli kemudian dilakukan pembagian kedalam rasio 8:2. Tahap Akhir Perancangan arsitektur model CNN dilakukan untuk dapat mengenali pola suara yang sudah direkam pada dataset dan dapat mengidentifikasi ucapan. Hasil penelitian bertujuan untuk mengidentifikasi pola suara yang diucapkan dengan akurasi tinggi.
Biometric System for Person Authentication Using Retinal Vascular Branching Pattern Diana Tri Susetianingtias; Sarifuddin Madenda; Rodiah; Rini Arianty
Jurnal Ilmu Komputer dan Informasi Vol. 16 No. 2 (2023): Jurnal Ilmu Komputer dan Informasi (Journal of Computer Science and Informatio
Publisher : Faculty of Computer Science - Universitas Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21609/jiki.v16i2.1156

Abstract

The person’s retina has its uniqueness that can be used as biometric recognition. The use of the retina as a marking feature in biometrics is more accurate in making calls, verification, and authentication. Retinal biometric characteristics are unique and difficult to manipulate, thus making the retinal biometric system one of the most reliable biometrics compared to other biometric characteristics. The retinal biometric system can be formed using extracted retinal vessels. The difficulty in extracting retinal vessels is a characteristic of retinal vessels. itself includes (central artery, central branch artery, central vein and central branch vein), the ratio of the thickness ratio between the different retinal arteries and veins (2:3), the location of the retinal artery and vein and the color. This complexity often results in errors in the retinal blood vessel extraction process, where not all blood vessel objects can be extracted properly which can reduce the accuracy of the retinal biometric system. This study will address the problem of extracting retinal vessels by proposing the use of an extraction method to produce truly unique retinal features to be included in the retinal biometric system by tracing all branches of the retinal vessels (consisting of: bifurcation, trifurcation and crossover). ). The accuracy results show that 99.81% of the images were correctly detected. The blood pattern is obtained by doing extraction which includes the preprocessing stage and is continued by doing the blood extraction stage. This pattern extraction result is used as a unique pattern to be included in the feature vector of the biometric system in identifying person based on the retina.
Perbandingan Metode Recurrent Neural Network (RNN) dengan Linear Regression untuk Prediksi Saham Netflix Duriyawati; Rodiah; Susetianingtias, Diana Tri
Sang Pencerah: Jurnal Ilmiah Universitas Muhammadiyah Buton Vol. 10 No. 4 (2024): Sang Pencerah: Jurnal Ilmiah Universitas Muhammadiyah Buton
Publisher : Lembaga Jurnal dan Publikasi Universitas Muhammadiyah Buton

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35326/pencerah.v10i4.6381

Abstract

Saham merupakan suatu surat berharga atas bukti penyertaan atau kepemilikan individu maupun institusi dalam suatu perusahaan. Alasan banyak investor menanamkan modalnya saat berinvestasi adalah return yang tinggi. Namun pergerakan harga saham sulit untuk ditebak arah kelanjutannya. Banyak metode dan cara yang dilakukan untuk memprediksi jual beli saham, salah satunya adalah perkembangan komputasi untuk pembelajaran mesin yang sangat pesat, yaitu teknik kecerdasan buatan. Dalam penelitian ini, metode kecerdasan buatan yang digunakan adalah Recurrent Neural Network (RNN) dan Linear Regression. Penelitian ini menggunakan dataset saham Netflix dari tahun 2022 sampai dengan 2023. Penelitian ini bertujuan untuk membandingkan metode RNN dan linear regression dengan melihat nilai Koefisien determinasi (R2) dan Mean Absolute Percentage Error (MAPE). Setelah dilakukan pengujian, didapatkan hasil dari R2 pada metode RNN sebesar 85.11%, menandakan bahwa hasil prediksi sudah baik dan nilai MAPE nya sebesar 5.74% yang berarti bahwa tingkat errornya sudah sangat rendah. Sedangkan pada metode linear regression, nilai R2 yang didapat sebesar 100% menandakan bahwa hasil prediksi sudah sangat baik dan nilai MAPE nya sebesar 1.23%, menandakan bahwa tingkat error nya sudah sangat rendah.
Co-Authors Dody Pernadi Dody Pernadi Duriyawati Eka Patriya Eka Patriya Ety Sutanty Fitrianingsih Fitrianingsih Rini Arianty Rini Arianty Rodiah Rodiah Rodiah Sanusi, Haura Sarifuddin Madenda Suryadi, Soleh