Garuda - Garba Rujukan Digital

p-Index From 2020 - 2025

2.144

P-Index

This Author published in this journals

All Journal International Journal of Electrical and Computer Engineering Techno.Com: Jurnal Teknologi Informasi MATICS : Jurnal Ilmu Komputer dan Teknologi Informasi (Journal of Computer Science and Information Technology) Jurnal Teknologi Informasi dan Ilmu Komputer JOIV : International Journal on Informatics Visualization Explore IT : Jurnal Keilmuan dan Aplikasi Teknik Informatika JURIKOM (Jurnal Riset Komputer) Jurnal Review Pendidikan dan Pengajaran (JRPP) JISKa (Jurnal Informatika Sunan Kalijaga) Journal of Computer System and Informatics (JoSYC) International Journal of Advances in Data and Information Systems Jurnal Nasional Teknik Elektro dan Teknologi Informasi Servis : Jurnal Pengabdian dan Layanan kepada Masyarakat

Irwan Budi Santoso

Universitas Islam Negeri Maulana Malik Ibrahim, Malang

Author-ID : 370962

Religion Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Library & Information Science Social Sciences Other

Published : 22 Documents Claim Missing Document

Claim Missing Document

Articles

1 2 3

Deteksi Non-RTH(Ruang Terbuka Hijau) Kota Malang Berbasis Citra Google Earth Dengan Menggunakan NaÃ¯ve Bayes Classifier Santoso, Irwan Budi
MATICS Vol 7, No 2 (2015): Matics
Publisher : Department of Informatics Engineering

Â Banjir, polusi udara dan naiknya temperatur udara di perkotaan, dewasa ini semakin marak persoalan tersebut tidak lain bersumber dari aktifitas manusia yang tidak terkendali sehingga mengakibatkan kerusakan. Salah satu upaya yang bisa dilakukan untuk membantu menyelesaikan persoalan tersebut adalah adanya fasilitas yang dapat memantau kondisi lingkungan secara riil berupa non-Ruang Terbuka Hijau (non-RTH), melalui komputer. Penyediaan fasilitas tersebut sangatlah mungkin dilakukan dengan memanfaatkan foto satelit seperti yang disediakan oleh Google Earth. Studi kasus dalam penelitian ini adalah kota Malang, dengan metode yang digunakan untuk mendeteksi objek non-RTH dipermukaan bumi kota Malang berdasarkan image atau citra satelit adalah NaÃ¯ve Bayes Classifier (NBC).Hasil uji coba dengan menggunakan sampel pengujian, menunjukkan tingkat akurasi metode tersebut dalam mendeteksi objek non-RTH kota Malang adalah 81%.

APLIKASI KORELASI PEARSON DALAM MEMBANGUN MODEL TREE-AUGMENTED NETWORK (TAN) (Studi Kasus Pengenalan Karakter Tulisan Tangan) Santoso, Irwan Budi
MATICS MATICS (Vol 5, No 3
Publisher : Department of Informatics Engineering

Langkah pertama dalam membangun model pengenalan Tree-Augmented Network (TAN)Â dengan Â mengukur Â besarnya Â hubungan Â diantara Â pasangan Â fitur Â objek. Â Salah Â satu metode yang dapat digunakan mengukur besarnya keeratan hubungan secara linier diantara pasangan fitur adalahÂ Â Korelasi Pearson. Aplikasi Korelasi PearsonÂ dalam membangun model Tree-Augmented Network (TAN) dalam penelitian ini, akan diujicobakan pada kasus membangun Â model pengenalan karakter tulisan tangan. Data fitur karakter tulisan tangan untuk kasus ini, diasumsikan mengikuti distribusi gaussian karena estimasi parameter model pengenalannya menggunakan estimator Maximum Likelihood (ML). Hasil eksperimen dengan menggunakan data training yang terdiri dari 5 jenis karakter tulisan tangan, menunjukkan untuk dimensi fitur karakter tulisan tangan 10x30 (30 fitur), akurasi sistem Korelasi Pearson dalam membangun model TAN untuk mengenali karakter tulisan tanganÂ sebesar 88 %. Â

MODEL PENGENALAN TERBAIK DENGAN TREE-AUGMENTED NETWORK (TAN) DAN ESTIMATOR MAXIMUM LIKELIHOOD (ML) BERDASARKAN FITUR OBJEK Santoso, Irwan Budi
MATICS MATICS (Vol. 4, No 5
Publisher : Department of Informatics Engineering

Pengenalan suatu objek sangat tergantung dari seberapa handal model yang digunakanÂ serta parameter model tersebut. Tree-Augmented Network (TAN) adalah salah satu model yang handal dalam melakukan klasifikasi, yang dibangun dengan memperhatikan hubungan diantara pasangan fitur-fitur objek. Sedangkan Maximum Likellihood (ML) adalah salah satu estimator yang telah banyak digunakan dan telah teruji penggunaannya. Kehandalan model serta estimator yang digunakan pada kenyataan belum cukup untuk menghasilkan model pengenalan terbaik, akan tetapi ada faktor lain yang memberi kontribusi besar yaitu dimensi atau fitur objek yang digunakan dalam membangun model tersebut. Hasil eksperimen untuk data training yang terdiri dari 5 jenis objek ringan menunjukkan untuk dimensi objek 5x5 (25 fitur), 6x6 (36 fitur) dan 7x6 (42 fitur) menghasilkan model TAN terbaik karena memberikan tingkat akurasi sistem 100%, sedangkan untuk dimensi dibawah atau diatas tersebut menghasilkan tingkat akurasi sistem yang lebih rendah. Kondisi tersebut menunjukkan bahwa tidak selamanya semakin besar dimensi atau fitur objek yang digunakan dalam training akan menghasilkan model yang semakin baik, karena bisa jadi semakin besar dimensi atau fitur objek akan menghasilkan informasi overflow. Kata Kunci: Tree-Augmented Network, Maximum Likelihood, Dimensi (fitur) objek

MEMBANGUN GAUSSIAN CLASSIFIER DALAM MENGENALI OBJEK DALAM BENTUK IMAGE Santoso, Irwan Budi
MATICS Vol 1, No 1 (2014): Matics
Publisher : Department of Informatics Engineering

Distribusi Multivariate Normal (Gaussian) adalah salah satu distribusi yang sering digunakan, mengingat hampir semua kejadian bisa didekati dengan distribusi tersebut. Dalam mengenali suatu objek dalam bentuk image, fitur objek tersebut kerapkali mengikuti distribusi Multivariate Gaussian dengan parameter mean dan covariance yang berbebeda-beda. Parameter dan yang berbeda-beda tersebut akan menghasilkan nilai probability density function (pdf) yang berbeda pula. Berdasarakan nilai probability density function ini selanjutnya dapat dibentuk fungsi diskriminan untuk mengenali objek (Gaussian Classifier). Kehandalan Gaussian Classifer dalam mengenali objek dalam bentuk image dipengaruhi oleh 2 faktor utama yaitu ketepatan dan keakuratan dalam pengambilan data objek training yang akan berpengaruh terhadap ketepatan dan keakuratan fitur yang diambil dan asumsi distribusi Multivariate Normal dari fitur objek yang diambil harus terpenuhi. Untuk memenuhi asumsi multivariate distribusi Multivariate Normal maka harus dilakukan pengujian terhadap normalitas distribusi fitur setiap kelas objek. Kata Kunci :Â Distribusi Gaussian, Parameter Distribusi, Probability Density Function, Fungsi Diskriminan

Deteksi Obyek Nyata (Pada Lingkup : Visualisasi dan Deteksi Obyek Nyata pada Lingkungan Hidup) Santoso, Irwan Budi
MATICS Vol 6, No 2 (2014): MATICS
Publisher : Department of Informatics Engineering

Persoalan lingkungan hidup seperti kebakaran hutan, bencana banjir dan tanah longsor semakin marak yang tidak lain akibat dari aktifitas manusia yang liar dan tidak terkendali. Salah satu upaya yang bisa dilakukan untuk membantu menyelesaikan persoalan tersebut adalah adanya fasilitas yang dapat memantau kondisi lingkungan hidup secara riil, melalaui komputer dengan memanfaatkan foto satelit seperti yang disediakan oleh Google Earth. Informasi yang disediakan oleh industri internet tesebut hanya menampilkan foto satelit tanpa mengetahui jenis obyek yang ada dipermukaan bumi. Sehingga dengan keterbatasan tersebut diperlukan pengembangan teknologi lebih lanjut yang dapat melakukan deteksi obyek nyata pada foto satelit. Deteksi obyek nyata yang ada dipermukaan bumi berdasarkan foto satelit sangatlah mungkin dilakukan, hal ini karena setiap obyek yang ada dipermukaan bumi memiliki fitur yang khas. Dalam penelitian ini, metode yang digunakan untuk membantu mendeteksi obyek-obyek nyata dipermukaan bumi berdasarkan image atau citra satelit adalah Tree-Augmented NaÃ¯ve Bayes Network Classifier (TAN). Dasar penggunakan metode tersebut untuk mendeteksi obyek adalah karena metode tersebut senantiasa memperhatikan hubungan diantara fitur dalam objek, sehingga lebih realistik diterapkan. Adapun langkah-langkah dalam mendeteksi obyek dalam bentuk image satelit dengan menggunakan metode tersebut, secara garis besar dibagi dua tahap yaitu tahap training dan testing. Tahap training meliputi mengambil sampel obyek-obyek nyata pada image satelit (citra landsat) dengan cara cropping obyek-obyek pada image tersebut, merubah image sampel dalam bentuk grayscale, melakukan training untuk membentuk struktur model TAN berserta estimasi parameter modelnya. Sadangkan tahap testing meliputi select obyek yang akan dideteksi, merubah dalam bentuk grayscale, melakukan deteksi obyek berdasarkan struktur model TAN dan parameter hasil training. Dari langkah-langkah tersebut, hasil ujicoba menunjukan bahwa akurasi sistem metode TAN dalam mendeteksi obyek nyata pada image landsat adalah 96,6667%. Kata Kunci : Image Landsat, cropping, Tree-Augmented NaÃ¯ve Bayes Network Classifier,Training, Akurasi sistem

Sistem Identifikasi Kandungan Boraks pada Bakso Daging Sapi Berbasis Android Menggunakan Algoritma Naive Bayes Classifier Purwanto, Sofi Dwi; Santoso, Irwan Budi
MATICS Vol 9, No 1 (2017): MATICS
Publisher : Department of Informatics Engineering

Poin pertama yang menjadi fokus dalam pemenuhan keamanan adalah keamanan dalam bidang pangan (food security). Di Indonesia, masih terdapat beberapa fenomena seperti penggunaan boraks sebagai zat aktif kimia pada bakso. Hal ini masih menjadi tren yang menjadi hambatan dalam pemenuhan hak manusia dalam mewujudkan keamanan pangan. Penelitian ini mengimplementasikan metode naÃ¯ve bayes classifiersebagai pendeteksi (detektor) dengan melakukan grayscale dan melakukan estimasi parameter distribusi fitur objek untuk data citra proses training. Sedangkan proses testing juga akan melalui tahap grayscale, selanjutnya proses identifikasi dengan menggunakan fungsi diskriminan dan hasil estimasi parameter distribusi. Jumlah data yang digunakan dalam penelitian sebesar 840 citra meliputi 780 bakso yang dibuat secara mandiri dan 60 data diperoleh dari hasil survey dilapangan. Hasil uji coba menunjukkan hasil terbaik diperoleh dengan tingkat akurasi sebesar 82.7778%Â untuk dimensi citra 3x4 dengan jumlah data yang diidentifikasi secara benar adalah sebanyak 149 dari 180 data yang digunakan.

DETEKSI BORAKS PADA BAKSO BERBASIS IMAGE DENGAN MENGGUNAKAN GAUSSIAN CLASSIFIER Santoso, Irwan Budi
MATICS Vol 7, No 1 (2015): Matics
Publisher : Department of Informatics Engineering

Abstrak- Bakso adalah salah satu makanan yang bergizi tinggi dan banyak dikonsumsi oleh masyarakat. Adanya kompetisi pasar, dan harga daging yang relatif mahal menimbulkan persaingan tidak sehat yang merugikan konsumen, yaitu pemberian bahan tambahan pegawet boraks yang dapat mengganggu kesehatan. Secara kasat mata sulit membedakan bakso boraks dan non-boraks dan untuk mendeteksinya bisa dilakukan secara laboratorium dan dilakukan oleh ahlinya. Berdasarkan hal tersebut, dilakukan penelitian bagaimana membangun aplikasi deteksi boraks pada bakso berdasarkan image-nya yang diambil dengan kamera digital. Salah satu metode untuk mendeteksi objek berdasarkan image-nya adalah Gaussian Classifier yang mensyaratkan fitur objek berdistribusi Multivariate Normal (Gaussian) dan dengan menggunakan peluang bersayarat dapat dihasilkan fungsi diskriminan. Langkah-langkah dalam mendeteksi boraks berdasarkan image-nya dibagi dua tahap yaitu tahap training dan testing. Tahap training meliputi penentuan sampel image objek bakso, merubah image RGB ke grayscale,Â dan melakukan estimasi parameter distribusi fitur objek. Sedangkan tahap testing meliputi select image objek bakso yang diuji, merubah image ke grayscale, deteksi boraks boraks dengan fungsi diskriminan dan hasil estimasi parameter distribusi. Hasil trainingÂ menunjukan ada 4 fungsi diskriminan untuk mendeksi boraks pada bakso. Sedangkan hasil testing dari 70 sampel bakso eksperimen (20 non-boraks, 50 boraks), sistem dapat mendeteksi dengan akurasi 71,4286 %. Â Kata Kunci: Bakso, Boraks, Fitur, Image, Distribusi Multivariate Normal, Gaussian Classifier

Eggs Fertilities Detection System on the Image of Kampung Chicken Egg Using Naive Bayes Classifier Algorithm Diantoro, Aris; Santoso, Irwan Budi
MATICS Vol 9, No 2 (2017): MATICS
Publisher : Department of Informatics Engineering

Losses in chicken eggs hatchery make breeders income declined. The main cause of these things because it is less effective and efficient in distinguishing the state of fertilities in the eggs. The detection of fertile and infertile eggs will automatically provide ease of selection and removal of the eggs are fertile and infertile eggs. This will bring more profits for breeder as well as time efficiency more and selling power. Infertile eggs will give breeders the sale price if it is known as early as possible in order not to fail hatching. A method fuzzy c means and naive bayes classifier is designed to identify the state of the fertility of eggs. By putting eggs near the source light and black background in a dark room, then taked of image with a high qualities camera. From the resulting camera image, then extracted features or take characteristics that distinguish between fertile and infertile eggs. The total amount of data used in this study of 450 eggs image sourced from the field survey. Training data is usedÂ Â 250 data, 125 fertile eggs image data and 125 infertile eggs image data. As for testing the data using the 200 data, the image data 150 fertile eggs and 50 infertile eggs image data. Based on trial results of training data is obtained the best accuracy is equal to 80% at intervals of 5, 86.4% at intervals of 5 and dimensions 70x60, and 99.6% on 1x2 resize. The accuracy of the results obtained by 78%, 82% and 94% in trials testing data.

Hybrid Model Transfer Learning ResNet50 and Support Vector Machine for Face Mask Detection Eko Agus Moh. Iqbal; Ririen Kusumawati; Irwan Budi Santoso
International Journal of Advances in Data and Information Systems Vol. 4 No. 2 (2023): October 2023 - International Journal of Advances in Data and Information System
Publisher : Indonesian Scientific Journal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25008/ijadis.v4i2.1297

The Covid-19 virus caused a health crisis in Indonesia. This virus is so deadly that it has caused many fatalities which have caused the whole world including the government to pay major attention to the Covid-19 pandemic. The Indonesian government has issued several policies to prevent the spread of this epidemic, one of which is wearing a mask in public places. One approach that is widely used in the field of computer vision is the Convolutional Neural Network (CNN) transfer learning. In this study, Hybrid Model Transfer Learning ResNet50 and SVM with RGB to HSV preprocessing is presented to detect masks in facial images. This model consists of three process components. The first is preprocessing RGB images to HSV, the second component is for Feature Extraction with ResNet50 and the third is mask classification on face images with Support Vector Machine (SVM). From dataset of 7328 training and testing data were carried out. The first model, without preprocessing the image data with ResNet50, produces an accuracy of 86.52%. The second model, the model with preprocessing converts image data from RGB to HSV with ResNet50 resulting in an accuracy of 99.18%. In the third model, without preprocessing with ResNet50 and SVM which has an accuracy of 90.55%. The fourth model, the model with preprocessing converts image data from RGB to HSV with ResNet50 and SVM resulting in an accuracy of 98.36%.

Clustering Gempabumi di Wilayah Regional VII Menggunakan Pendekatan DBSCAN Ihsan Bagus Fahad Arafat; Mokhamad Amin Hariyadi; Irwan Budi Santoso; Cahyo Crysdian
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 4: Agustus 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.20241046918

Wilayah Regional VII meliputi Jawa Tengah, Yogyakarta, dan Jawa Timur merupakan wilayah tektonik yang aktif karena terletak di wilayah zona subduksi lempeng Indo-Australia dan Eurasia serta terdapat beberapa patahan aktif di daratan. Oleh karena itu, perlu dilakukan klasifikasi gempabumi untuk memetakan zona rawan gempabumi berdasarkan sumbernya di wilayah Regional VII berdasarkan kesamaan atribut salah satunya adalah berdasarkan karakteristik gempabumi dari sumber yang sama. Pada penelitian ini digunakan pendekatan algoritma Unsupervised Learning Clustering berbasis kepadatan yaitu, Density Based Spatial Clustering of Application with Noise atau DBSCAN, algoritma ini membutuhkan parameter input epsilon (ε) dan MinPts. Data yang digunakan pada penelitian ini adalah data gempabumi wilayah Regional VII tahun 2017 hingga 2021 yang diperoleh dari BMKG. Selanjutnya, proses clustering dilakukan dengan membagi data gempabumi berdasarkan periode yaitu periode tahunan dan periode lima tahun dengan tujuan untuk mengetahui pola cluster berdasarkan periode waktu. Hasil yang terbentuk selanjutnya dievaluasi menggunakan Silhouette Coefficient serta dibandingkan dengan peta Seismisitas Jawa yang telah ada dari katalog PuSGeN 2017. Hasil clustering menggunakan DBSCAN diperoleh jumlah cluster sebanyak 2 hingga 6 cluster dengan nilai Silhouette Coefficient terendah sebesar 0.270 untuk periode T5_2017-2021 dan tertinggi sebesar 0.499 untuk periode T1_2020. AbstractRegional VII area covering Central Java, Yogyakarta and East Java is an active tectonic region because it is located in the subduction zone of the Indo-Australian and Eurasian plates and there are several active faults on land. Therefore, it is necessary to classify earthquakes to map earthquake-prone zones based on their sources in Regional VII area based on the similarity of attibutes, based on the characteristics of earthquakes from the same source. In this study, a density-based Unsupervised Learning Clustering algorithm approach was used namely, Density Based Spatial Clustering of Application with Noise or DBSCAN, this algorithm requires the input parameters epsilon (ε) and MinPts. The data used in this study are earthquake data for Regional VII from 2017 to 2021 obtained from the BMKG. Then, the clustering process is carried out by dividing earthquake data based on the period, namely the annual period and the five-year period with the aim of knowing the pattern of cluster based on the time period. The results are then evaluated using the Sillhouette Coefficient and compared with the existing Java Seismicity map from the 2017 PuSGeN catalog. Clustering results using DBSCAN obtained a number of clusters of 2 to 6 clusters with the lowest Silhouette Coefficient value is 0.270 for the T5_2017-2021 period and the highest is 0.499 for the T1_2020 period.

Co-Authors Ahmad Fahmi Karami Ainul Yaqin Ambiya, Sri winduri Anwar, Aldian Faizzul Asep Sunarko Cahyani, Vivin Octavia Cahyo Crysdian Cahyo Crysdian Cahyo Crysdian Cahyo Crysdian Diantoro, Aris Dwi Purbo Yuwono Eko Agus Moh. Iqbal Galib, Galan Ramadan Harya Hamim Tohari Heni Prasetyo Ihda Noor Mujib Ihsan Bagus Fahad Arafat Mar Atul Ma’rifah Moh. Heri Susanto Mokhamad Amin Hariyadi Muhammad Ainul Yaqin Muhammad Faisal Nurussakinah, Nurussakinah Purwanto, Sofi Dwi Ririen Kusumawati Romadhani, Ahmad Shoffin Nahwa Utama Shoffin Nahwa Utama Sri Harini Suhartono Supriyono Supriyono Supriyono Zuhri, Abdurrozaq Ashshiddiqi

Title

Found 22 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 22 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 22 Documents
Search