Articles
<![CDATA[SINTESA EKSPRESI WAJAH DENGAN MENGGUNAKAN RADIAL BASIS FUNCTION NETWORK ]]>
<![CDATA[Anggraeni, Wiwik]]>;
<![CDATA[Tjandrasa, Handayani]]>
<![CDATA[ JUTI: Jurnal Ilmiah Teknologi Informasi Vol 2, No 2 Juli 2003 ]]>
Publisher : <![CDATA[Department of Informatics, Institut Teknologi Sepuluh Nopember ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (1028.379 KB)
|
DOI: 10.12962/j24068535.v2i2.a290
<![CDATA[Pada penelitian yang sebelumnya [4] telah dilakukan penelitian tentang letak-letak (koordinat) facial characteristic points (FCP) yang digunakan sebagai dasar untuk mengenali ekspresi-ekspresi wajah manusia. Diantaranya ada enam ekspresi wajah, yaitu gembira, sedih, marah, takut, terkejut, dan jijik yang digunakan dalam penelitian tersebut. Dengan adanya dasar tersebut, maka dalam penelitian ini penulis berusaha mensintesa ekspresi wajah yang dikategorikan menjadikan enam ekspresi dengan menggunakan facial characteristic points tersebut. Prinsip dasar dari mensintesa ekspresi wajah adalah mencari pemindahan spasial relatif facial characteristic points pada setiap ekspresi. Permasalahan utamanya adalah bagaimana menghasilkan wajah dengan ekspresi tertentu dari sebuah citra input wajah tanpa ekspresi. Dengan menggunakan 30 pasang perpindahan titik FCP, dilakukan training terhadap Radial Basis Function Network (RBFN) 6 x n x 60 (6 input yang merupakan kadar dari keenam ekspresi, n hidden unit, dan 60 output yang merupakan 30 pasang perpindahan FCP, dimana n adalah variabel). RBFN yang telah ditraining dapat menghasilkan perpindahan FCP sesudai dengan ekspresi yang diinputkan. Informasi pemindahan FCP ini kemudian dimasukkan ke dalam algoritma Image Warping bersama-sama dengan citra input wajah tanpa ekspresi untuk menghasilkan citra wajah berekspresi tertentu. Kata kunci : Facial Characteristic Points, Radial Basis Function Network, Sintesa Ekspresi Wajah]]>
<![CDATA[MULTITARGET TRACKING MENGGUNAKAN MULTIPLE HYPOTHESIS TRACKING DENGAN CLUSTERING TIME WINDOW DATA RADAR ]]>
<![CDATA[Cahyono, Gigih P.]]>;
<![CDATA[Tjandrasa, Handayani]]>
<![CDATA[ JUTI: Jurnal Ilmiah Teknologi Informasi Vol 13, No 1, Januari 2015 ]]>
Publisher : <![CDATA[Department of Informatics, Institut Teknologi Sepuluh Nopember ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.12962/j24068535.v13i1.a385
<![CDATA[Sistem radar dibagi menjadi dua jenis yaitu sistem radar sipil dan sistem radar militer. Kedua jenis sistem radar tersebut memiliki kesamaan yaitu telah digunakan untuk pemantauan lalu lintas udara. Pesawat yang dipantau di udara saat ini mengalami jumlah peningkatan yang besar sehingga untuk memudahkan pemantauannya diperlukan suatu sistem yang dinamakan multitarget aircraft tracking. Penelitian ini bertujuan untuk mendapatkan algoritma multitarget tracking (MTT) yang valid, yaitu dengan menggunakan kombinasi preprocessing data radar dengan clustering time window (CTW) dan algoritma Multiple Hypothesis Tracking (MHT).Penelitian ini diawali dengan penyiapan data rekaman radar yang direkam langsung. Kemudian data rekaman tersebut disimulasikan dengan algoritma yang telah dirancang. Pengecekan kemampuan algoritma tersebut dilakukan dengan membandingkannya dengan MHT tanpa clustering time window. Uji coba dilakukan dengan memakai data rekaman berdurasi kurang lebih 18 menit. Uji coba tersebut menghasilkan nilai correct target sebesar 87.66%, undetected target sebesar 12.81%, maintain target sebesar 80.5% dan inexisting target sebesar 23.65%. Dari hasil uji coba menunjukkan bahwa metode yang diusulkan lebih bagus jika dibandingkan dengan metode MHT tanpa CTW.]]>
<![CDATA[REVIEW ALGORITMA SEGMENTASI PEMBULUH DARAH PADA CITRA FUNDUS RETINA MATA UNTUK MEMBANTU DIAGNOSIS DIABETIC RETINOPATHY ]]>
<![CDATA[Putra, Ricky Eka]]>;
<![CDATA[Tjandrasa, Handayani]]>;
<![CDATA[Suciati, Nanik]]>
<![CDATA[ JUTI: Jurnal Ilmiah Teknologi Informasi Vol 10, No 2, Juli 2012 ]]>
Publisher : <![CDATA[Department of Informatics, Institut Teknologi Sepuluh Nopember ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (1870.662 KB)
|
DOI: 10.12962/j24068535.v10i2.a308
<![CDATA[Diabetic retinopathy merupakan salah satu penyakit retina mata yang diakibatkan oleh komplikasi dari penyakit diabetes mellitus. Salah satu faktor yang penting dalam pendeteksian diabetic retinopathy adalah pembuluh darah pada retina mata. Pendeteksian pembuluh darah pada retina mata merupakan langkah awal dalam proses diagnosis penyakit diabetic retinopathy. Oleh karena itu suatu algoritma untuk segmentasi pembuluh darah yang tepat dan baik sangatlah diperlukan. Makalah ini membahas dan menganalisa berbagai algoritma dan teknik segmentasi pembuluh darah pada citra fundus retina mata. Makalah ini diharapkan dapat digunakan sebagai bahan referensi dalam memilih metode yang akan digunakan peneliti dalam melakukan segmentasi pembuluh darah yang sangat berguna dalam proses diagnosis penyakit diabetic retinopathy.]]>
<![CDATA[KLASIFIKASI AKTIVITAS MENTAL BERDASARKAN DATA EEG MENGGUNAKAN METODE HIBRIDNEURAL NETWORK DAN FUZZY PARTICLE SWARM OPTIMIZATION DENGAN CROSSMUTATED OPERATION ]]>
<![CDATA[Sakur, Stendy B.]]>;
<![CDATA[Tjandrasa, Handayani]]>
<![CDATA[ JUTI: Jurnal Ilmiah Teknologi Informasi Vol 14, No 1, Januari 2016 ]]>
Publisher : <![CDATA[Department of Informatics, Institut Teknologi Sepuluh Nopember ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.12962/j24068535.v14i1.a510
<![CDATA[Brain-computer Interface (BCI) merupakan sistem yang mentransformasikan aktivitas listrik otak terhadap kegiatan mental ke dalam pengontrolan sinyal. Electroencephalogram (EEG) merupakan salah satu sinyal yang diperoleh dari aktivitas listrik untuk melakukan klasifikasi terhadap akifitas mental. Neural Network banyak digunakan untuk proses klasifikasi, namun proses pelatihan dengan algoritma back-propagation (BP) yang menggunakan metode gradient steepest descent solusinya banyak terjebak kedalam minimum lokal. Tujuan penelitian untuk melakukan optimalisasi dalam proses penentuan pembobotan dari metode neural network dalam mengklasifikasikan aktivitas mental sinyal EEG. Particle Swarm Optimization digunakan untuk mengoptimalisasi bobot dari NN dengan Evolutionary Direction Operator dan Migration serta menggunakan Fuzzy Inference System untuk menentukan bobot inersia adaptif serta Cross-Mutated Operation merupakan strategi baru yang diusulkan.Metode ini menyediakan peningkatan akurasi untuk tiga pekerjaan aktivitas mental dimana rata-rata akurasi untuk subjek pertama adalah 54,20%, subjek dua 58,40% dan 54,48% untuk subjek tiga. Akurasi terbaik dari seluruh percobaan pada subjek pertama adalah 69,18%, subjek dua 67,20% dan 57,67% untuk subjek tiga. Dengan demikian metode yang diusulkan masih lebih baik dari metode sebelumnya.]]>
<![CDATA[PERBAIKAN ORIENTASI CITRA BERDASARKAN KEBERADAAN MANUSIA MENGGUNAKAN FITUR GRADIEN DAN HAAR-LIKE ]]>
<![CDATA[Abror, Ahmad Hifdhul]]>;
<![CDATA[Tjandrasa, Handayani]]>
<![CDATA[ JUTI: Jurnal Ilmiah Teknologi Informasi Vol 13, No 2, Juli 2015 ]]>
Publisher : <![CDATA[Department of Informatics, Institut Teknologi Sepuluh Nopember ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.12962/j24068535.v13i2.a479
<![CDATA[Perkembangan dan penggunaan teknologi kamera digital saat ini sudah sangat meningkat, ditandai dengan banyaknya jenis kamera serta disematkannya kamera pada berbagai perangkat seperti laptop, ponsel, tab, jam tangan, dan gadget lainnya, sehingga kegiatan fotografi menjadi semakin mudah. Namun sebagian besar perangkat-perangkat tersebut tidak memiliki sensor untuk menyimpan informasi mengenai orientasi foto yang diambil apakah itu portrait atau landscape. Karena itu, kebanyakan foto-foto yang mengalami rotasi tidak sebagaimana mestinya baru disadari ketika disajikan di depan layar komputer atau televisi atau yang lainnya. Pada penelitian ini diajukan sebuah metode perbaikan orientasi citra dengan fitur haar-like dan gradien magnitude citra untuk mendeteksi objek manusia yang ada didalamnya. Objek manusia yang ditemukan dijadikan acuan untuk perbaikan orientasi. Sedangkan klasifikasi yang digunakan adalah klas-ifikasi cascade adaboost. Dengan sedikit modifikasi penerapan klasifikasi cascade adaboost diperoleh akurasi hingga 79% dimana akurasi tersebut lebih baik dari pada tanpa menggunakan modifikasi. Penerapan modifikasi juga mening-katkan kecepatan pemrosesan hingga dua kali lipat.]]>
<![CDATA[PENGENALAN SANDI MORSE DARI SINYAL ELECTROENCEPHALOGRAM YANG DIREKAM PERANGKAT NEUROSKY MINDWAVE MENGGUNAKAN DYNAMIC TIME WARPING ]]>
<![CDATA[Brilian, Ahmad Hayam]]>;
<![CDATA[Tjandrasa, Handayani]]>;
<![CDATA[Fatichah, Chastine]]>
<![CDATA[ JUTI: Jurnal Ilmiah Teknologi Informasi Vol 14, No 1, Januari 2016 ]]>
Publisher : <![CDATA[Department of Informatics, Institut Teknologi Sepuluh Nopember ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.12962/j24068535.v14i1.a511
<![CDATA[Komunikasi terjadi antara mahluk hidup yang satu dengan yang lain. Komunikasi yang sering digunakan oleh manusia adalah komunikasi verbal. Namun, beberapa orang yang menderita kecacatan parah tidak mampu berkomunikasi dengan baik. Penderita cacat parah tidak mampu menuliskan kata yang dikehendaki, apalagi untuk berkomunikasi secara lisan karena mengalami gangguan syaraf. Namun beberapa penderita cacat parah masih bisa mengedipkan matanya dengan normal. Sehingga perlu dibangun sebuah metode yang mampu menerjemahkan kedipan mata menjadi kata verbal. Salah satu bentuk pengkodean yang sering dipakai adalah sandi morse. Pemilihan ini disebabkan karena pola-pola yang terdapat pada sandi morse dapat ditirukan dengan menggunakan kedipan mata. Pada pengerjaan penelitian ini, sinyal electrooculogram (EOG) diekstrak dari sinyal electroenchepalogram (EEG) yang didapatkan dari perangkat Neurosky Mindwave. Tahap pertama dalam pengerjaan penelitian ini adalah desain sistem penerima data dari perangkat. Data yang diperoleh akan diekstraksi dengan menggunakan filter bandpass. Filter bandpass cenderung memberikan tren dari sinyal EEG karena cukup baik dalam membersihkan noise. Tren sinyal yang didapatkan diasumsikan sebagai sinyal EOG. Sinyal EOG hasil filterisasi akan diperkecil ukuran panjangnya untuk mempercepat proses klasifikasi dengan menggunakan k-nearest neighbor dan dynamic time warping. Dengan menggunakan data yang diambil dari 3 subjek uji, didapatkan nilai rata-rata akurasi sebesar 96,3%.]]>
<![CDATA[IMPROVED STROKE DETECTION AT EARLY STAGES USING HAAR WAVELETS AND LAPLACIAN PYRAMID ]]>
<![CDATA[Ndung'u, Michael]]>;
<![CDATA[Tjandrasa, Handayani]]>
<![CDATA[ JUTI: Jurnal Ilmiah Teknologi Informasi Vol 12, No 2, Juli 2014 ]]>
Publisher : <![CDATA[Department of Informatics, Institut Teknologi Sepuluh Nopember ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (543.872 KB)
|
DOI: 10.12962/j24068535.v12i2.a321
<![CDATA[Stroke merupakan pembunuh nomor tiga di dunia, namun hanya sedikit metode tentang deteksi dini. Oleh karena itu dibutuhkan metode untuk mendeteksi hal tersebut. Penelitian ini mengusulkan sebuah metode gabungan untuk mendeteksi dua jenis stroke secara simultan. Haar wavelets untuk mendeteksi stroke hemoragik dan Laplacian pyramid untuk mendeteksi stroke iskemik. Tahapan dalam penelitian ini terdiri dari pra proses tahap 1 dan 2, Haar wavelets, Laplacian pyramid, dan perbaikan kualitas citra. Pra proses adalah menghilangkan bagian tulang tengkorak, reduksi derau, perbaikan kontras, dan menghilangkan bagian selain citra otak. Kemudian dilakukan perbaikan citra. Selanjutnya Haar wavelet digunakan untuk ekstraksi daerah hemoragik sedangkan Laplacian pyramid untuk ekstraksi daerah iskemik. Tahapan terakhir adalah menghitung fitur Grey Level Cooccurrence Matrix (GLCM) sebagai fitur untuk proses klasifikasi. Hasil visualisasi diproses lanjut untuk ekstrasi fitur menggunakan GLCM dengan 12 fitur dan kemudian GLCM dengan 4 fitur. Untuk proses klasifikasi digunakan SVM dan KNN, sedangkan pengukuran performa menggunakan akurasi. Jumlah data hemoragik dan iskemik adalah 45 citra yang dibagi menjadi 2 bagian, 28 citra untuk pengujian dan 17 citra untuk pelatihan. Hasil akhir menunjukkan akurasi tertinggi yang dicapai menggunakan SVM adalah 82% dan KNN adalah 88%.]]>
<![CDATA[DENSE VISUAL WORD SPATIAL ARRANGEMENT DAN PENERAPANNYA PADA PENGENALAN GAMBAR SECARA OTOMATIS ]]>
<![CDATA[Fajarianto, Gama Wisnu]]>;
<![CDATA[Tjandrasa, Handayani]]>
<![CDATA[ JUTI: Jurnal Ilmiah Teknologi Informasi Vol 13, No 2, Juli 2015 ]]>
Publisher : <![CDATA[Department of Informatics, Institut Teknologi Sepuluh Nopember ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.12962/j24068535.v13i2.a480
<![CDATA[Bag of visual word (BoVW) merupakan metode yang menjelaskan isi dari gambar. Metode ini hanya menghitung banyaknya word dan tidak memberikan informasi spatial. Terdapat metode Visual word spatial arrangement (WSA) dimana metode ini memberikan informasi spatial tentang word tertentu pada gambar dengan menggunakan interest point sebagai detektor. WSA kurang dapat memberikan informasi yang penting pada gambar dikarenakan interest point yang dihasilkan oleh detektor dapat memberikan titik-titik yang berpotensi tidak merupakan representasi yang penting dari gambar tersebut. Pada paper ini diusulkan metode dense visual word spatial arrangement (DVSA) yang merupakan modifikasi metode dari WSA. Metode ini tidak menggunakan detektor interest point untuk menghitung deskriptor lokal melainkan dengan menghitung deskriptor lokal pada bagian komponen piksel-piksel yang saling berdekatan. Hasil pengujian pada 4485 gambar dengan 15 jenis kelas menggunakan 10-fold cross validation untuk 2 word metode yang diusulkan memberikan peningkatan performa sebesar 12.68 % dari akurasi BoVW sedangkan akurasi WSA lebih baik 15.62 % dari BoVW. Untuk 4 word metode yang diusulkan memberikan peningkatan performa akurasi sebesar 30.99 % dari akurasi BoVW dan peningkatan performa 18.16 % dari WSA. Sedangkan untuk 6 word metode yang diusulkan memberikan peningkatan performa sebesar 29.98 % dari akurasi BoVW dan peningkatan performa 18.75 % dari WSA. Peningkatan performa akurasi sebesar 36.2 % didapatkan oleh metode yang diusulkan dengan 6 word terhadap BoVW dengan 2 word. Peningkatan performa sampai 18.75 % yang dihasilkan DVSA dibandingkan WSA dan peningkatan performa sampai 30.99 % dibandingkan BoVW dengan jumlah word yang sama menunjukkan metode yang diusulkan kompetitif untuk mengenali jenis gambar.]]>
<![CDATA[Kombinasi Sinyal EEG dan Giroskop untuk Kendali Mobil Virtual dengan Menggunakan Modifikasi ICA dan SVM ]]>
<![CDATA[Musthafa, Ahmad Reza]]>;
<![CDATA[Tjandrasa, Handayani]]>
<![CDATA[ Jurnal Buana Informatika Vol 7, No 3 (2016): Jurnal Buana Informatika Volume 7 Nomor 3 Juli 2016 ]]>
Publisher : <![CDATA[Universitas Atma Jaya Yogyakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (648.806 KB)
|
DOI: 10.24002/jbi.v7i3.655
<![CDATA[Abstract. Electroencephalogram (EEG) signals has been widely researched and developed in many fields of science. EEG signals could be classified into useful information for the application of Brain Computer Interface topic (BCI). In this research, we focus in a topic about driving a car using EEG signal. There are many approaches in EEG signal classification, but some approaches do not robust EEG signals that have many artifacts and have been recorded in real time. This research aims to classify EEG signals to obtain more optimal results, especially EEG signals with many artifacts and can be recorded in realtime. This research uses Emotiv EPOC device to record EEG signals in realtime. In this research, we propose the combination of Automatic Artifact Removal (AAR) and Support Vector Machine (SVM) which has 71% of accuracy that can be applied to drive a virtual car.Keyword: EEG signal classification, automatic artifact removal, brain computer interfaceAbstrak. Penelitian berbasis sinyal Electroencephalogram (EEG) telah banyak diteliti dan dikembangkan pada berbagai bidang ilmu pengetahuan. Sinyal EEG dapat diklasifikasikan ke dalam bentuk informasi untuk pengaplikasian topik Brain Computer Interface (BCI). Pada penelitian ini difokuskan pada topik pengendalian mobil menggunakan perintah sinyal EEG. Terdapat beberapa pendekatan dalam klasifikasi sinyal EEG, tetapi beberapa pendekatan tersebut tidak robust terhadap sinyal EEG yang memiliki banyak artefak dan direkam secara realtime. Penelitian ini bertujuan untuk mengklasifikasikan sinyal EEG dengan hasil lebih optimal, khususnya pada sinyal EEG yang memiliki banyak artefak dan direkam secara realtime. Penelitian ini menggunakan perangkat Emotiv EPOC untuk merekam sinyal EEG secara realtime. Pada penelitian ini diusulkan kombinasi Automatic Artifact Removal (AAR) dan Support Vector Machine (SVM) yang menghasilkan hasil akurasi sebesar 71% untuk klasifikasi sinyal EEG pada kasus pengendalian mobil virtual.Kata Kunci: EEG signal classification, automatic artifact removal, brain computer interface]]>
<![CDATA[SEGMENTASI MICROANEURYSM PADA CITRA FUNDUS RETINA UNTUK DETEKSI DINI DIABETIC RETINOPATHY ]]>
<![CDATA[Whardana, Adithya Kusuma]]>;
<![CDATA[Tjandrasa, Handayani]]>
<![CDATA[ SCAN - Jurnal Teknologi Informasi dan Komunikasi Vol 9, No 3 (2014) ]]>
Publisher : <![CDATA[Universitas Pembangunan Nasional "Veteran" Jawa Timur ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.33005/scan.v9i3.866
<![CDATA[Abstrak. Diabetik Retinopathy(DR) merupakan kelainan retina akibat dari komplikasi diabetesyang menyebabkan kebutaan. kondisi ini yang dikenal sebagai diabetik retinopati. Salah satucara untuk mengetahui bahwa ada diabetik retinopati dapat dilihat dari adanya kemunculanmicroaneurysm pada retina yang bisa dilihat melalui alat kedokteran kamera fundus. Penelitian inimengajukan suatu langkah untuk segmentasi microaneurysm pada citra retina untuk deteksi secaradini diabetik retinopati. Tahaan dalam penelitian ini adalah me-resize ulang citra, transformasi rgbke red channel, rekonstruksi morfologi, kemudian memperbaiki citra tersebut dengan contrastenhancement. Microaneurysm (MA) dideteksi dengan menggunakan filter Laplacian of gaussian.Area MA diperjelas dengan menggunakan tophat filtering, kemudian tahap terakhir dalamsegmentasi menggunakan thresholding.Kata Kunci: Diabetik Retinopati,citra fundus,deteksi microaneurysm,metode morfologi,Laplacianof gaussian, thresholding.]]>
