Article Per Year (5 Year)
p-Index From 2021 - 2026
0.888
P-Index
This Author published in this journals
All Journal Indonesian Journal of Electronics and Instrumentation Systems Journal of Natural Sciences and Mathematics Research
Triyogatama Wahyu Widodo
Dapartment Of Computer Science And Electronics, Faculty Of Mathematics And Natural Science, Universitas Gadjah Mada, Yogyakarta
Agriculture, Biological Sciences & Forestry Biochemistry, Genetics & Molecular Biology Chemistry Electrical & Electronics Engineering Materials Science & Nanotechnology Physics

Published : 22 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 22 Documents
Search

 1   2   3 
Deteksi Partial Discharge dengan Metode CNN VGG16 Pardede, Martin Raja Martogi; Widodo, Triyogatama Wahyu
IJEIS (Indonesian Journal of Electronics and Instrumentation Systems) Vol 15, No 1 (2025): April
Publisher : IndoCEISS in colaboration with Universitas Gadjah Mada, Indonesia.

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22146/ijeis.75709

Abstract

Partial discharge adalah peristiwa loncatan listrik pada bahan isolasi listrik yang menimbulkan kerusakan pada peralatan listrik. Untuk itu diperlukan suatu metode untuk mendeteksi peristiwa partial discharge. Salah satu metode yang dapat digunakan untuk deteksi partial discharge adalah metode CNN VGG16. CNN akan melakukan pemodelan dari analisa dataset gambar partial discharge VSB lalu menggunakannya untuk mengklasifikasikan data baru sebagai partial discharge atau tidak. Pada penelitian ini akan dianalisa bagaimana pengaruh parameter pemodelan dan pembagian dataset terhadap peforma. Penyesuaian parameter dilakukan dengan memvariasikan nilai learning rate, steps per epoch, dan validation steps untuk melihat nilai terbaik sehingga nantinya nilai terbaik yang akan digunakan. Pembagian dataset dilakukan dengan tiga variasi yaitu pembagian train, validasi, dan test pada dataset pertama dibagi rata, yang kedua didominankan ke train, dan yang ketiga jumlah data noPD terlebih dahulu dikurangi agar seimbang dengan PD kemudian data didominankan juga pada train. Berdasarkan penelitian, terbukti bahwa variasi dataset ketiga yang memiliki peforma terbaik dan menunjukkan bahwa CNN arsitektur VGG16 terbukti mampu untuk mengenali pola dari data sinyal partial discharge dan membuat model yang mampu mengklasifikasi data partial discharge atau tidak dengan akurasi train 95,70%, akurasi validasi 93,12% dan akurasi prediksi data test 92,50% juga dengan nilai MCC sebesar 0,75
Comparative Analysis of YOLO and Faster R-CNN for Helmet Detection in Video Surveillance System Sujadi, Karen Prakasiwi; Widodo, Triyogatama Wahyu
IJEIS (Indonesian Journal of Electronics and Instrumentation Systems) Vol 16, No 1 (2026): April
Publisher : IndoCEISS in colaboration with Universitas Gadjah Mada, Indonesia.

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22146/ijeis.108678

Abstract

The increasing number of traffic violations involving motorcyclists not wearing helmets highlights the need for an automated helmet detection system. This research aims to compare the performance of two deep learning-based object detection models, YOLOv8 and Faster R-CNN, for identifying helmet use in video surveillance environments. The dataset was collected from Roboflow and annotated into five object classes. Both models were trained and tested using Google Colab with NVIDIA Tesla T4 GPU. Evaluation was conducted using Precision, Recall, F1-Score, mean Average Precision (mAP), Matthews Correlation Coefficient (MCC), and confidence metrics. YOLOv8 achieved higher mAP and inference speed, with 74.1% mAP@0.5 and 21.80 FPS. In contrast, Faster R-CNN demonstrated better classification consistency, achieving 73.3% precision and an MCC of 0.6537. Robustness tests showed that both models were sensitive to lighting and distortion variations. In real-time video inference, YOLOv8 delivered better performance with faster latency and more stable confidence scores. The findings suggest that YOLOv8 is more suitable for real-time deployment, while Faster R-CNN offers more reliable classification under controlled conditions.
Co-Authors Afriyani Soraya Sari Agfianto Eko Putra Agfianto Eko Putra Agus Harjoko Ahmad Fajrul Falah Andi Dharmawan Arifin Wahid Ibrahim Bakhtiar Aldino Ardi Sumbodo Bakhtiar Alldino Ardi Sumbodo Brisma Meihar Arsandi Chrisal Aji Lintang Dewinta Nila Hapsari Eviyan Fajar Anggara Faizah Faizah Farida Isroani Ferry Agusta Putra Gong Matua Hesti Khuzaimah Nurul Yusufiyah Ikhwannuary Raditya Priyadana Ilona Usuman Ilona Usuman Inca Inca Kristina Apriyanti Leonard Fidelcristo Supit Mitrayana - Pardede, Martin Raja Martogi Sean Satya Henura Sigit Diantoro Soca Baskara Sujadi, Karen Prakasiwi Tri Wahyu Supardi Tri Wahyu Supardi Vicky Primandani Yusufiyah, Hesti Khuzaimah Nurul