Article Per Year (5 Year)
p-Index From 2021 - 2026
1.116
P-Index
This Author published in this journals
All Journal TELKOMNIKA (Telecommunication Computing Electronics and Control) Sinergi Journal of ICT Research and Applications Jurnal Teknologi Elektro InComTech: Jurnal Telekomunikasi dan Komputer Techne : Jurnal Ilmiah Elektroteknika
Regina Lionnie
Universitas Mercu Buana Jakarta
Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering

Published : 16 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 16 Documents
Search

 1   2 
Sistem Pendeteksi Gambar Termanipulasi Menggunakan Metode SIFT Regina Lionnie; Mudrik Alaydrus
Techné : Jurnal Ilmiah Elektroteknika Vol. 16 No. 02 (2017)
Publisher : Fakultas Teknik Elektronika dan Komputer Universitas Kristen Satya Wacana

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (898.334 KB) | DOI: 10.31358/techne.v16i02.166

Abstract

Pada penelitian di publikasi ini, penulis membangun sistem pendeteksi gambar termanipulasi dengan metode pemalsuan penyerangan copy-move. Metode SIFT oleh David Lowe digunakan untuk menentukan SIFT fitur vektor yang berisi deskriptor titik kunci dengan membandingkan 4 nilai (dr) perbandingan jarak antara hasil terdekat pertama dan kedua. Gambar sebagai masukan dari sistem dimanipulasi penulis dengan mengubah ukuran dan arah dari gambar asli. Hasil dari percobaan memperlihatkan bahwa metode SIFT memberikan kecocokan salah terkecil ketika bagian gambar yang disalin tidak diubah ukuran dan arahnya. Sedangkan, ketika ukuran diubah menjadi besar dan arah diubah sebesar 180 derajat memperlihatkan hasil kecocokan salah yang lebih banyak.
Studi Efek Ekualisasi Histogram dan CLAHE dalam Mendeteksi Fitur Wajah Manusia Lionnie, Regina; Alaydrus, Mudrik
Jurnal Teknologi Elektro Vol 15, No 2 (2024)
Publisher : Electrical Engineering, Universitas Mercu Buana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/jte.2024.v15i2.002

Abstract

Biometrik adalah metode yang digunakan untuk mengenali identitas seseorang berdasarkan morfologi, perilaku dan organic karakteristik seperti sidik jari, iris, wajah, retina, telapak tangan dan geometri tangan, dll. Biometrik wajah mengacu pada bidang teknologi biometrik yang berfokus pada analisis dan pengenalan wajah individu untuk tujuan identifikasi dan autentikasi. Tahap pra-proses memainkan peran penting dalam sistem pendeteksi fitur wajah karena melibatkan beberapa langkah untuk meningkatkan kualitas dan keandalan citra wajah sebelum dianalisis dan dibandingkan. Input dari sistem adalah gambar wajah yang berasalah dari dataset EYB. Fitur pada wajah yang ingin dideteksi adalah mata kiri, mata kanan, hidung, dan mulut. Metode pra -proses yang diselidiki pada penelitian ini adalah histogram equalization dan Contrast Limited Adaptive Histogram Equalization (CLAHE). Hasil dari penelitian ini memperlihatkan bahwa metode pra-proses CLAHE memberikan hasil yang lebih baik dibandingkan dengan histogram equalization dalam mendeteksi fitur pada wajah.
Human vs machine learning in face recognition: a case study from the travel industry Lionnie, Regina; Hermanto, Vidya
SINERGI Vol 29, No 1 (2025)
Publisher : Universitas Mercu Buana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/sinergi.2025.1.021

Abstract

This research was conducted to help answer whether a machine learning simulation can replace the human ability to recognize human faces, especially under challenges under travel industry requirements. The human ability to recognize faces was evaluated using a series of questions in a survey. The questions challenged the human respondents to recognize faces under similar looks, with hair and makeup disguises, only part of the facial area, and under dark lighting conditions. At the same time, a histogram of oriented gradient (HoG) combined with a support vector machine (SVM) was built for machine learning simulations. The machine learning was evaluated using two datasets, i.e., the Extended Yale B (EYB) Face dataset for challenge under dark lighting conditions and The Extended Makeup Face Dataset (EMFD) for challenge using face with makeup disguise. The results showed that machine learning simulation of the face recognition system yielded accuracy as high as 95.4% under dark lighting conditions and 70.8% under facial makeup disguise. On the contrary, only 48% of respondents accurately recognized human faces in dark lighting. The number was increased to 94-96% when the face images were adjusted first with the contrast adjustment method.  However, only 36-37% of respondents accurately recognized human faces under face makeup disguise. 
Efek Transformasi Geometri Shearing Pada Sistem Pengenalan Biometrik Wajah dan Periocular Lionnie, Regina; Alaydrus, Mudrik
InComTech : Jurnal Telekomunikasi dan Komputer Vol 14, No 3 (2024)
Publisher : Department of Electrical Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/incomtech.v14i3.21685

Abstract

Daerah periocular mengacu pada atribut di sekitar mata yang kaya akan informasi. Atribut periocular yang digunakan pada penelitian ini adalah area mata dan alis. Sistem pengenalan biometric menggunakan ciri periocular dan wajah akan dibangun dengan sebelumnya memberikan transformasi shearing pada data gambar input. Input dari sistem adalah gambar periocular yang berasal dari dataset UBIPr dan wajah dari dataset EYB. Dengan menggunnakan metode machine learning tree dan k-nearest neighbor, output yang dihasilkan adalah confusion matrix. Hasil penelitian memperlihatkan bahwa tanpa menggunakan metode ekstraksi fitur, penggunaan transformasi shearing tidak memperbaiki hasil performansi sistem pengenalan dalam meningkatkan nilai akurasi.
Studi Metode Klasifikasi Machine Learning dengan Gray Level Co-occurrence Matrix Pada Sistem Pengenalan Bunga Lionnie, Regina; Alaydrus, Mudrik
InComTech : Jurnal Telekomunikasi dan Komputer Vol 15, No 2 (2025)
Publisher : Department of Electrical Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/incomtech.v15i2.16007

Abstract

Bunga adalah produsen terpenting di bumi yang dapat tumbuh di berbagai iklim dan habitat. Tidak seperti klasifikasi objek sederhana pengenalan bunga dan klasifikasi bunga adalah tugas yang menantang karena beberapa kelas bunga dapat memiliki fitur yang serupa: beberapa bunga dari jenis yang berbeda memiliki warna, bentuk dan penampilan yang serupa. Studi penelitian ini membandingkan dan melakukan optimasi parameter pada beberapa metode klasifikasi pada machine learning dan kombinasinya dengan metode ekstraksi fitur gray level co-occurrence matrix berbasis pengolahan citra digital. Sistem pengenalan klasifikasi bunga dibagi menjadi dua bagian besar, yaitu metode ekstraksi ciri dan metode klasifikasi. Kemudian proses pengenalan menghasilkan akurasi sistem. Database bunga yang digunakan menggunakan 10 kelas bunga dan setiap kelas bunga berisi 80 citra bunga digital. Total citra dalam database yang digunakan dalam penelitian ini adalah 800 citra.
Verifikasi Tanda Tangan Menggunakan Model BiT-M-R50x1 dan Support Vector Machine (SVM) Yulian Safarudin; Lionnie, Regina
Techné : Jurnal Ilmiah Elektroteknika Vol. 24 No. 2 (2025)
Publisher : Fakultas Teknik Elektronika dan Komputer Universitas Kristen Satya Wacana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31358/techne.v24i2.585

Abstract

Verifikasi tanda tangan adalah aspek penting dalam administrasi individu dan lembaga keuangan, terutama untuk mencegah pemalsuan yang dapat menimbulkan dampak hukum serius. Berdasarkan data Direktori Putusan Mahkamah Agung, tercatat 471 kasus pemalsuan tanda tangan selama 2021–2023, sehingga diperlukan metode verifikasi yang akurat. Penelitian ini menggabungkan model BiT-M-R50x1 dan Support Vector Machine (SVM). Dataset yang digunakan dalam pengujian berasal dari Kaggle dengan 2.149 gambar tanda tangan asli dan palsu. Pengujian dilakukan dengan menggunakan model BiT-M-R50x1 dengan preprocessing noise removal, skeletonization, region of interest (ROI), merging of images, ImageDataGenerator dan ekstraksi fitur Grey Level Co-occurrence Matrix (GLCM) dan Red Green Yellow (RGY). Hasil penelitian menunjukkan bahwa preprocessing tambahan seperti noise removal, skeletonization, region of interest (ROI), merging of images, serta ekstraksi fitur GLCM dan RGY menghasilkan performa lebih rendah dibandingkan metode tanpa preprocessing dan ekstraksi fitur. Kombinasi BiT-M-R50x1 dan SVM dengan kernel linear memberikan hasil terbaik pada validation set (accuracy 0,9970; precision 0,9935; recall 1,0000; F1 score 0,9967) dan test set (accuracy, precision, recall, dan F1 score 1,0000), baik dengan maupun tanpa preprocessing ImageDataGenerator. Pengujian model tanpa preprocessing dan ekstraksi fitur pada dataset yang dirusak dengan blur dan noise dengan jumlah kerusakan dataset 25%, 50% dan 75% dari seluruh jumlah dataset menunjukkan penurunan performa, tetapi kernel linear tetap memberikan hasil terbaik di semua tingkat kerusakan. Penelitian ini menyimpulkan bahwa BiT-M-R50x1 dan SVM dengan kernel linear adalah kombinasi optimal untuk verifikasi tanda tangan, sementara preprocessing dan ekstraksi fitur tambahan tidak selalu meningkatkan performa.
Co-Authors Ahmad Syadidu Rosyadi Ellisa Agustina Hermanto, Vidya Ivanna Kristianti Timotius Iwan Setyawan Mochamad Miftakhul Huda Mochamad Miftakhul Huda Mudrik Alaydrus Muzammil Jusoh Rizky Citra Ramadhan Trie Maya Kadarina Wahju Sediono Yulian Safarudin