Article Per Year (5 Year)
p-Index From 2021 - 2026
2.338
P-Index
This Author published in this journals
All Journal Prosiding SNATIF Jurnal Transformatika Journal of Information System Jurnal Informatika Upgris Kinetik: Game Technology, Information System, Computer Network, Computing, Electronics, and Control IKRA-ITH Informatika : Jurnal Komputer dan Informatika Media Mahardhika Indonesian Journal of Electrical Engineering and Computer Science Abdimasku : Jurnal Pengabdian Masyarakat Devotion: Journal of Research and Community Service Prosiding University Research Colloquium Jurnal Pengabdian Literasi Digital Indonesia Public Policy and Management Inquiry Jurnal Ilmu Kesejahteraan Sosial
Edi Sugiarto
Fakultas Ilmu Komputer, Universitas Dian Nuswantoro
Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Health Professions Industrial & Manufacturing Engineering Law, Crime, Criminology & Criminal Justice Medicine & Pharmacology Public Health Social Sciences

Published : 19 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search
Journal : Jurnal Transformatika

 1 
Peningkatan Fitur Ekstraksi Berbasis Discrete Wavelet Transform dan Principal Component Analysis Pada Pengenalan Citra Batik Sugiarto, Edi; Budiman, Fikri; Muslih, Muslih; Arifin, Zaenal; Fahmi, Amiq; Hendriyanto, Novi
Jurnal Transformatika Vol. 20 No. 2 (2023): January 2023
Publisher : Jurusan Teknologi Informasi Universitas Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26623/transformatika.v20i2.5613

Abstract

Pengenalan pola batik menjadi penting karena batik sebagai warisan budaya bangsa perlu dilestarikan kepada generasi ke generasi. Salah satu upaya untuk memperkenalkan pola batik ini yaitu dengan memperkenalkan keragaman motif atau polanya. Penelitian ini bertujuan untuk mengoptimalisasi metode fitur ekstraksi dengan menggunakan metode Discrete Wavelet Transform (DWT) dan Principal Component Analysis (PCA) untuk mereduksi hasil fitur ekstraksi yang diperoleh dari DWT berdasarkan fitur-fitur yang memiliki korelasi yang baik. Tahapan dilakukan dengan menggunakan 310 data berupa citra batik yang terdiri dari 7 motif dengan komposisi 240 untuk data training dan 70 untuk data testing. Pada tahap fitur ekstraksi dengan menambahkan metode PCA pada DWT mampu mereduksi fitur dari 20 menjadi 5 fitur. Selanjutnya fitur tersebut diuji dengan melakukan klasifikasi menggunakan metode KNN dan SVM. Hasil dari klasifikasi dapat dibuktikan bahwa dengan menggunakan metode PCA dan DWT pada tahap fitur ekstraksi mampu meningkatkan klasifikasi hingga 5%.
Optimasi Metode Support Vector Machine dengan Discrete Wavelet Transform Untuk Pengenalan Karakter Plat Nomor Kendaraan Sugiarto, Edi; Budiman, Fikri
Jurnal Transformatika Vol. 18 No. 2 (2021): January, 2021
Publisher : Jurusan Teknologi Informasi Universitas Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26623/transformatika.v18i2.2694

Abstract

Pengenalan karakter plat nomor kendaraan memiliki peran penting untuk tujuan identifikasi secara resmi, penerapanya telah banyak dilakukan untuk identifikasi otomatis seperti pada tol elektronik, tempat parkir, dsb. Penelitian berkaitan dengan pengenalan karakter setidaknya memiliki fase-fase seperti segmentasi, fitur extraksi dan klasifikasi dimana tiap fase memiliki proses yang rumit. Keberhasilan dalam proses pengenalan karakter sangat tergantung dalam proses fitur ekstraksi, Sehingga pemilihan metode fitur ekstraksi yang dapat mengekstrak fitur-fitur yang relevan perlu dilakukan agar tingkat akurasi sistem pengenalan karakter dapat ditingkatkan. discrete wavelet transform telah banyak digunakan sebagai metode untuk ekstraksi fitur, metode ini melakukan ekstraksi dengan melakukan dekomposisi pada  ruang vektor ke dalam ruang vektor bersarang dengan resolusi yang berbeda. Dalam penelitian ini metode discrete wavelet transform dikombinasikan dengan support vector machine untuk meningkatkan akurasi pengenalan karakter. Penelitian dilakukan dengan mengukur tingkat akurasi dari 100 citra plat nomor, dengan penambahan metode discrete wavelet transform dan support vector machine tingkat akurasi klasifikasi mencapai 92% yang artinya   mendapatkan peningkatan akurasi sebesar 8% dibanding klasifikasi menggunakan SVM standar.
Penerapan K-Nearest Neighbors (KNN) untuk Klasifikasi Aset dalam Upaya Menentukan Aset Wakaf Produktif Sugiarto, Edi; Fahmi, Amiq; Muslih, Muslih; Hendriyanto, Novi
Jurnal Transformatika Vol. 19 No. 2 (2022): January 2022
Publisher : Jurusan Teknologi Informasi Universitas Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26623/transformatika.v19i2.3356

Abstract

aset wakaf berupa tanah yang tersebar di Indonesia terbilang cukup besar, sehingga aset wakaf yang besar ini perlu dikelola dengan baik agar tidak menimbulkan banyak permasalahan yang pada akhirnya tanah wakaf tidak sesuai dengan tujuannya dan tidak dapat digunakan untuk kepentingan umat. Instrument pengamanan aset wakaf telah memenuhi, namun masih banyak muncul persoalan mengenai aset wakaf seperti menguapnya bondo wakaf, sengketa, alih fungsi, dll, sehingga dalam hal ini menunjukan bahwa banyak persoalan terkait pengelolaan aset wakaf yang harus dipecahkan. potensi wakaf sangat besar, bahkan diperkirakan potensi tanah wakaf di indonesia mencapai lima kali luas singapura, namun saat ini belum dikelola secara profesional dan lebih produktif. Penggunaan tanah wakaf di indonesia masih identik dengan masjid dan makam, padahal wakaf dapat juga dikelola menjadi aset-aset ekonomi yang menghasilkan keuntungan sehingga hasil dari wakaf produktif tersebut dapat digunakan untuk kepentingan umat. K-Nearest Neighbors (KNN) merupakan algoritma klasifikasi yang didasarkan pada analogi yaitu membandingkan data uji dengan data latih yang berada dekat dengan dan memiliki kemiripan dengan data uji tersebut, dalam penelitian ini KNN digunakan sebagai metode untuk klasifikasi aset wakaf guna mengidentifikasi aset wakaf tersebut berpotensi produtif atau tidak produktif. Penelitian dilakukan dengan menggunakan 57 data aset wakaf yang diperoleh dengan membagi menjadi 45 data untuk training dan 12 untuk testing. Hasil pengujian yang telah dilakukan membuktikan metode KNN ini memiliki akurasi yang baik untuk klasifikasi aset wakaf yaitu mencapai 93% pada data training dan 83% pada data testing.
Co-Authors Abid Muhtarom, Abid Agus Winarno, Agus Asih Rohmani, Asih Bao Sumantoro, Yeremia Joen Candra Irawan Fahmi Amiq Fikri Budiman Hadi, Heru Pramono Hindarto, Aris Nur Karis Widyatmoko Maurensa, Giacinta Mulyanto, Edy Muslih Muslih MY. Teguh Sulistyono Nabila, Ariska Novi Hendriyanto, Novi Pradana, Muhammad Galang Sari Viciawati Machdum Sasono Wibowo Siti Khadijah Wijianto Wijianto Yuventius Tyas Catur Pramudi Zaenal Arifin