Article Per Year (5 Year)
p-Index From 2021 - 2026
5.699
P-Index
This Author published in this journals
All Journal Jurnal Sains dan Teknologi Jurnal Simetris Jurnal Buana Informatika Bulletin of Electrical Engineering and Informatics Jurnal Simantec Jurnal Teknologi Register: Jurnal Ilmiah Teknologi Sistem Informasi EMITTER International Journal of Engineering Technology JOIN (Jurnal Online Informatika) Jurnal ELTIKOM : Jurnal Teknik Elektro, Teknologi Informasi dan Komputer INTEGER: Journal of Information Technology IJIE (Indonesian Journal of Informatics Education) Informatika Pertanian Kinetik: Game Technology, Information System, Computer Network, Computing, Electronics, and Control SINTECH (Science and Information Technology) Journal Prosiding Seminar Nasional Sains dan Teknologi Terapan Jurnal ULTIMATICS Journal of Information Technology and Computer Engineering JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) JISKa (Jurnal Informatika Sunan Kalijaga) Jurnal Mnemonic DEDIKASI: Community Service Reports Journal of Informatics and Vocational Education Journal of Soft Computing Exploration Journal La Edusci JUSTIN (Jurnal Sistem dan Teknologi Informasi) Jurnal Pemberdayaan Masyarakat JGHTT Indonesian Journal of Learning and Instructional Innovation
Febri Liantoni, Febri
Universitas Sebelas Maret
Aerospace Engineering Agriculture, Biological Sciences & Forestry Humanities Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Energy Engineering Environmental Science Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Library & Information Science Mathematics Mechanical Engineering Physics Social Sciences Other

Published : 55 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 55 Documents
Search

 1   2   3   4   5 
MODIFIKASI ANT COLONY OPTIMIZATION BERDASARKAN GRADIENT UNTUK DETEKSI TEPI CITRA Liantoni, Febri; Suciati, Nanik; Fatichah, Chastine
Jurnal Buana Informatika Vol 6, No 3 (2015): Jurnal Buana Informatika Volume 6 Nomor 3 Juli 2015
Publisher : Universitas Atma Jaya Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (557.421 KB) | DOI: 10.24002/jbi.v6i3.435

Abstract

Abstract. Ant Colony Optimization (ACO) is an optimization algorithm which can be used for image edge detection. In traditional ACO, the initial ant are randomly distributed. This condition can cause an imbalance ants distribution. Based on this problem, a modified ant distribution in ACO is proposed to optimize the deployment of ant based gradient. Gradient value is used to determine the placement of the ants. Ants are not distributed randomly, but are placed in the highest gradient. This method is expected to be used to optimize the path discovery. Based on the test results, the use of the proposed ACO modification can obtain an average value of the Peak Signal to Noise Ratio (PSNR) of 12.724. Meanwhile, the use of the traditional ACO can obtain an average value of PSNR of 12.268. These results indicate that the ACO modification is capable of generating output image better than traditional ACO in which ants are initially distributed randomly.Keywords: Ant Colony Optimization, gradient, Edge Detection, Peak Signal to Noise Ratio Abstrak. Ant Colony Optimization (ACO) merupakan algoritma optimasi, yang dapat digunakan untuk deteksi tepi pada citra Pada ACO tradisional, semut awal disebarkan secara acak. Kondisi ini dapat menyebabkan ketidakseimbangan distribusi semut. Berdasarkan permasalahan tersebut, modifikasi distribusi semut pada ACO diusulkan untuk mengoptimalkan penempatan semut berdasarkan gradient. Nilai gradient digunakan untuk menentukan penempatan semut. Semut tidak disebar secara acak akan tetapi ditempatkan di gradient tertinggi. Cara ini diharapkan dapat digunakan untuk optimasi penemuan jalur. Berdasarkan hasil uji coba, dengan menggunakan ACO modifikasi yang diusulkan dapat diperoleh nilai rata-rata Peak Signal to Noise Ratio (PSNR) 12,724. Sedangkan, menggunakan ACO tradisional diperoleh nilai rata-rata PSNR 12,268. Hasil ini menunjukkan bahwa ACO modifikasi mampu menghasilkan citra keluaran yang lebih baik dibandingkan ACO tradisional yang sebaran semut awalnya dilakukan secara acak.Kata Kunci: Ant Colony Optimization, gradient, deteksi tepi, Peak Signal to Noise Ratio
PERBAIKAN KONTRAS CITRA MAMMOGRAM PADA KLASIFIKASI KANKER PAYUDARA BERDASARKAN FITUR GRAY-LEVEL CO-OCCURRENCE MATRIX Liantoni, Febri; Santoso, Agus
SINTECH (Science and Information Technology) Journal Vol 3 No 1 (2020): SINTECH Journal Edition April 2020
Publisher : LPPM STMIK STIKOM Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (308.47 KB) | DOI: 10.31598/sintechjournal.v3i1.528

Abstract

In this era to recognize breast tumors can be based on mammogram images. This method will expedite the process of recognition and classification of breast cancer. This research was conducted classification techniques of breast cancer using mammogram images. The proposed model targets classification studies for cases of malignant, and benign cancer. The research consisted of five main stages, preprocessing, histogram equalization, convolution, feature extraction, and classification. For preprocessing cropping the image using region of interest (ROI), for convolution, median filter and histogram equalization are used to improve image quality. Feature extraction using Gray-Level Co-Occurrence Matrix (GLCM) with 5 features, entropy, correlation, contrast, homogeneity, and variance. The final step is the classification using Radial Basis Function Neural Network (RBFNN) and Support Vector Machine (SVM). Based on the hypotheses that have been tested and discussed, the accuracy for RBFNN is 86.27%, while the accuracy for SVM is 84.31%. This shows that the RBFNN method is better than SVM in distinguishing types of breast cancer. These results prove the process of improving image construction using histogram equalization and the median filter is useful in the classification process.
Pengembangan Metode Ant Colony Optimization Pada Klasifikasi Tanaman Mangga Menggunakan K-Nearest Neighbor Liantoni, Febri; Hermanto, Luky Agus
Jurnal Buana Informatika Vol 8, No 4 (2017): Jurnal Buana Informatika Volume 8 Nomor 4 Oktober 2017
Publisher : Universitas Atma Jaya Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (345.249 KB) | DOI: 10.24002/jbi.v8i4.1443

Abstract

Abstract. Leaf is one important part of a plant normally used to classify the types of plants. The introduction process of mango leaves of mangung and manalagi mango is done based on the leaf edge image detection. In this research the conventional edge detection process was replaced by ant colony optimization method. It is aimed to optimize the result of edge detection of mango leaf midrib and veins image. The application of ant colony optimization method successfully optimizes the result of edge detection of a mango leaf midrib and veins structure. This is demonstrated by the detection of bony edges of the leaf structure which is thicker and more detailed than using a conventional edge detection. Classification testing using k-nearest neighbor method obtained 66.67% accuracy.Keywords: edge detection, ant colony optimization, classification, k-nearest neighbor.Abstrak. Pengembangan Metode Ant Colony Optimization Pada Klasifikasi Tanaman Mangga Menggunakan K-Nearest Neighbor. Daun merupakan salah satu bagian penting dari tanaman yang biasanya digunakan untuk proses klasifikasi jenis tanaman. Proses pengenalan daun mangga gadung dan mangga manalagi dilakukan berdasarkan deteksi tepi citra struktur tulang daun. Pada penelitian ini proses deteksi tepi konvensional digantikan dengan metode ant colony optimization. Hal ini bertujuan untuk optimasi hasil deteksi tepi citra tulang daun mangga. Penerapan metode ant colony optimization berhasil mengoptimalkan hasil deteksi tepi struktur tulang daun mangga. Hal ini ditunjukkan berdasarkan dari hasil deteksi tepi citra struktur tulang daun yang lebih tebal dan lebih detail dibandingkan menggunakan deteksi tepi konvensional. Pengujian klasifikasi dengan metode k-nearest neighbor didapatkan nilai akurasi sebesar 66,67%.Kata Kunci: deteksi tepi, ant colony optimization, klasifikasi, k-nearest neighbor.
KLASIFIKASI KEMATANGAN SEMANGKA BERDASARKAN EKSTRAKSI CIRI STATISTIK ORDER PERTAMA DENGAN EKUALISASI HISTOGRAM Liantoni, Febri; Nugroho, Hendro
Informatika Pertanian Vol 28, No 1 (2019): Juni 2019
Publisher : Sekretariat Badan Penelitian dan Pengembangan Pertanian

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21082/ip.v28n1.2019.p43-48

Abstract

Semangka (Citrullus Lanatus Tunb) merupakan tanaman buah yang banyak disukai di Indonesia. Kematangan semangka bisa dibedakan berdasarkan tekstur kulit semangka. Adanya kemiripan tekstur kulit semangka mengakibatkan orang kesulitan dalam mengidentifikasi tingkat kematangan semangka yang matang dan belum matang. Berdasarkan permasalahan tersebut, maka penelitian ini dilakukan untuk proses klasifikasi berdasarkan tekstur kulit buah semangka. Ekstraksi ciri statistik orde pertama digunakan sebagai metode untuk mengenali kematangan semangka dari segi tekstur kulit buah dalam proses klasifikasi. Parameter yang digunakan yaitu mean, varians, skewness dan kurtosis. Berdasarkan nilai ekstraksi ciri statistik tersebut, kemudian dijadikan acuan proses klasifikasi menggunakan metode k-nearest neighbor dan naïve bayes. Data dalam penelitian ini sejumlah 100 citra, dimana 70 untuk data training dan 30 untuk data testing. Dari hasil pengujian klasifikasi kematangan semangka menggunakan K-Nearest Neighbor diperoleh 26 data sesuai dengan tingkat akurasi 86.66%, sendangkan menggunakan Naïve Bayes diperoleh 27 data sesuai dengan tingkat akurasi 90%.Kata-Kata Kunci: semangka, ciri statistik orde pertama, K-Nearest Neighbor, Naïve Bayes.
Pengenalan karakter angka menggunakan metode Integral Proyeksi Liantoni, Febri
Register: Jurnal Ilmiah Teknologi Sistem Informasi Vol 3, No 2 (2017): July
Publisher : Information Systems - Universitas Pesantren Tinggi Darul Ulum

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26594/register.v3i2.706

Abstract

 Saat ini dengan kemajuan teknologi membuat komputer memiliki kemampuan komputasi yang lebih tinggi untuk meningkatkan kemampuan dalam pengolahan data. Kemajuan teknologi ini juga berimbas pada kemampuan teknologi citra digital yang berhubungan dengan pengenalan karakter angka yang merupakan bagian dari pengenalan pola. Pengenalan karakter penting untuk pengolahan informasi yang memungkinkan proses identifikasi secara cepat dan otomatis. Pada penelitian ini dilakukan proses pengenalan karakter angka menggunakan metode Integral Proyeksi. Alasan menggunakan metode integral proyeksi karena mempunyai kelebihan pemrosesan yang sederhana dan cepat dalam mengidentifikasi suatu citra digital. Integral Proyeksi yang digunakan yaitu Integral Proyeksi vertikal dan Integral Proyeksi horisontal. Hasil penelitian menunjukkan pengenalan karakter angka mampu mengenali karakter dengan benar jika hasil praproses menghasilkan gambar yang baik. Pengenalan karakter angka akan kurang sempurna jika gambar yang diproses tidak baik, hal ini dikarenakan metode Integral Proyeksi bekerja dengan menghitung jumlah piksel tiap gambar untuk mengenai nilai gambar tersebut. Pengujian pengenalan karakater angka yang dilakukan terdapat 20 gambar uji menghasilkan nilai akurasi sebesar 65%.    Nowadays with the advancement of technology makes computers have higher computing capabilities to improve the capability of data processing. Advances in technology have also affected the ability of digital image technology related to the introduction of alphanumeric characters that are part of pattern recognition. Character recognition is important for information processing that allows rapid identification process automatically. In this research, numeric character recognition process using integral projection method. Reasons for using integral projection method for processing has the advantage of a simple and quick in identifying a digital image. The integral projection used is vertical projection and horizontal projection. The results showed numeric character recognition could recognize the characters correctly if the results of preprocessing produce good images. The introduction of the characters will be less than perfect if the images are processed is not good, this is because the integral projection method works by counting the number of pixels for each image to the value of the image. Testing the result of recognition from 20 image which is on dataset has been built to get accuracy value about 65%.
Peningkatan HSV dan Haar-Like Feature pada Aplikasi Identifikasi Kematangan Buah Tomat Berbasis Android Liantoni, Febri; Prakisya, Nurcahya Pradana Taufik; Aristyagama, Yusfia Hafid
JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol 9, No 1 (2021)
Publisher : Jurusan Informatika Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (548.051 KB) | DOI: 10.26418/justin.v9i1.42469

Abstract

Tomat adalah buah yang terkenal karena memiliki banyak nutrisi penting dan bermanfaat seperti antioksidan, vitamin C dan A untuk makanan sehari-hari manusia. Memetik tomat dengan tangan merupakan pekerjaan yang berat dan memakan waktu. Karena itu, untuk mengatasi masalah ini, tomat perlu diambil secara otomatis dengan bantuan teknologi. Baru-baru ini otomatisasi panen buah memperoleh popularitas besar. Untuk memandu robot pemanen mengambil buah dengan benar, penting untuk mendeteksi dan menemukan lokasi buah matang merah dengan benar. Maka dibutuhkan aplikasi untuk identifikasi kematangan buah tomat. Dalam penelitian ini, algoritma pendeteksian tomat matang berdasarkan ruang warna HSV (Hue, Saturation, Value) yang ditingkatkan dengan haar-like feature.  Metode ini diterapakan pada aplikasi berbasis android. Pada tahap pertama, transformasi HSV digunakan untuk menghilangkan latar belakang dan hanya mendeteksi tomat merah. Kemudian operasi morfologis diterapkan untuk memodifikasi buah yang terdeteksi. Hasil penelitian mampu mendeteksi tomat matang merah dengan peningkatan HSV dan haar-like feature.
DETEKSI CITRA PORNOGRAFI MENGGUNAKAN SKIN COLOR DETECTION DAN EIGENPORN BERDASARKAN RUANG WARNA YCbCr Liantoni, Febri; Wahyudi, Yusuf Rois
Jurnal Mnemonic Vol 5 No 2 (2022): Mnemonic Vol. 5 No. 2
Publisher : Teknik Informatika, Institut Teknologi Nasional malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/mnemonic.v5i2.4832

Abstract

Penggunaan pornografi adalah pengalaman gender yang dimulai pada masa remaja awal. Meskipun faktor penggunaan pornografi bervariasi di seluruh konteks sosial, paparan pornografi telah menjadi bagian normatif dari perkembangan seksualitas remaja. Dengan menjamurnya gambar-gambar porno di Internet, penting untuk mendeteksi gambar-gambar porno secara otomatis dengan menganalisis konten gambar. Sebagian besar sistem deteksi tradisional didasarkan pada fitur tingkat rendah dan menghasilkan banyak kesalahan positif karena gambar yang mengandung wilayah besar dengan warna seperti kulit. Pada penelitian ini, dilakukan deteksi citra pornografi menggunakan skin color detection yang ditambahkan eigenporn berdasarkan ruang warna YCbCr. Berdasarkan pengujian yang dilakukan dengan 150 data uji dengan pembagian 2 type citra yaitu citra pornografi dan citra non pornografi, diperoleh akurasi sebesar 80.5%. Hasil eksperimen menunjukkan bahwa metode yang dilakukan berkinerja baik pada berbagai data pengujian, khususnya pada gambar yang berhubungan dengan manusia.
Analisis Klasifikasi 7 Jenis Dry Beans dengan Penerapan Metode Naïve Bayes Liantoni, Febri; Sukmaningrum, Agy Hafidzah; Qurin, Milani Tanya; Putri, Nanditya Vianti
JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol 12, No 2 (2024)
Publisher : Jurusan Informatika Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/justin.v12i2.73034

Abstract

Penelitian ini dimaksudkan untuk mengklasifikasikan jenis Dry Beans dengan menggunakan algoritma Naïve Bayes dengan bantuan alat analisis data RapidMiner. Dataset yang terlibat mencakup sejumlah atribut, termasuk Area, Perimeter, MajorAxisLength, MinorAxisLength, AspectRation, Eccentricity, ConvexArea, EquivDiameter, Extent, Solidity, Roundness, Compactness, ShapeFactor2, ShapeFactor3, ShapeFactor4, serta atribut target Class yang menunjukkan jenis Dry Beans. Dataset ini dibagi menjadi dua bagian: data training sebanyak 9528 data dan data uji sebanyak 4083 data. Hasil penelitian menunjukkan bahwa model klasifikasi Naïve Bayes berhasil mencapai tingkat akurasi sebesar 90.01% dalam mengklasifikasikan jenis Dry Beans. Hasil ini menandakan bahwa model tersebut memiliki kemampuan yang baik dalam membuat prediksi yang sesuai dengan data asli. Dengan demikian, analisis ini diharapkan dapat memberikan kontribusi dalam identifikasi, manajemen, dan pemanfaatan jenis-jenis Dry Beans secara efisien.
Identifikasi Penyakit Daun pada Tanaman Padi Menggunakan Ekstraksi Fitur Gray Level Co-occurrence Matrix (GLCM) dan Metode K-Nearest Neighbour (KNN) Rustanto, Diki Wahyudi; Liantoni, Febri; Prakisya, Nurcahya Pradana Taufik
JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol 12, No 1 (2024)
Publisher : Jurusan Informatika Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/justin.v12i1.69752

Abstract

Negara Indonesia merupakan salah satu negara agrikultur, di mana bidang pertanian berperan penting dalam menjaga keberlangsungan hidup. Hal ini dikarenakan, sebagian besar masyarakat Indonesia menggunakan beras sebagai bahan pangan pokok mereka. Sedangkan ketersedian bahan pangan pokok masyarakat sudah berkurang, karena adanya alih fungsi lahan-lahan pertanian menjadi perumahan, industry, dan lain-lain. Bukan hanya itu saja, permasalahan lain yang dapat menurunkan ketersediaan bahan pangan yaitu seperti, kondisi iklim atau cuaca, system pengairan, serangan hama dan masih banyak lagi permasalahan yang dapat mengakibatkan panen menjadi kurang maksimal. Penggunaan teknologi dalam bidang pertanian seharusnya menjadi lebih mudah dan membantu para petani dalam mendeteksi penyakit yang menyerang daun padi. Karena itu, deteksi dan klasifikasi hama pada daun padi perlu dilakukan untuk mengevaluasi akurasi, presisi, dan recall menggunakan perhitungan matriks kebingungan (confusion matrix) dengan menerapkan algoritma K-Nearest Neighbors (KNN). Dari hasil klasifikasi tersebut menghasilkan nilai akhir akurasi paling tinggi yaitu sebesar 73% pada jarak piksel (d) yaitu 5 dan nilai tetangga (k) yaitu 3 pada offset 0 °. Hal ini menunjukkan bahwa algoritma KNN cukup baik dalam melakukan klasifikasi.
Design and Development of a Learning Style Identification Application for JPTK Students using the K-Nearest Neighbor Ramadhan, Firdaus Ditio; Liantoni, Febri; Prakisya, Nurcahya Pradana Taufik
ULTIMATICS Vol 15 No 2 (2023): Ultimatics : Jurnal Teknik Informatika
Publisher : Faculty of Engineering and Informatics, Universitas Multimedia Nusantara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31937/ti.v15i2.3299

Abstract

Learning styles are crucial for all students, as the chosen learning style can greatly assist them in learning. The data source for this research originates from questionnaire results distributed to JPTK students of the 2019-2021 cohorts, which were used to assess the effectiveness of a learning style product on the students' JPTK website. This study employs the K-Nearest Neighbor approach, which utilizes the principle of nearest neighbors to categorize students' learning styles based on provided features. The data used in this research is derived from the website that students use to input information about their preferred learning styles. Various elements, including visual, auditory, and kinesthetic preferences, are present in the questionnaire on the website. Subsequently, the data is processed and fed into a Python K Nearest Neighbor model to predict students' learning styles and nearest neighbors. The evaluation results indicate that the developed classification model achieves a reasonably high accuracy level of 93%, making it a useful tool for effectively and efficiently identifying students' learning styles. It is hoped that implementing this learning style classification model will benefit the field of education. By understanding students' learning styles, educators can create more tailored lesson plans, enhance learning outcomes, and reduce the likelihood of knowledge loss.
Co-Authors Abin Suarsa Acihmah Sidauruk Agus Efendi Agus Santoso Ananda, Rizky Putu Anas, Rizky Chairul Andini, Ratih Friska Dwi Annisa, Fitri Nur Anwar, Rizak Al Hasbi Aris Budianto, Aris Astuti, Asri Ayuningrum, Erica Devi B.M.A.S. Anaconda Bangkara Bambang Yuwono Basori Basori Bataona, Daniel Silli Bataona, Daniel Silli Belo Ximenes, Jose Feliciano Lim Bernadhed, Bernadhed Chaizara, Rezza Fariszal Hisyam Chastine Fatichah Cucuk Wawan Budiyanto Dwi Maryono Farizi, Muhammad Yusuf Hasyim, Jaka Wardana Hendro Nugroho, Hendro Hidayatulah Himawan Hidayatulloh, A. Nururrochman Jaelani, Muhammad Karim, Rifa'i Abdul Kesuma, Halim Perdana Larasati, Sukma Luky Agus Hermanto, Luky Agus Majid, Desva Fitranda Maruf, Irma Rachmawati Maryanti Mulia Sulistiyono Myrtha, Risalina Nanik Suciati Nugroho, Hendro Nurcahya Pradana Taufik Prakisya Palupi, Dian Exsi Prabaswara, Muhammad Arden Prakisya , Nurcahya Pradana Taufik Prakisya, Nurcahya Pradana Taufik Pratama, Kalistus Haris Purnama, Bayu Rizkhy Candra Puspanda Hatta Putri, Giovanni Anggiesta Putri, Nanditya Vianti Qurin, Milani Tanya Rahmawati, Weny M. Ramadhan, Firdaus Ditio Ramadhan, Raqael Fisabillah Rifki Indra Perwira Rosetya, Septiyawan Rosihan Ari Yuana, Rosihan Ari Rustanto, Diki Wahyudi Safitri, Pratiwi Ajeng Saida Ulfa Salsabila, Zahra Khalila Santoso, Agus Adi Saputro, Muhammad Naufal Adi Setianti, Suci Rhamadani Simanjuntak, Ondihon Siswoyo, Risya Ines Putri Sukmagautama, Coana Sukmaningrum, Agy Hafidzah Wahyudi, Yusuf Rois Weny Mistarika Rahmawati Wihidayat, Endar Suprih Yusfia Hafid Aristyagama