Article Per Year (5 Year)
p-Index From 2021 - 2026
2.495
P-Index
This Author published in this journals
All Journal International Journal of Electrical and Computer Engineering Program Kreativitas Mahasiswa - Karsa Cipta Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) JURNAL MEDIA INFORMATIKA BUDIDARMA Technomedia Journal JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) EDUMATIC: Jurnal Pendidikan Informatika JOURNAL OF INFORMATION SYSTEM RESEARCH (JOSH) eProceedings of Engineering Community Service Seminar and Community Engagement (COSECANT) LOGIC: Jurnal Penelitian Informatika
Gamma Kosala
Telkom University
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Other

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

Found 3 Documents
Search
Journal : eProceedings of Engineering

 1 
Analisis Perbandingan CNN Model Xception Dan InceptionV3 Dalam Pengklasifikasian Rambu Lalu Lintas Di Indonesia Al’Fattah, Bimayudha; Purnama , Bedy; Kosala, Gamma
eProceedings of Engineering Vol. 12 No. 3 (2025): Juni 2025
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Permasalahan ketidakpatuhan terhadap rambu lalulintas di Indonesia menjadi salah satu penyebab utamakecelakaan lalu lintas. Perilaku pengemudi yang seringmengabaikan rambu, seperti mendahului kendaraan tanpamemastikan keamanan. Penelitian ini menggunakanpendekatan berbasis Deep Learning dengan membandingkandua arsitektur Convolutional Neural Networks (CNN)populer, yaitu InceptionV3 dan Xception, untuk klasifikasirambu lalu lintas di Indonesia. Kedua model diuji untukmengevaluasi performa dalam mengenali berbagai rambudengan fitur visual yang berbeda. Arsitektur Xceptionmenunjukkan stabilitas yang lebih baik dalammengklasifikasikan sebagian besar kelas, dengan akurasitertinggi mencapai 91.43% pada percobaan kedua. Namun,model ini masih memiliki tantangan dalam mengenali rambudengan fitur yang lebih kompleks. Di sisi lain, InceptionV3memiliki akurasi tertinggi 91.74% pada beberapa kelastertentu, tetapi menunjukkan variabilitas lebih besar padakelas-kelas dengan kemiripan visual, seperti "lampu merah"dan "larangan parkir".Kata kunci : Convolutional Neural Network (CNN), Xception,InceptionV3, Rambu Lalu Lintas
Deteksi Objek Makhluk Hidup dalam Filum Arthropoda Menggunakan YOLOv3 Safarin, Arva Adwitya; Rachmawati, Ema; Kosala, Gamma
eProceedings of Engineering Vol. 10 No. 2 (2023): April 2023
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak-Makhluk hidup yang berasal dari filum Arthropoda merupakan makhluk hidup yang memiliki beragam karakteristik. Karakteristik tersebut bisa dibedakan dengan melihat ordo dari makhluk hidup tersebut. Beberapa jenis makhluk hidup yang ada dalam filum Arthropoda merupakan makhluk sosial. Oleh karena itu, mereka sering ditemukan berada di lokasi yang sama dan berkerumun. Selain itu, sebagian besar spesies yang ada dalam filum Arthropoda memiliki ukuran tubuh yang kecil. Pada tugas akhir ini, metode yang diajukan adalah YOLOv3. YOLOv3 merupakan metode deteksi objek yang memiliki beberapa pembaruan yang memungkinkan metode tersebut lebih mudah mendeteksi objek yang berkerumun dan memiliki ukuran yang kecil. Untuk mengembangkan sistem pendeteksi makhluk hidup dalam filum Arthropoda menggunakan YOLOv3, terdapat 12.082 data citra yang terbagi dalam 7 (tujuh) kelas untuk melatih model tersebut. Hasil terbaik yang didapatkan saat pengujian memakai 1.544 data uji adalah nilai mAP sebesar 57,6% pada IOU 0,5.Kata kunci - deep learning, deteksi objek, You Only Look Once (YOLO), deteksi makhluk hidup
Klasifikasi Buah-Buahan dengan Metode ResNet-RS Fruit Classification With ResNet-RS Wirasakananda, Dewa Made Aditya; Rachmawati, Ema; Kosala, Gamma
eProceedings of Engineering Vol. 10 No. 3 (2023): Juni 2023
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak-Buah-buahan merupakan salah satu makanan yang dikonsumsi oleh masyarakat di dunia. Dengan adanya berbagai jenis buah-buahan yang tersedia di dunia, buah-buah tersebut mempunyai karakteristik bentuk dan warna yang berbeda-beda. Oleh karena itu perlunya dilakukan klasifikasi sebagai cara untuk mengidentifikasi buah-buahan secara cepat, dengan menerapkan teknik computer vision yang menggunakan metode ResNet-RS. Metode ini digunakan karena ResNet-RS merupakan metode yang mempunyai peningkatan terhadap ResNet yang diperkenalkan pada 2015. Untuk klasifikasi buah-buahan dengan menggunakan metode ResNet-RS mendapatkan hasil yaitu 97.29% akurasi, 97.29% F1-Score, 97.28% recall, dan 97.31% precision. Terdapat selisih 4.07% dalam akurasi terhadap model ResNet dengan dataset yang sama.Kata kunci-buah-buahan, ResNet-RS , klasifikasi
Co-Authors Abdul Khaliq Al Bari Agus Harjoko Al’Fattah, Bimayudha Bedy Purnama Deny Haryadi Ema Rachmawati Ema Rachmawati Ema Rachmawati Febryanti Sthevanie Gibran, Hilal Ilham Imaduddin, Ilham Kamil, Muhammad Najmi Ketut Sudyatmika Putra Kurniawan Nur Ramadhani Latifah Noor, Latifah Mahmud Dwi Sulistiyo Muhammad Mukhlis Nugraha, Muhammad Mukhlis Muhammad Rayhan Subhi Naufal Harsa Pratama Purnama , Bedy Rahman, Rahadian Yusuf Abdul Rifki Wijaya Safarin, Arva Adwitya Setyawan, Hendy Sri Hartati Tito Waluyo Ubaidillah, Rifky Fahrizal Ulfah Fitriyani, Ulfah Wirasakananda, Dewa Made Aditya