Article Per Year (5 Year)
p-Index From 2020 - 2025
4.379
P-Index
This Author published in this journals
All Journal International Journal of Electrical and Computer Engineering JUITA : Jurnal Informatika ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika JOURNAL OF ELECTRICAL AND SYSTEM CONTROL ENGINEERING JURNAL LENTERA : Kajian Keagamaan, Keilmuan dan Teknologi MIND (Multimedia Artificial Intelligent Networking Database) Journal TESLA: Jurnal Teknik Elektro Jurnal Tekinkom (Teknik Informasi dan Komputer) Jurnal Teknik Informatika (JUTIF) Almufi Jurnal Pengabdian kepada Masyarakat eProceedings of Engineering Jurnal Nasional Sains dan Teknik
Nur Ibrahim
Telkom University
Religion Humanities Computer Science & IT Control & Systems Engineering Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Mathematics Social Sciences Other

Published : 62 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 31 Documents
Search
Journal : eProceedings of Engineering

 1   2   3   4 
Perancangan Dan Implementasi Prototipe Sistem Keamanan Rumah Berbasis Pengenalan Wajah Menggunakan Metode Fisherface Dengan Pusat Kendali Telegram Pada Raspberry Pi Danish Ario Wirawan; Nur Ibrahim; Ramdhan Nugraha
eProceedings of Engineering Vol 6, No 2 (2019): Agustus 2019
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Salah satu sistem keamanan berbasis biometrik adalah pengenalan wajah yang mengidentifikasi berdasarkan perbedaan ciri wajah. Oleh karena itu, setiap orang mempunyai ciri wajah masing-masing yang dapat digunakan sebagai kata sandi. Melalui penelitian ini kunci rumah dapat dikelola dengan menggunakan sebuah sistem keamanan rumah berbasis pengenalan wajah. Prototipe ini memiliki 2 sistem yaitu sistem otomasi dan sistem keamanan. Pada sistem otomasi ini, aplikasi Telegram dapat mengontrol modul relay untuk mengontrol lampu dan kunci rumah. Sedangkan pada sistem keamanan dapat mengontrol modul relay berdasarkan wajah yang dikenali. Jika diluar penghuni rumah mencoba masuk, maka sistem akan memberikan peringatan kepada pemilik rumah melalui telegram. Pengenalan wajah menggunakan OpenCV yang berbasis library open source untuk computer vision dan menggunakan metode Fisherface untuk ekstraksi ciri serta metode klasifikasi yang memakai bahasa pemrogaman Python. Secara keseluruhan tingkat akurasi sistem pada penelitian ini mencapai 98,5%. Hasil yang didapatkan dari penelitian ini menunjukkan bahwa kondisi cahaya terang dengan ekspresi senyum memiliki tingkat performansi yang terbaik, pencapaian tingkat akurasi sebesar 100% keberhasilan dengan rata-rata nilai confidence 20,06547 dan 2.6883 detik untuk ratarata waktu komputasi. Kata kunci : Raspberry Pi, Face Recognition, OpenCV, Fisherface, Telegram Abstract One of the biometric-based security systems is face recognition, based on differences in facial characteristics. Therefore everyone has their own characteristics that can be used as a password. Through this research, home locks can be managed using home security system based on facial recognition. This prototype has 2 systems, the automation system and the security system. In this automation system, Telegram applications can control relay modules to control lights and house key. The security system can control relay modules based on recognizable faces. If stranger trying to enter the house, the system will give a warning to the homeowner via telegram. Face recognition uses OpenCV based open source library for computer vision and uses the Fisherface method for extraction of features and classification methods that use the Python programming language. Overall the successful rate of the system reach 98.5%. The experiment of this research shows that bright light condition with smile expression gave the best result with 100% success with an average confidence value of 20.06547 and 2.6883 seconds for the average computing time. Keywords: Raspberry Pi, Face Recognition, OpenCV, Fisherface, Telegram
Deteksi Kualiats Kemurnian Susu Sapi Melalui Pengolahan Citra Digital Menggunakan Metode Adaptive Region Growing Dan Klasifikasi Learning Vector Quantization Citra Marshela; Nur Ibrahim; Eka Wulandari
eProceedings of Engineering Vol 6, No 2 (2019): Agustus 2019
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Susu sapi merupakan bahan pangan yang memiliki gizi tinggi, kandungan protein dan zat gizi lainnya berguna untuk kesehatan. Susu sapi dikonsumsi oleh berbagai kalangan, kalangan bawah, menengah, dan atas. Susu sapi memiliki tekstur yang cair memungkinkan untuk dicampur dengan air, sehingga meningkatka volume dan keuntungan bagi penjualnya. Karenanya, maka diperlukan program untuk mendeteksi kemurnian susu sapi berdasarkan jumlah campuran dalam persentase yang terkandung didalam suus tersebut. Pada penelitian ini, telah dilakukan simulasi dan analisis deteksi kualitas kemurnian susu sapi melalui proses citra digital berdasarkan metode Adaptive Region Growing (ARG) dan klasifikasi Learning Vector Quantization (LVQ) dengan menggunakan software simulator. Langkah pengerjaan nya yaitu mengambil sampel susu yang sudah diolah dengan proses pasteurisasi berdasarkan campuran air yang berbeda. Kemudian dari hasil sampel tersebut akan dilakukan tahap pre-processing untuk meningkatkan kualitas dari citra masukan yang diperolah untuk tahap ekstraksi ciri. Setelah melakukan beberapa skenario pengujian terhadap sistem identifikasi kemurnian susu sapi, didapatkan hasil akurasi tertinggi mencapai 100% dengan waktu komputasi 6.113 detik. Kata kunci: Susu Sapi, Image Processing, Adaptive Region Growing , Learning Vector Quantization Abstract Cow's milk is a food that has high nutrition, protein content and other nutrients are useful for health. Cow's milk is consumed by various circles, the lower, middle, and upper. Cow's milk has a liquid texture that allows it to be mixed with water, thereby increasing the volume and profit for the seller. Therefore, the program is required to detect the purity of cow's milk based on the number of blends in the percentage contained in the Suus. In this research, simulation and analysis have been conducted by the quality of cow milk purity through a digital image process based on the method Adaptive Region Growing (ARG) and the classification of Learning Vector Quantization (LVQ) using software Simulator. The working step is to take samples of milk that has been processed by pasteurization process based on different water mixture. Then from the results of the sample will be done pre-processing stage to improve the quality of the input image that is required for the extraction stage feature. After conducting several testing scenarios on the cow’s milk purity Identification system, the highest accuracy result reaches 100% with a compute time of 6,113 seconds. Keywords: Cow’s milk, Image Processing, Adaptive Region Growing, Learning Vector Quantization 1. Pendahuluan Susu memiliki kandungan nutrisi tinggi yang baik untuk dikonsumsi sebagai salah satu sumber protein hewani. Saat ini kesadaran masyarakat untuk mengkonsumsi bahan pangan bergizi khususnya makin meningkat. Oleh karena itu, beberapa produsen memiliki ide untuk mendapatkan keuntungan lebih dengan berbuat curang. Pada umumnya produsen susu akan mencampurkan susu murni dengan air sehingga pada saat mereka mencampurkan dengan air maka akan mendapatkan keuntungan yang lebih. Harga susu sapi murni dijual di pasaran dengan harga Rp. 6000,-/liter, jika para produsen susu sapi mencampur dengan 20% air maka perkiraan keuntungan produsen dapat meningkat hingga Rp. 1200,-/liter. Hal tersebut tentunya akan mengurangi kualitas kemurnian dan nutrisi yang terkandung didalamnya karena air tidak menambahkan nutrisi pada susu. Sebenarnya masyarakat dapat mengetahui bahwa susu tersebut sudah tercampur atau tidak bisa dilihat dari warna dan kekentalan, namun cara tersebut masih belum akurat sehingga sudah selayaknya ditemukan suatu cara pemecahan masalah melalui identifikasi kemurnian susu sapi ISSN : 2355-9365 e-Proceeding of Engineering : Vol.6, No.2 Agustus 2019 | Page 3822 2 Pada jurnal ini penulis mengimplementasikan sistem identifikasi kemurnian susu sapi menggunakan metode Adaptive Region Growing, dan klasifikasi Learning Vector Quantization.
Klasifikasi Tingkat Sangrai Biji Kopi Berbasiskan Pengolahan Citra Digital Dengan Menggunakan Singular Value Decomposition Dan Learning Vector Quantization Muh, Ipnu Udjie Hasiru; Jangkung Raharjo; Nur Ibrahim
eProceedings of Engineering Vol 6, No 2 (2019): Agustus 2019
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Saat ini kopi termasuk komoditas nomor dua terbesar didunia. Namun masih banyak pelaku industri kopi yang belum mengetahui tingkat sangrai biji kopi. Oleh sebab itu diperlukan metode khusus dengan cara mengklasifikasikan tingkat sangrai biji kopi bertujuan dapat mempermudah para pelaku industri kopi dan menambah ketertarikan masyarakat untuk mengenali jenis tingkat sangrai biji kopi, terutama kopi arabika. Proses yang telah dilakukan dalam klasifikasi ini yaitu dengan mengambil citra biji kopi menggunakan device kemudian dilakukan preprocessing. Data yang dipakai pada penelitian ini berjumlah 150 dimana terdapat 90 data latih dan 60 data uji diantaranya terdapat 3 kelas tingkat sangrai biji kopi yaitu, light roast, medium roast, dan dark roast. Ekstraksi ciri menggunakan metode Singular Value Decomposition (SVD) dan klasifikasinya menggunakan Learning Vector Quantization (LVQ). Data dan metode yang telah dirancang kemudian disimulasikan dengan menggunakan Matlab. Hasil akhir dari penelitian ini adalah dapat mengklasifikasi tingkat sangrai dari citra biji kopi yang diambil. Pada penelitian kali ini dengan menggunakan metode yang telah diuji hasil akurasi yang didapatkan sebesar 90%. Kata kunci: kopi, sangrai, Image Processing, Matlab, Singular Value Decomposition, Learning Vector Quantization. Abstratc Currently coffee is the second largest commodity in the world. But there are still many coffee industry players who do not know the level of roasting of coffee beans. Therefore a special method is needed by classifying the roasting level of coffee beans aimed at facilitating coffee industry players and increasing public interest in recognizing the types of roasted coffee beans, especially arabica coffee. The process that has been carried out in this classification is by taking the image of coffee beans using a device then pre-processing. The data used in this study amounted to 150 where there were 90 training data and 60 test data including 3 classes of roasting levels of coffee beans, namely, light roast, medium roast, and dark roast. Feature extraction uses the Singular Value Decomposition (SVD) method and its classification uses Learning Vector Quantization (LVQ). The data and methods that have been designed are then simulated using Matlab. The final result of this research is to be able to classify the level of roasting from the image of coffee beans taken. In this study using a method that has been tested the results obtained by accuracy of 90%. Keywords: coffee, roaster, Image Processing, Matlab, Singular Value Decomposition, Learning Vector
Perancangan Aplikasi Untuk Klasifikasi Klon Daun Teh Seri Gambung (gmb) Menggunakan Algoritma Convolutional Neural Network Ari Ashari Jaelani; Fiky Yosef Supratman; Nur Ibrahim
eProceedings of Engineering Vol 7, No 2 (2020): Agustus 2020
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Pusat Penelitian Teh dan Kina PPTK Gambung di Indonesia membuat sebelas seri klon teh unggul gambung. Tiap seri klon gambung mempunyai cara menanam yang berbeda. Cara menanam yang salah akan menimbulkan gagal panen. Untuk menghindari adanya gagal panen, perlu adanya pengetahuan tentang tipe klon yang akan diproses. Untuk mengatasi permasalah tersebut, dibuat aplikasi berbasis android untuk klasifikasi tipe klon gambung berdasarkan foto daun yang akan diproses secara real time. Algoritma yang digunakan untuk klasifikasi adalah convolutional neural network dengan arsitektur mobilenet. Penelitian ini menggunakan dua jenis dataset dimana dataset pertama memiliki jumlah data sebanyak 1136 foto dan dataset kedua memiliki jumlah data sebanyak 830 foto. Parameter yang digunakan adalah learning rate 0.0001, optimizer adam, epoch 100 dan 204 neuron dalam hidden layer. Dari hasil pengujian yang dilakukan, diperoleh akurasi sebesar 60% dan hasil pengujian aplikasi sebesar 25%. Kata kunci : Jenis klon teh seri gambung, Klasifikasi, Convolutional Neural Network,Mobilenet Abstract The PPTK Gambung Tea and Quinine Research Center in Indonesia makes eleven series of superior gastric tea clones. Each series has a different way of planting. The wrong way to plant will lead to crop failure. To avoid crop failure, knowledge of the type of clone to be processed is needed. To overcome these problems, an Androidbased application is made for the classification of types of stomach clones based on leaf photos which will be processed in real time. The algorithm used for classification is a convolutional neural network with a mobilenet architecture. This study uses two types of data, the first dataset has 1136 photos and the second dataset has 830 photos. The parameters used are the learning rate of 0.0001, adam optimizer, epoch 100 and 204 neurons in the hidden layer. From the results of tests carried out, obtained by 60% testing and application testing results by 25%. Keywords: Types of series tea clones, Classification, Convolutional Neural Network, Mobilenet
Analisis Alokasi Sumber Daya Pada Cognitive Radio Network Menggunakan Algoritma Ant Colony System Dengan Modifikasi Pada Ant Matrix Reza Yudistira; Rita Purnamasari; Nur Ibrahim
eProceedings of Engineering Vol 7, No 3 (2020): Desember 2020
Publisher : eProceedings of Engineering

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

Abstract

Penyakit parkinson adalah penyakit yang menyerang sistem motorik manusia dan termasuk salah satu penyakit yang sulit untuk didiagnosa. Untuk diagnosa penyakit parkinson dibutuhkan metode khusus yang dapat mendiagnosa penyakit parkinson. Hingga saat ini, belum ada satu tes spesifik untuk mendiagnosa adanya penyakit parkinson pada tubuh secara akurat. Penyebab penyakit ini adalah rusaknya sel syaraf yang bernama substantia nigra yang berfungsi menghasilkan senyawa bernama dopamin. Penderita parkinson biasanya mengalami kaku pada otot dan mengalami kesulitan dalam berjalan. Penelitian ini dilakukan dengan cara mengklasifikasi rekaman sinyal yang dihasilkan oleh sensor yang bersumber dari database physiobank. Sensor VGRF yang berjumlah 16 sensor dipasang pada kaki saat berjalan, lalu hasil dari sensor inilah yang nantinya akan diproses dengan metode principal component analysis (PCA) untuk menentukan karakteristik data dan random forest untuk mengklasifikasi data. Banyaknya data dan atribut yang terdapat pada database akan diolah sehingga data lebih sederhana, namun variasi data tetap terjaga, karena variasi dan karakteristik data akan sangat berpengaruh dalam hasil akurasi sistem. Penelitian ini bertujuan untuk membantu mendiagnosa sejak dini pada pasien yang diduga mengidap penyakit parkinson. Sistem yang dihasilkan pada penilitian ini diharapkan dapat membantu proses diagnosa pasien berdasarkan jejak rekam medis pasien. Reduksi dimensi data dapat dicapai menggunakan metode PCA, yaitu dengan mengubah dimensi data sebanyak 0,142% dari data utama. Metode random forest dapat mengkliasifikasi data dengan baik, hal ini dicapai dengan kombinasi parameter n_estimator = 31 dan max depth = 9. Akurasi terbaik yaitu sebesar 95,13 % namun proses komputasi memerlukan waktu 85 detik, sedangkan waktu komputasi terbaik didapatkan dengan menggubah paramaeter max depth = 2 dengan waktu 68 detik namun dengan akurasi 71%. Kata kunci: Penyakit Parkinson, Principal Component Analysis, Random Forest.
Perancangan Dan Implementasi Sistem Deteksi Manusia Menggunakan Citra Webcam Dengan Fitur Notifikasi Pada Ponsel Reyhan Ivandhani; Iwan Iwut Tritoasmoro; Nur Ibrahim
eProceedings of Engineering Vol 7, No 2 (2020): Agustus 2020
Publisher : eProceedings of Engineering

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

Abstract

Pencurian merupakan permasalahan yang sering terjadi, ketika tidak adanya pengawasan terhadap suatu ruangan maupun barang yang memiliki nilai penting bagi pemiliknya, kita tidak bisa memantau kondisi yang terjadi jika tidak adanya pengawasan, hal ini sering menjadi kendala. Pengawasan dapat dikerjakan dengan menggunakan kamera pengawas CCTV, namun hal ini hanya dapat melakukan pemantauan secara pasif. Diperlukan sistem yang dapat mengidentifikasi sesuatu bila terdapat penyusup. Pada penelitian ini merancang suatu sistem pendeteksi objek manusia dimana hasil yang diperoleh nantinya dapat di notifikasikan pada mobile phone. Metode sistem untuk mengenali objek manusia menggunakan Haar Cascade Clasifier. Tingkat akurasi yang dicapai oleh sistem untuk mendeteksi objek manusia 82% - 94% dan pengiriman notifikasi mencapai tingkat akurasi 100%.Kata kunci : Haar Cascade Clasifier, OpenCV, Deteksi Objek Manusia, Mobile Phone Notifikasi
Identifikasi Batik Pekalongan Menggunakan Metode Gray Level Co-occurrence Matrix Dan Probabilistic Neutral Network Frisnanda Aditya; Jangkung Raharjo; Nur Ibrahim
eProceedings of Engineering Vol 6, No 3 (2019): Desember 2019
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Batik adalah kesenian menggambar diatas kain yang dalam pembuatannya dilakukan secara khusus. Kerajinan batik setiap daerah memiliki ciri khas tertentu salah satunya batik Pekalongan. Perkembangan dan jenis yang membedakan batik dari negara lain masih belum banyak yang mengetahui, dikarenakan belum adanya pendataan secara komputerisasi yang baik dan belum adanya aplikasi untuk menganalisis batik Pekalongan guna membantu pengetahuan masyarakat Indonesia. Berdasarkan permasalahan diatas penulis membuat sistem yang dapat mengidentifikasi motif batik Pekalongan. Pada Tugas Akhir ini telah dilakukan penelitian Identifikasi batik Pekalongan menggunakan metode Gray Level Co-occurrence Matrix sebagai metode ekstraksi ciri dan metode Probabilistic Neural Network sebagai klasifikasi. Metode Gray Level Co-occurrence Matrix merupakan matriks yang mengandung informasi mengenai posisi ketetanggaan piksel yang memiliki tingkat keabuan tertentu. Jaringan Probabilistic Neural Network jauh lebih relatif tidak sensitif terhadap outlier dan menghasilkan prediksi probabilitas target yang akurat. Dari hasil pengujian pengklasifikasian ini diperoleh akurasi terbaik 98,33%. Akurasi diperoleh dari pengujian 150 citra menggunakan parameter Gray Level CoOccurrence Matrix kontras-korelasi-energy-homogenitas, dengan nilai sudut 𝟎°, 𝟒𝟓°, 𝟗𝟎°𝟏𝟑𝟓°, dan radius = 1 dan Probabilistic Neural Network yaitu, ukuran gambar 256 × 256, dan nilai spread 0.1.Kata Kunci: Batik, Gray Level Co-Occurrence Matrix, Probabilistic Neutral Network Abstract Batik is the art of drawing on fabric which is specially made in its making. Batik crafts in each region have certain characteristics, one of which is Pekalongan batik. Not many people know about the development and types that distinguish batik from other countries, due to the lack of a good computerized data collection and the absence of applications to analyze Pekalongan batik to help the knowledge of the Indonesian people. Based on the above problems the writer makes a system that can identify Pekalongan batik motifs. In this Final Project a research on Pekalongan batik identification has been carried out using the Gray Level Co-occurrence Matrix method as a feature extraction method and the Probabilistic Neural Network method as a classification method. The Gray Level Co-Occurrence Matrix method is a matrix that contains information about the neighboring pixel positions that have a certain gray level. Probabilistic Neural Networks are far more relatively insensitive to outliers and produce accurate target probability predictions. From the test results obtained the best accuracy of 98,33%. Accuracy was obtained from testing 150 images using the parameter Gray Level Co-Occurrence Matrix contrast-correlation-energy-homogeneity, with angular values 𝟎°, 𝟒𝟓°, 𝟗𝟎°𝟏𝟑𝟓°, and radius = 1. While Probabilistic Neural Network uses the 256×256 image size parameter and the Spread value 0.1. Keywords: Batik, Gray Level Co-Occurrence Matrix, Probabilistic Neural Network
Identifikasi Penyakit Pada Daun Kopi Menggunakan Metode Local Binary Pattern Dan Random Forest Begita Wahyuningtyas; Iwan Iwut Tritoasmoro; Nur Ibrahim
eProceedings of Engineering Vol 9, No 6 (2022): Desember 2022
Publisher : eProceedings of Engineering

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

Abstract

Abstrak—Kopi adalah hasil perkebunan yang sangat penting dan merupakan salah satu penghasil devisa terbesar dalam perekonomian Indonesia. Namun, tingkat kualitas dan kuantitas produksi kopi di Indonesia masih rendah. Salah satu faktor yang mempengaruhi adalah kematian tanaman kopi akibat terinfeksi penyakit, sehingga perlu dilakukan pencegahan awal dengan mengidentifikasi penyakit. Identifikasi dapat dilakukan dengan melihat perubahan warna dan bentuk fisik dari daun. Namun, karena lahan perkebunan kopi yang luas dengan jumlah tanaman yang banyak membuat petani kesulitan dalam mengidentifikasi penyakit dengan tepat. Pada tugas akhir ini telah dirancang sistem pengolahan citra digital yang dapat megidentifikasi penyakit pada daun kopi. Penyakit daun kopi diidentifikasi kedalam 3 jenis penyakit, yaitu Leaf Blight, Leaf Miner, dan Leaf Rust. Proses pengolahan citra digital menggunakan metode ekstraksi ciri Local Binary Pattern dan metode klasifikasi Random Forest. Dataset yang digunakan sebanyak 240 citra, terbagi menjadi 192 citra data latih dan 48 citra data uji. Dari hasil pengujian diperoleh akurasi terbaik sebesar 95,83% dengan menggunakan parameter ukuran citra 128x128 piksel, radius LBP = 1, dan nestimators Random Forest = 100. Sehingga dapat disimpulkan bahwa sistem yang dibangun dapat berjalan dengan baik dalam mengidentifikasi penyakit pada daun kopi. Kata Kunci: kopi, penyakit daun, local binary pattern, random forest
Perancangan Sistem Deteksi Tuberkulosis Menggunakan Metode Yolov8 Yasman, Fudhla Ramadhana; Fauzi, Hilman; Ibrahim, Nur
eProceedings of Engineering Vol. 12 No. 4 (2025): Agustus 2025
Publisher : eProceedings of Engineering

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

Abstract

Tuberkulosis (TBC) masih menjadi salah satu masalah kesehatan utama di Indonesia, khususnya di wilayah dengan keterbatasan tenaga medis. Deteksi dini menggunakan citra x-ray merupakan pendekatan yang efektif untuk mendukung diagnosis, namun terbatasnya jumlah dokter radiologi menjadi kendala tersendiri. Penelitian ini mengembangkan sistem deteksi tuberkulosis berbasis aplikasi desktop yang mengintegrasikan algoritma YOLOv8 dengan input citra x-ray dari webcam. Model YOLOv8 dilatih menggunakan dataset tiga kelas (Normal, Pneumonia, TBC) dan dievaluasi berdasarkan metrik precision, recall, dan mAP@50. Hasil pelatihan menunjukkan performa fine-tuned yang optimal dengan precision sebesar 0,942, recall sebesar 0,936, dan mAP@50 sebesar 0,543. Sistem ini dirancang untuk berjalan secara lokal tanpa instalasi kompleks, menjadikannya praktis untuk digunakan di fasilitas layanan primer. Pengujian menunjukkan sistem mampu mendeteksi citra x-ray secara real-time pada jarak 40–60 cm dengan hasil visual berupa bounding box. Evaluasi oleh dokter spesialis paru menunjukkan tingkat kesesuaian tinggi antara hasil model dan interpretasi medis. Meskipun dibutuhkan peningkatan dalam membedakan pneumonia dan TBC, sistem ini menunjukkan potensi sebagai alat bantu skrining dini yang efektif dan adaptif. Kata kunci— Tuberkulosis, YOLOv8, Deep Learning, Sistem Deteksi
Klasifikasi Tulisan Tangan Bahasa Arab Menggunakan Teknik Yolo Firdaus, Muhammad Ilham Zuhruf; Saidah, Sofia; Ibrahim, Nur
eProceedings of Engineering Vol. 12 No. 4 (2025): Agustus 2025
Publisher : eProceedings of Engineering

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

Abstract

Tulisan tangan dalam bahasa Arab memiliki tantangan tersendiri dalam proses pengenalan otomatis karena bentuk hurufnya yang kompleks, bersambung, serta adanya variasi gaya penulisan individu. Permasalahan ini menjadi penting untuk dipecahkan terutama dalam konteks digitalisasi dokumen dan aplikasi pendidikan berbasis teknologi. Penelitian ini bertujuan untuk mengembangkan sistem pendeteksi tulisan tangan bahasa Arab dengan memanfaatkan teknik You Only Look Once (YOLO), sebuah pendekatan object detection berbasis deep learning yang dikenal karena kecepatannya dalam mengenali objek secara real-time. Penelitian ini dibatasi pada deteksi huruf-huruf tunggal dalam tulisan tangan, bukan pada pengenalan kata utuh atau kalimat. Metode yang digunakan melibatkan beberapa tahap utama, dimulai dari pengumpulan dataset tulisan tangan bahasa Arab yang telah dilabeli secara manual. Selanjutnya dilakukan proses pelatihan model menggunakan arsitektur YOLOv9 dengan menyesuaikan parameter agar optimal terhadap karakteristik huruf Arab. Model dilatih untuk mendeteksi dan mengklasifikasikan huruf secara individu dalam gambar tulisan tangan. Setelah pelatihan, dilakukan evaluasi menggunakan metrik seperti mean Average Precision (mAP), presisi, dan recall untuk mengukur performa sistem. Dalam proses ini juga dilakukan augmentasi data untuk meningkatkan generalisasi model terhadap berbagai bentuk tulisan tangan. Hasil dari penelitian ini menunjukkan bahwa penggunaan YOLO efektif dalam mendeteksi tulisan tangan huruf Arab dengan akurasi yang cukup tinggi, terutama dalam kondisi pencahayaan dan latar belakang yang bervariasi. Sistem yang dikembangkan mampu melakukan deteksi secara cepat dan akurat, serta memiliki potensi untuk dikembangkan lebih lanjut dalam aplikasi OCR (Optical Character Recognition) untuk bahasa Arab. Penelitian ini diharapkan dapat menjadi langkah awal dalam pengembangan sistem pengenalan tulisan tangan Arab yang lebih kompleks di masa depan. Kata kunci— YOLO, Tulis tangan, OCR, Bahasa Arab
Co-Authors Abdul Hafiz Suherman Adhi Irianto Mastur, Adhi Irianto Afifah Amatulla Suaib Andrean David Chrismadandi Anindita Fitriani Annisa Adlina Mulyaningrum Annisa Bianca Hayuningtyas Ari Ashari Jaelani Asyraf Fakhri AZIZAH AULIA RAHMAN BACHERAMSYAH, TASYA FIKRIYAH Bambang Hidayat Bambang Hidayat Begita Wahyuningtyas Carudin, Carudin Citra Marshela Danish Ario Wirawan Denis Ramadana Efri Suhartono Eka Wulandari Fajar Dwi Septria Fanny Oksa Salindri Faturachman Faturachman Fiky Yosef Supratman Firdaus, Muhammad Ilham Zuhruf Frisnanda Aditya Fu'adah, R. Yunendah Nur Galuh Lintang Permatasari Gelar Budiman HAFIZHANA, YASQI HANAFI, FANIESA SAUFANA Heri Syahrian Heri Syahrian, Heri Hilman Fauzi, Hilman Hurianti Vidya Ibnu Da’wan Salim Ubaidah Ilva Herdayanti Inung Wijayanto Iqbal Afriadi Irma Safitri Iwan Iwut Tritoasmoro Iwan Iwut Tritosmoro Jangkung Raharjo Kevin Aglianry KHAERUDIN SALEH Koredianto Usman Krisma Asmoro Ledya Novamizanti LESTARY, GITA AYU Mas, Muhammad Sabri Muh, Ipnu Udjie Hasiru Muh. Gazali Saleh Muhammad Khais Prayoga Muhammad Rizqi Rahmawan Muthia Syafika Haq, Muthia Syafika Nabila Herman Nasywan Azrial Fariqin NOR CAECAR KUMALASARI Nor Kumalasari Caecar Pratiwi PRAMUDITHO, MUHAMMAD ADNAN PRATIWI, NOR KUMALASARI CAESAR R. Yunendah Nur Fu’adah Rahma Nur Auliasari Ramadhan Prasetya Dahlan Ramdhan Nugraha Reyhan Ivandhani Reza Yudistira Rezki Diar Amelia Rifqi, Farhan Sulthan Rita Magdalena Rita Purnamasari Rustam Sa’idah, Sofia Satrio Ardhimasetyo SISLY DESTRI AGUSTIN Sjafril Darana SOFIA SAIDAH Sulthan Rifqi, Farhan SY, NIDAAN KHOFIYA Syamsu Rizal Syamsul Rizal Syamsul Rizal Syifa Maliah Rachmawati TALININGSING, FAUZI FRAHMA UBAIDULLAH, IBNU DAWAN Vidiya Rossa Atfira Vidya, Hurianti Vitria Puspitasari Rahadi Vitria Puspitasari Rahadi WIDIANTO, MOCHAMMAD HALDI Yasman, Fudhla Ramadhana YOGASWARA, HERLAMBANG Yusup, Dadang