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 62 Documents
Search

 2   3   4   5   6 
Deteksi Kualitas Kemurnian Susu Sapi Melalui Pengolahan Citra Digital Menggunakan Metode Binary Large Object Dengan Klasifikasi Learning Vector Quantization Annisa Bianca Hayuningtyas; 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 minuman yang sangat penting bagi masyarakat untuk kesehatan. Manfaat dari susu sapi salah satunya adalah sumber protein, kalsium, karbohidrat dan lemak yang sangat baik untuk memenuhi kebutuhan sehari-hari pada tubuh. Namun tidak jarang juga produsen mencampur susu sapi dengan volume air yang banyak, sehingga melakukan pencampuran air pada susu. Oleh karena itu, masyarakat perlu mengetahui bagaimana kemurnian susu sapi yang baik dan tidak mengandung air yang banyak. Pada penelitian ini dibuat sebuah sistem mengidentifikasi dan mengklasifikasikan kemurnian susu sapi dengan persentase kandungan susu 20%, 40%, 60%, 80% dan 100%. Metode ekstraksi yang digunakan adalah algoritma Binary Large Object (BLOB) dan metode klasifikasi yang digunakan adalah Learning Vector Quantization (LVQ). Penelitian dilakukan dengan mengambil sample citra susu sapi yang dicampur dengan persentase kadar air yang berbeda. Kemurnian citra susu sapi dibedakan berdasarkan bentuk dan tekstur hasil pengolahan citra digital dengan ekstraksi ciri Binary Large Object. Hasil dari penelitian ini menunjukan tingkat akurasi sistem sebesar 80% dengan menggunakan data citra latih 30 dan data citra uji 12 dari susu pasteurisasi. Kata kunci: Susu Sapi, Citra Digital, Binary Large Object , Learning Vector Quantization Abstract Cow's milk is a drink that is very important for the community for health. One of the benefits of cow's milk is a source of protein, calcium, fat and fat which is very good for meeting the daily needs of the body. But not infrequently also producers mix cow's milk with a lot of air volume, so that mixing air into milk. Therefore, people need to know about the purity of cow's milk which is good and does not contain a lot of water. In this study a composition system was created and classified cow's milk with the composition percentage of milk 20%, 40%, 60%, 80% and 100%. The extraction method used is the Binary Large Object (BLOB) algorithm and the classification method used is the Learning Vector Quantization (LVQ). The research was conducted by taking samples of cow's milk mixed with different percentages of water content. Digital images of cow's milk are distinguished based on the shape and texture of the results of digital image processing with extraction of features of Large Object Binary. The results of this study indicate a system completion rate of 80% using 30 data training images and 12 data training images from pasteurized milk. Keywords: Cow’s milk, Image Processing, Binary Large Object, Learning Vector Quantization 1. Pendahuluan Susu sapi merupakan minuman yang sangat penting bagi masyarakat untuk kesehatan. Manfaat dari susu sapi adalah sumber protein, kalsium, karbohidrat dan lemak yang sangat baik untuk memenuhi kebutuhan sehari-hari pada tubuh . Ciri utama dari susu sapi segar yang baik adalah warna susu yang putih kekuningan. Mengkonsumsi susu sapi ini sudah sebagai hal yang umum, tidak jarang juga produsen mencampur susu sapi dengan volume air yang banyak, sehingga berukurangnya pula nutrisi pada susu. Masyarakat perlu mengetahui bagaimana kemurnian susu sapi yang baik dan tidak mengandung air yang banyak. Sebenarnya masyarakat dapat melakukannya dengan cara melihat warna susunya saja yaitu apabila susu terlalu banyak dicampurkan dengan air, maka warna susu tersebut akan menjadi kebiruan. Tetapi cara ISSN : 2355-9365 e-Proceeding of Engineering : Vol.6, No.2 Agustus 2019 | Page 3838 2 tersebut masih belum akurat sehingga perlu adanya bantuan di bidang teknologi dalam menangani hal tersebut. Pada penelitian ini, susu yang akan digunakan adalah jenis susu pasteurisasi. Pengambilan gambar susu sapi murni dengan persentasi kandungan susu 20%, 40%, 60%, 80% dan 100% murni. Metode yang dilakukan menggunakan ekstraksi ciri Binary Large Object dan klasifikasi Learning Vector Quantization.
Watermarking Video Dengan Penyisipan Citra Berbasis Lsb Menggunakan Transformasi Wavelet Dual-tree Complex Galuh Lintang Permatasari; Iwan Iwut Tritoasmoro; 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 Teknologi telekomunikasi di era ini berkembang sangat pesat. Salah satu teknologinya yaitu teknologi yang bisa mengubah keaslian data milik orang lain dan penyebabnya dapat merugikan pemilik data tersebut. Untuk mengatasinya dengan menggunakan teknik watermarking, teknik watermarking ialah teknik penyisipan kode dan kode tersebut berupa gambar, teks, suara, video tanpa diketahui orang lain selain pemilik data tersebut. Sistem Watermarking yang dibangun pada tugas akhir ini menggunakan metode Least Significant Bit dan Transformasi Wavelet Dual-Tree Complex . Video host akan disisipkan pesan rahasia berupa citra biner. Hasil penelitian pada tugas akhir ini Video Watermarking pada aplikasi Matlab, Nilai parameter pengujian yang didapat dari akuisisi video dengan ukuran 240p dan 480p citra yang berukuran 32x32 dan 64x64 sangat baik. Nilai MSE yang didapat berkisar antara 0.0001 hingga 0.03 dan nilai PSNR yang didapat berkisar antara 62 hingga 86. Selain itu nilai BER yang didapat bernilai 0 hingga 0.4. Sedangkan untuk serangan, yang sangat baik pada video watermarking terdapat pada serangan Noise Gaussian blur dan serangan yang buruk terdapat pada serangan Noise Salt and Pepper. Kata Kunci: Watermarking, Least Significant Bit, Dual-Tree Complex Wavelet Transformation. Abstract Telecommunications technology in this era is growing very rapidly. One of the technologies is a technology that can change the authenticity of other people's data and the cause can harm the data owner. To overcome this by using watermarking techniques, the watermarking technique is the technique of inserting the code and code in the form of images, text, sound, video without anyone else other than the owner of the data. The watermarking system that was built in this thesis uses the Least Significant Bit method and the Dual-Tree Complex Wavelet Transform. The video host will be inserted a secret message in the form of a binary image. The results of this study in this final project Video Watermarking in the Matlab application, the value of the test parameters obtained from the acquisition of videos with a size of 240p and 480p images of 32x32 and 64x64 size is very good. MSE values obtained ranged from 0.0001 to 0.03 and PSNR values obtained ranged from 62 to 86. In addition, the BER values obtained were from 0 to 0.4. As for the attack, which is very good in the video watermarking is in the Noise Gaussian blur attack and a bad attack is in the Noise Salt and Pepper attack. Key Words: Watermarking, Least Significant Bit, Dual-Tree Complex Wavelet Transformation
Klasifikasi Sinyal Eeg Saat Mendengarkan Musik Rock Dan Musik Klasik Dengan Metode Transformasi Wavelet Ilva Herdayanti; Inung Wijayanto; 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 Konsentrasi merupakan hal yang dibutuhkan siswa dalam memahami materi pelajaran agar dapat mencapai hasil belajar yang maksimal. Banyak faktor yang dapat mempengaruhi konsentrasi, salah satunya faktor eksternal seperti suara. Musik merupakan salah satu jenis suara yang dapat meningkatkan konsentrasi seseorang. Dengan menggunakan Electroenchephalography (EEG) sebagai instrumen untuk menangkap sinyal otak, kita dapat mengetahui apa pengaruh dari stimulasi musik terhadap konsentrasi. Tugas akhir ini bertujuan untuk mengklasifikasi dan menganalisis sinyal EEG terhadap kondisi konsentrasi seseorang saat mendengarkan musik rock dan musik klasik dengan melihat bentuk gelombang otak manusia dari sinyal alpha dengan rentang frekuensi (8-16) Hz dan sinyal beta dengan rentang frekuensi (16-32) Hz. Masukan sistem didapatkan dari pengambilan sinyal EEG pada bagian kepala menggunakan alat EEG 4 kanal yaitu MUSE Brain Sensing Headband. Selanjutnya sinyal EEG yang telah direkam akan transformasikan dari domain waktu ke domain frekuensi. Kemudian dilakukan ekstraksi ciri menggunakan Discrete Wavelet Transform (DWT) sebagai pemodelan untuk meningkatkan akurasi dengan mengekstraksi sinyal terhadap gelombang alpha dan beta. Selanjutnya dilakukan proses klasifikasi menggunakan K-Nearest Neighbor (KNN). Hasil pengujian menunjukan bahwa kanal terbaik terdapat pada kanal AF8 dengan akurasi 96% untuk sinyal alpha dan 85% untuk sinyal beta. Pada kanal AF8 untuk sinyal alpha terdapat 26 data yang terdeteksi benar dan 1 data yang terdeteksi salah, sedangkan untuk sinyal beta terdapat 23 data yang terdeteksi benar dan 4 data yang terdeteksi salah. Kata kunci : Discrete Wavelet Transform, Electroenchephalography, KNN, Konsentrasi. Abstract Concentration is something that students need in understanding subject matter in order to achieve maximum learning outcomes. Many factors can affect concentration, one of which is external factors such as sound. Music is one type of sound that can increase one's concentration. By using Electroenchephalography (EEG) as an instrument to capture brain signals, we can find out what the effects of music stimulation on concentration. This final project aims to classify and analyze EEG signals against a person's concentration conditions when listening to rock music and classical music by looking at human brain waveforms from alpha signals with frequency ranges (8-16) Hz and beta signals with frequency ranges (16-32) Hz. System input is obtained from EEG signal capture on the front head of the section using a 4-channel EEG device, namely MUSE Brain Sensing Headband. Then the recorded EEG signal will transform from the time domain to the frequency domain. Then feature extraction is performed using Discrete Wavelet Transform (DWT) as a model to improve accuracy by extracting signals against Alpha and Beta waves. Then the classification process is carried out using K-Nearest Neighbor (KNN). The test results show that the best channels are on the AF8 channel with 96% accuracy for alpha signals and 85% for beta signals. On AF8 channel for alpha signal there are 26 data detected correctly and 1 data detected incorrectly, while for beta signal there are 23 data detected correctly and 4 data detected incorrectly. Keywords : Concentration, Discrete Wavelet Transform, Electrochephalography, KNN.
Klasifikasi Emosi Berdasarkan Sinyal Suara Manusia Menggunakan Metode K-nearest Neighbor Fajar Dwi Septria; 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 Salah satu bentuk interaksi antar manusia adalah dengan berdialog atau berbicara. Biasanya interaksi antar manusia tidak selalu baik dikarenakan pengaruh beberapa faktor seperti berbeda pendapat, harapan tidak sesuai kenyataan atau tidak selalu buruk dikarenakan faktor suasana hati yang sedang baik. Hal-hal tersebut pasti akan sangat mempengaruhi kepada emosi seseorang, emosi tersebut dapat ditentukan melalui sinyal suara. Emosi yang akan diidentifikasi pada penelitian ini adalah bahagia, marah, sedih, dan kaget. Sinyal suara direpresentasikan dengan fitur Linear Predictive Coding (LPC). Performa dari sistem akan diukur berdasarkan akurasi dalam ketepatan deteksi emosi. penggunaan metode klasifikasi yaitu Key-Nearest Neighbor (K-NN) Pemilihan metode ini akan diujikan dengan objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan objek tersebut, beberapa aturan jarak pada K-NN juga mempengaruhi terhadap akurasi sistem pengujian. Hasil pengujian menunjukan bahwa akurasi tertinggi yang didapatkan adalah 92.5% dengan menggunakan 6 feature statistik LPC yaitu mean, variance, standar deviasi, skewness, kurtois, entrophy dan menggunakan Distance Cityblock pada K-NN dari 100 data latih dan 40 data uji. Parameter terbaik yang didapatkan adalah 14 panjang matriks maksimum, 22 window cepstral, dan parameter k adalah 1 (satu). Kata kunci : K-Nearest Neighbor (K-NN), Linear Pedictive Coding (LPC), Emosi. Abstract One form of interaction between humans is by talking or dialogue. The interaction between humans is not always going well because it influenced by several factors such as differing opinions, expectations not in reality or not always bad due to good mood factors. These things will definitely affect a person's emotions, these emotions can be determined through sound signals. The emotions that will be identified in this study are happy, angry, sad, and shocked. Sound signals are represented by the Linear Predictive Coding (LPC) feature. The performance of the system will be measured based on accuracy in the accuracy of emotional detection. This research is proposed using the Key-Nearest Neighbor (K-NN) classification method. The selection of this method will be tested with objects based on learning data that is the closest distance to the object, some rules of distance on K-NN also affect the accuracy of the testing system. The result of the test showed that the highest accuracy obtained was 92.5% using 6 LPC statistical features, which contain mean, variance, standard deviation, skewness, kurtois, entrophy and Distance Cityblock on K-NN from 100 training data and 40 test data. The best parameters obtained are 14 maximum matrix lengths, 22 cepstral windows, and the k parameter is 1 (one). Keywords : K-Nearest Neighbor (K-NN), Linear Pedictive Coding (LPC), Emotion.
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
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