Article Per Year (5 Year)
p-Index From 2021 - 2026
0.778
P-Index
This Author published in this journals
All Journal Teknika
Lina
Program Studi Teknik Informatika, Fakultas Teknologi Informasi, Universitas Tarumanagara, DKI Jakarta
Computer Science & IT Electrical & Electronics Engineering Engineering

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Pendeteksian Leukosit Secara Otomatis Melalui Citra Preparat Berbasis Region Proposal Network Lina; Michelle Augustine; Oktaviana; Arlends Chris
Teknika Vol 11 No 3 (2022): November 2022
Publisher : Center for Research and Community Service, Institut Informatika Indonesia (IKADO) Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34148/teknika.v11i3.541

Abstract

Perkembangan teknologi yang sangat pesat telah membantu dunia medis untuk mendiagnosis kondisi kesehatan seseorang. Salah satu cara untuk melakukan diagnosis medis yang paling utama yaitu melalui pemeriksaan sel darah. Darah terdiri dari eritrosit, leukosit, dan plasma darah. Salah satu komponen darah yang sering dianalisis untuk mengetahui kondisi tubuh adalah leukosit. Analisis dapat dilakukan dengan melakukan perhitungan terhadap jumlah leukosit yang ada dalam tubuh. Tahap awal dari proses perhitungan sel darah adalah dengan melakukan pendeteksian terhadap lokasi sel darah melalui citra digital preparat sel darah. Pada penelitian ini, pendeteksian dilakukan secara otomatis menggunakan teknik Region Proposal Network dengan mengaplikasikan metode Faster R-CNN. Proses utama pendeteksian leukosit terdiri dari tahap pre-processing dan tahap pendeteksian area leukosit menggunakan metode Faster R-CNN. Target dari sistem yang diusulkan adalah untuk mendapatkan area leukosit dan menandainya secara otomatis. Eksperimen dilakukan terhadap citra preparat sel darah yang diwarnai dengan cairan Wright, maupun citra preparat sel darah yang tidak diwarnai. Hasil eksperimen menunjukkan tingkat akurasi pendeteksian area leukosit sebesar 99,54% untuk citra leukosit dengan pewarnaan dan akurasi pendeteksian sebesar 93,21% untuk citra leukosit tanpa pewarnaan.
Sistem Manajemen Inventori Dengan Pengenalan Barang Secara Otomatis Menggunakan Metode Convolutional Neural Network Ferbian Loekman; Lina
Teknika Vol 12 No 1 (2023): Maret 2023
Publisher : Center for Research and Community Service, Institut Informatika Indonesia (IKADO) Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34148/teknika.v12i1.596

Abstract

Saat ini teknologi barcode masih luas penggunaannya untuk mendata stok barang. Namun pada faktanya barcode juga memiliki kelemahan. Misal, barcode rentan mengalami kerusakan sehingga data di dalamnya sulit terbaca oleh scanner. Selain itu, barcode juga hanya bisa di-scan pada jarak tertentu, serta letaknya yang berbeda-beda di setiap produk juga membuat user harus mencari letak barcode terlebih dahulu sebelum di-scan. Teknologi RFID yang ditawarkan untuk menjadi jalan keluar dari permasalahan pada teknologi barcode juga memiliki beberapa hambatan untuk penerapannya, salah satu contohnya adalah biaya yang mahal. Pada penelitian ini dibuat sebuah sistem manajemen inventori berbasis website menggunakan HTML, CSS, dan PHP. Hasil black box testing fungsionalitas web menunjukkan hasil yang sangat baik, tingkat keberhasilannya mencapai 93,94%. Teknologi computer vision khususnya object recognition yang menggunakan arsitektur ResNet dalam CNN juga diterapkan untuk mengenali barang melalui input-an citra objek secara otomatis. Setelah melakukan training data terhadap sepuluh kelas yang sudah ditentukan, didapatkan sebuah model dengan validation loss sebesar 1.0834e-04 dan validation accuracy mencapai 100%. Berdasarkan testing yang dilakukan, model sudah mampu mengenali satu objek dalam satu frame foto dengan tingkat akurasi mencapai 90%. Namun akurasinya menurun untuk skenario testing dengan dua dan lima objek dalam satu foto, sehingga mendapatkan hasil tingkat akurasi 56% dan 54%.
Co-Authors Arlends Chris Ferbian Loekman Michelle Augustine Oktaviana