Article Per Year (5 Year)
p-Index From 2020 - 2025
2.572
P-Index
This Author published in this journals
All Journal Seminar Nasional Aplikasi Teknologi Informasi (SNATI) Jurnal Ilmiah Teknologi dan Rekayasa Sebatik Journal of System and Computer Engineering
Ericks Rachmat Swedia
Universitas Gunadarma
Automotive Engineering Computer Science & IT Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Industrial & Manufacturing Engineering Materials Science & Nanotechnology

Published : 17 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 17 Documents
Search

 1   2 
IMPLEMENTASI COLOR DETECTION MENGGUNAKAN ALGORITMA MIDPOINT BERBASIS SISTEM OPERASI ANDROID Dimas Lutfhi Amrullah; Ericks Rachmat Swedia; Margi Cahyanti; M Ridwan Dwi Septian
Sebatik Vol 26 No 1 (2022): Juni 2022
Publisher : STMIK Widya Cipta Dharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46984/sebatik.v26i1.1631

Abstract

Pengolahan citra selalu berhubungan erat dengan warna, namun ada beberapa metode pada yang mempunyai banyak kekurangan seperti metode Hue Saturation Value (HSV) yang hanya dapat mengenali 6 warna saja dan beberapa model pengenalan citra lainnya seperti Hue Saturation Lightness (HSL), Hue Saturation Intensity (HSI), Hue Chroma Lightness (HCL), dan masih banyak metode pengolahan citra lainnya yang penggunaannya tidak secara real time. Tujuan penelitian ini adalah merancang sebuah aplikasi pengolahan citra untuk mendeteksi warna berdasarkan kode heksa, kode Red, Green, Blue (RGB), dan pencatatan waktu pendeteksian yang dilakukan, mengimplementasikan Algoritma Midpoint ke dalam aplikasi, dan melakukan proses pengenalan citra tersebut secara real time. Algoritma Midpoint merupakan algoritma untuk mendapatkan titik tengah dari layar pada saat mengambil gambar objek menggunakan kamera smartphone. Titik tengah diperoleh dengan mendapatkan parameter yaitu koordinat ½ tinggi untuk sumbu y, dan ½ lebar untuk sumbu x sehingga dapat diperoleh titik pusat dari tengah layar. Dalam penelitian ini peneliti menggunakan bahasa pemrograman Java dengan JavaScript Object Nation (JSON) sebagai alat penyimpanan data dari warna yang digunakan untuk melakukan proses pengenalan warna Red, Green, Blue (RGB). Penelitian ini juga menambahkan metode Waterfall yaitu perencanaan, analisis, perancangan, implementasi, dan pengujian. Pada saat pengujian, peneliti menggunakan 15 data citra untuk diproses dan diharapkan adanya aplikasi ini dapat mempermudah pengguna dalam mengenali berbagai macam citra pada area di sekitar.
IMPLEMENTASI SENTIMENT ANALYSIS PADA OPINI MASYARAKAT INDONESIA DI TWITTER TERHADAP VIRUS COVID-19 VARIAN OMICRON DENGAN ALGORITMA NAÏVE BAYES, DECISION TREE, DAN SUPPORT VECTOR MACHINE Azriyan Arham; Ericks Rachmat Swedia; Margi Cahyanti; M Ridwan Dwi Septian
Sebatik Vol 26 No 2 (2022): Desember 2022
Publisher : STMIK Widya Cipta Dharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46984/sebatik.v26i2.1961

Abstract

Covid-19 merupakan suatu penyakit pneumonia yang menjadi penyebab pandemi tahun 2020. Selama berlangsungnya pandemi, Covid-19 terus mengalami mutasi genetik yang menghasilkan varian-varian baru dengan fenotip, pola transmisi, dan virulensi yang beragam. WHO sendiri mengelompokkan varian Covid-19 menjadi 3 varian, yaitu Variant of Interest (VoI), Variants under Monitoring (VUM), dan Variants of Concern (VoC) (Susilo et al., 2022). Omicron merupakan muatsi Covid-19 yang termasuk ke dalam dan diperkirakan memiliki daya transmisi lebih cepat daripada varian Delta sehingga diindikasi lebih cepat menyebar (Susilo dkk., 2022). Untuk itu dilakukan penelitian tentang analisis sentimen pengguna Twitter di Indonesia terhadap Covid-19 varian Omicron. Penelitian menerapkan tiga algoritma klasifikasi, di antaranya adalah algoritma Naïve Bayes, algoritma Support Vector Machine, dan algoritma Decision Tree. Penelitian dilakukan dengan menggunakan Python sebagai bahasa pemrograman dan Google Colaboratory sebagai tools. Penelitian ini menggunakan data Tweet sebanyak 3,931 data yang diambil dari tanggal 28 April 2022 hingga 4 Juni 2022. Tahapan pada penelitian ini terdiri dari penarikan data, data preprocessing, pelabelan sentimen, klasifikasi, pengujian model, visualisasi data, serta implementasi algoritma ke dalam platform website. Analisis yang dilakukan, algoritma akurasi tertinggi adalah algoritma Support Vector Machine dengan nilai akurasi sebesar 81,68%, kemudian algoritma Naïve Bayes menghasilkan nilai akurasi sebesar 74,25%, dan algoritma Decision Tree menghasilkan nilai akurasi sebesar 72,77%. Pada ketiga algoritma menggunakan data uji sebanyak 202 data. Sementara itu berdasarkan analisis yang dilakukan, didapatkan sentimen netral dengan sentimen tertinggi sebesar 63,7%, lalu sentimen negatif sebesar 21,1%, dan sentimen positif sebesar 15,2%.
SISTEM IDENTIFIKASI WARNA TANAH MUNSELL MENGGUNAKAN SENSOR WARNA TCS3200 DAN KELEMBABAN YL-69 Missa Lamsani; Restu Adeline Pangestika; Margi Cahyanti; Ericks Rachmat Swedia
Sebatik Vol. 27 No. 1 (2023): Juni 2023
Publisher : STMIK Widya Cipta Dharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46984/sebatik.v27i1.2249

Abstract

Tanah merupakan salah satu sumber daya yang penting bagi kehidupan di Bumi. Tanah menyediakan air, udara serta nutrisi yang dibutuhkan oleh Bumi. Berdasarkan sudut pandang penggunaan lahan untuk kebutuhan pertanian dan produksi biomassa, sumber daya lahan dapat menghasilkan makanan, pakan, pakaian, tempat tinggal dan bio energi yang dapat mendukung keberlangsungan kehidupan Manusia. Tanah memiliki banyak bentuk dan memiliki fitur sendiri yang menentukan kekuatan dan kelemahan dalam pemanfaatan yang berbeda. Salah satu sifat yang paling sering digunakan oleh para peneliti untuk menggambarkan dan mengklasifikasikan tanah berdasarkan warna. Pengklasifikasian jenis tanah yang biasa digunakan yaitu bagan warna tanah Munsell dengan 238 warna standar berbentuk chip persegi panjang. Namun, proses pencocokan sampel dengan chip warna bergantung pada keterampilan pengamatan subjektif dari pengguna. Saat era modern ini, kemajuan teknologi berkembang semakin pesat. Salah satunya (IoT) dapat digunakan sebagai media pendukung. Penelitian ini bertujuan untuk mengkonversi nilai warna RGB tanah menjadi nilai HCV Munsell, hasil konversi nilai tersebut. Perancangan sistem ini dengan mengambil nilai warna RGB pada tanah yang dikirimkan melalui Application Programming Interface (API), di dalam API melakukan konversi nilai RGB ke nilai HVC Munsell, lalu hasil tersebut ditampilkan pada layar LCD 20x4. Pemilihan LCD 20x4 sebagai output agar memudahkan pengguna agar tidak perlu repot membawa gawai saat menggunakannya langsung di lapangan. Uji coba pada penelitian menggunakan tiga jenis tanah yang berbeda dengan percobaan sepuluh kali pada jenis tanah masing-masing.
ANALISIS PERBANDINGAN ALGORITMA CLUSTERING DALAM MELAKUKAN SEGMENTASI WARNA PADA CITRA JAJAN TRADISIONAL Saidatul Arifah; Ericks Rachmat Swedia; M. Ridwan Dwi Septian
Sebatik Vol. 27 No. 1 (2023): Juni 2023
Publisher : STMIK Widya Cipta Dharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46984/sebatik.v27i1.2273

Abstract

Jajanan tradisional sangat beragam dan memiliki ciri warna tertentu, seperti kue putu dengan dominan warna hijau, kue cucur dengan dominan warna coklat, kue lumpur dengan dominan warna kuning, combro dengan dominan warna kuning keemasan, gemblong dengan dominan warna coklat, dan masih banyak yang lainnya. Masyarakat pada era jaman sekarang lebih banyak menyukai produk makanan instan, dari segi rasa jajan tradisional tidak kalah enak dengan makanan instan yang beredar di pasaran sedangkan dari segi kesehatan, jelas jajan tradisional lebih sehat karena tidak mengandung bahan pengawet. Machine learning terdapat suatu teknik yang dapat melakukan segmentasi pada citra digital, yang disebut teknik segmentasi citra. Segmentasi merupakan proses partisi gambar digital ke beberapa daerah dengan tujuan untuk menyederhanakan ataupun merubah representasi gambar menjadi sesuatu yang lebih bermakna dan mudah dianalisa. Metode yang digunakan adalah metode clustering karena dapat melakukan clustering warna dengan baik. Algoritma clustering yang digunakan antara lain K-Means, Fuzzy C-Means, dan metode Elbow digunakan untuk mencari jumlah cluster berdasarkan Sum of Square Error (SSE). Aplikasi segmentasi gambar ini terdiri dari Web Apps dan Python Apps. Aplikasi Python adalah server untuk aplikasi segmentasi gambar ini dan kerangka web yang digunakan adalah Flask API. Berdasarkan sepuluh pengujian yang telah dilakukan, algoritma K-Means mendapatkan akurasi sebesar 76,47% dan algoritma Fuzzy C-Means mendapatkan akurasi sebesar 68,63%. Akurasi tersebut dapat disimpulkan bahwa algoritma K-Means lebih baik dan efisien dari segi waktu dibandingkan algoritma Fuzzy C-Means dalam melakukan segmentasi warna pada citra jajanan tradisional.
Klasifikasi Bentuk Bingkai (Frame) Kacamata Menggunakan CNN dengan Arsitektur Inception V3 dan Augmented Reality Berbasis Android Sardjono, Mochamad Wisuda; Ramadhan, Valdy; Cahyanti, Margi; Swedia, Ericks Rachmat
Journal of System and Computer Engineering Vol 5 No 2 (2024): JSCE: Juli 2024
Publisher : Universitas Pancasakti

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61628/jsce.v5i2.1292

Abstract

Glasses are not only a type of vision aid for people with eye diseases, but they are also an increasingly popular part of the fashion world. The choice of eyeglass frame design can influence a person's appearance in clothing, so when making a choice you must pay attention to two important aspects, namely style and comfort, and can change the impression on a person's face. When designing eyeglass frames, it is necessary to use the science of measuring the human body, because each human organ's size and shape are different from each other. So, with the diversity of human facial shapes, it becomes very important in making the choice of eyeglass frames and the challenge in conducting research to build an application to recommend eyeglass frames according to face shape. With the current technological era, it is possible to apply Artificial Intelligence (AI) and Machine Learning (ML) to be the best solution to answer these challenges. Several studies have tried to classify facial shape using ML, with the best results using the Inception V3 architecture. In this research, a Unity 3D-based application was developed that combines Augmented Reality (AR) with ML to recommend eyeglass frame shapes based on face shape. Inception V3 model training results show performance improvements over time. However, it is necessary to overcome overfitting in validation data. In testing the test data, the model achieved an accuracy of around 78.6%, indicating good prediction ability. This technology has the potential to help consumers make more informed decisions when selecting glasses
Comparison of YOLOv7 and YOLOv8 Architectures for Detecting Shirt Collars Danyalson, Calvin; Cahyanti, Margi; Swedia, Ericks Rachmat; Sarjono, Mochammad Wisuda
Sebatik Vol. 28 No. 2 (2024): December 2024
Publisher : STMIK Widya Cipta Dharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46984/sebatik.v28i2.2492

Abstract

The shirt collar is one of the primary aspects monitored during online examinations in the postgraduate program at Gunadarma University. Examinees are required to wear formal, collared attire. Based on these regulations, a study was conducted to develop a collar detection method to facilitate the online exam monitoring process. This research involves a comparative analysis of two detection architectures: You Only Look Once (YOLO) version 7 (YOLOv7) and version 8 (YOLOv8), to determine the most effective architecture for detecting shirt collars using the dataset provided in the study. Detection models developed from both architectures were implemented in a web-based application and tested to evaluate their accuracy and efficiency. The testing results showed that YOLOv7 achieved an average accuracy of 95%, outperforming YOLOv8, which had an average accuracy of 75%. However, despite YOLOv8's lower accuracy, it excelled in detection speed, with an average processing time of 2.27 seconds, significantly faster than YOLOv7's average processing time of 22.42 seconds. Considering both accuracy and speed, YOLOv7 demonstrated the best overall performance in this study. Nonetheless, it is possible that YOLOv8 could surpass YOLOv7 in the future if significant improvements are made to its detection accuracy.
A Real-Time Helmet Detection System Based on YOLOv8 to Support Traffic Law Enforcement Puspita, Tiara; Swedia, Ericks Rachmat; Cahyanti, Margi; Septian, M Ridwan Dwi
Sebatik Vol. 29 No. 1 (2025): June 2025
Publisher : STMIK Widya Cipta Dharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46984/sebatik.v29i1.2585

Abstract

Helmet use is a critical safety measure for motorcycle riders, yet non-compliance remains high in Indonesia. This study introduces a real-time helmet detection system using the YOLOv8 architecture, deployed on Android devices with the Kotlin programming language. A dataset of 1,197 digital images was collected and annotated using Roboflow Annotate, containing two classes: helmet users (True) and non-users (False). To improve model generalization, data augmentation techniques such as rotation and shear were applied. The model was trained using the pretrained yolov8n.pt weights and evaluated based on mAP and Intersection over Union (IoU). During training, the model achieved a mAP50 of 98% and a mAP50–95 of 59.6%. In testing, the mAP50 reached 98.3% and mAP50–95 reached 61%, with an average IoU of 0.73. The trained model was then converted into TensorFlow Lite format and integrated into an Android application. Real-time testing showed a detection accuracy of 93.3%. These results demonstrate that YOLOv8 is effective for mobile-based real-time helmet detection and has strong potential to support traffic law enforcement systems, especially in urban environments where manual monitoring is inefficient. The system contributes to enhancing public safety through smart technology integration.
Co-Authors Andi Asrafil Ardan Paliwang Azizulhaq Dharmaputra Azriyan Arham Bakhtar, Mutiara Risvita Cahyanti, Margi Carl Ray Wairata Danyalson, Calvin Dimas Lutfhi Amrullah Ernastuti Ernastuti Farhan Adiandoro Fitriani, Risma Rahmalia M Ridwan Dwi Septian Margi Cahyanti Margi Cahyanti Missa Lamsani Moch Wisuda Sardjono Mochamad Wisuda Sardjono Muhamad Jaelani Akbar Muhammad Andri Imawan Mujahidin, Maulana Puspita, Tiara Ramadhan, Valdy Ravi A Salim Restu Adeline Pangestika Saidatul Arifah Sardjono, Mochamad Wisuda Sarjono, Mochammad Wisuda Septian, M Ridwan Dwi