Article Per Year (5 Year)
p-Index From 2020 - 2025
0.61
P-Index
This Author published in this journals
All Journal Jurnal Sistem Komputer & Kecerdasan Buatan
Kusuma Whardana, Adithya
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Deteksi Pelanggaran Sepeda Motor Menggunakan Algoritma Yolo Dan Mean Average Precision Deteksi Pelanggaran Sepeda Motor Menggunakan Algoritma YOLO dan Mean Average Precision Hidayat, Fauzi Taufik; Kusuma Whardana, Adithya
Jurnal SISKOM-KB (Sistem Komputer dan Kecerdasan Buatan) Vol. 8 No. 1 (2024): Volume VIII - Nomor 1 - September 2024
Publisher : Teknik Informatika, Sistem Informasi dan Teknik Elektro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47970/siskom-kb.v8i1.401

Abstract

Karena keterbatasan Polisi Lalu Lintas dalam melakukan sosialisasi di jalan raya untuk meminimalkan jumlah pelanggaran, pelanggaran kendaraan sepeda motor kerap terjadi di jalan raya di antara mereka yang tidak memakai helm. Teknologi baru di bidang kecerdasan buatan mengajarkan komputer untuk menginterpretasikan dan menguasai gambar. Untuk melakukan deteksi, penelitian ini menggunakan tiga objek: helm, sepeda motor, dan tanpa helm. Algoritma You Only Look Once (YOLO) versi 5s dan 8s juga digunakan sebagai perbandingan, menggunakan dataset internet dan realtime yang berbeda. Selain itu, framework streamlit digunakan untuk melakukan implementasi berbasis website dan framework deepsort digunakan untuk menghitung jumlah pelanggaran tanpa helm. Hasil penelitian menunjukkan bahwa dataset internet YOLOv5 memiliki akurasi sebesar 94%, dengan dataset internet YOLOv5, YOLOv8, dan realtime masing-masing memiliki akurasi sebesar 93%. Dataset internet YOLOv5 unggul dibandingkan dengan dataset internet lainnya.Kata kunci — Pelanggaran Sepeda Motor, YOLO V5s & V8s, mean Average Precision (mAP).
Klasifikasi Penyakit Daun Anggur dengan Menggunakan Convolutional Neural Network dan Transfer Learning dari VGG16 Kusuma Whardana, Adithya; Febriyanto, Deni; Jagad Katanka, Moza; Andina Oktavia, Nayla; Desta Loria, Tamara
Jurnal SISKOM-KB (Sistem Komputer dan Kecerdasan Buatan) Vol. 7 No. 2 (2024): Volume VII - Nomor 2 - February 2024
Publisher : Teknik Informatika, Sistem Informasi dan Teknik Elektro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47970/siskom-kb.v7i2.613

Abstract

Anggur sebagai salah satu jenis buah daerah subtropis, yang telah terbukti mampu beradaptasi dengan baik di berbagai wilayah Indonesia. Akan tetapi, produktivitas tanaman anggur dapat terpengaruh pada jenis penyakit yang terdapat pada daun anggur. Deteksi dini dan klasifikasi penyakit daun merupakan kunci dalam upaya mengurangi dampak negatif penyakit tersebut terhadap hasil panen. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi penyakit daun anggur yang efisien dengan menggunakan Model VGG16 yang akan melatih dataset daun anggur tersebut. Metode Convolutional Neural Network (CNN) digunakan untuk mengklasifikasikan data selanjutnya. Dataset yang digunakan pada penelitian ini terdiri dari 4.062 gambar daun anggur yang terbagi dalam 3 kategori penyakit yang terdapat dalam daun anggur yaitu Busuk Hitam, Campak Hitam dan Hawar Daun (Bercak Daun Isariopsis). Hasil yang diperoleh dari penggunaan metode VGG 16 yaitu 98% untuk data training dan 92% untuk data validasi.
Klasifikasi Motif Batik Menggunakan Convolutional Neural Network (CNN) dengan Otsu thresholding dan Median filter Kusuma Whardana, Adithya; Alfaruq Abdul Aziz, Umar
Jurnal SISKOM-KB (Sistem Komputer dan Kecerdasan Buatan) Vol. 8 No. 3 (2025): Volume VIII - Nomor 3 - Mei 2025
Publisher : Teknik Informatika, Sistem Informasi dan Teknik Elektro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47970/siskom-kb.v8i3.844

Abstract

atik merupakan warisan budaya Indonesia yang telah diakui secara global, namun keragaman motifnya seringkali sulit dikenali oleh masyarakat awam. Penelitian ini bertujuan untuk mendukung pelestarian batik serta mempermudah klasifikasi motif dengan pendekatan berbasis ciri geometris dan non-geometris menggunakan metode Convolutional Neural Network (CNN). Data citra batik dikumpulkan dari internet dan hasil pemotretan di Museum Batik TMII, lalu dikategorikan dan diproses melalui tahap praproses, termasuk konversi ke grayscale, segmentasi menggunakan metode Otsu untuk memisahkan motif dari latar, serta peningkatan kualitas citra menggunakan median filter. Klasifikasi dilakukan menggunakan CNN dengan 3600 iterasi dan batch size 20. Hasil eksperimen menunjukkan akurasi sebesar 85,36%, dengan rata-rata presisi 86,76% dan recall 87,36%, serta waktu pelatihan selama 11 menit 41 detik.
Co-Authors Alfaruq Abdul Aziz, Umar Andina Oktavia, Nayla Desta Loria, Tamara Febriyanto, Deni Hidayat, Fauzi Taufik Jagad Katanka, Moza