Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi)
Hidhayah, Ratu Nisful Laily
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering Mathematics Mechanical Engineering Transportation

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Komparasi Algoritma MLP+LBP dan CNN Sebagai solusi Inovatif Untuk Deteksi Dini Korosi Aohana, Mizanul Ridho; Bimantoro, Fitri; Hidhayah, Ratu Nisful Laily; Swanjaya, Daniel
Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi) Vol. 8 No. 1 (2024): SEMINAR NASIONAL INOVASI TEKNOLOGI 2024
Publisher : Universitas Nusantara PGRI Kediri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29407/inotek.v8i1.4984

Abstract

Logam dan bahan lain seperti logam dapat mengakibatkan kerugian finansial besar dan bahaya bagi keselamatan umum terutama pekerja di dunia industri seperti industri perkapalan, tambang dan logam. Penelitian ini bertujuan untuk meningkatakan efektivitas deteksi dini korosi menggunakan metode Convolutional Neural Network (CNN) dibandingkan dengan penelitian sebelumnya yang mengguankan metode Multi-Layer Perceptron (MLP) dikombinasikan dengan Local Binary Pattern (LBP) sebagai teknik ekstraksi fitur. Dataset pada penelitian ini terdiri dari 1630 gambar korosi dan non-korosi yang diperoleh melalui scraping Google Image. Model CNN yang diusulkan menunjukkan akurasi deteksi sebesar 85,16% dan Area Under Curve (AUC) sebesar 91,63%. Ini lebih baik daripada MLP+LBP, yang menunjukkan akurasi 84,92% dan AUC 91,52%. Meskipun perbedaan ini relatif kecil, hal menarik terletak pada jumlah parameter yang digunakan oleh CNN lebih kecil (1.594.337) jika dibandingkan dengan MLP+LBP (6.558.650). Hasil ini menunjukkan bahwa secara keseluruhan, CNN lebih baik dan efisien dalam mendeteksi korosi.
Co-Authors Aohana, Mizanul Ridho Daniel Swanjaya Fitri Bimantoro